基于蚁群聚类的个性化推荐模型研究

针对传统电子商务个性化推荐系统存在的数据稀疏问题,提出一种蚁群聚类算法的个性推荐模型。利用蚁群算法的原理,找到与目标用户相似的邻居类簇,然后利用这些类簇内的用户作为基础,对目标项目中未评分项目进行预测评分,从而达到提高协同算法邻近查询的速度、降低数据稀疏性的目的;结合协同过滤思想,设计了基于时间评分的协同过滤算法,最后对上述算法进行了验证。结果表明,当最近邻居数为25的时候,目标用户的预测评分值与真实评分值的MAE差距最小,此时精度最高,说明该方法在解决数据稀疏性方面具有一定的价值。

融合用户特征与偏好的个性化微博推荐

为了解决推荐算法中推荐结果不够个性化、推荐准确度不高的问题,提出了一种融合用户偏好及特征的个性化微博推荐算法。首先,利用用户的三大特征融合时间效应函数,计算用户相似度,筛选出用户最近邻域;其次,计算用户对不同类别的实时偏好度,来获得用户偏好类别;最后,将用户最近邻喜爱的微博与用户偏好类别相同的微博组成推荐列表,依据改进的预测评分公式预测用户对微博的感兴趣程度,并按照预测值的大小选择微博Top-k对用户进行推荐。实验结果表明,该方法能够实现对用户的个性化推荐,并且能够提高推荐的准确性。

城市配送中心客户关系管理方法刍议

文章通过对城市配送中心客户特点的分析,提出了采用建立时间效应成本函数和客户网络电子地图进行客户关系管理的两种方法,对配送中心保持客户满意度,提高效益具有重要的现实意义。