基于混合推荐算法的分布式购物系统设计

数据个性化推荐缺乏、高并发处理能力不足是目前在线购物平台面临的主要问题。本文采用分布式计算平台Hadoop、使用MapReduce并行处理方法提高了其效率和可扩展性,并提出一种混合推荐算法方法,通过基于内容的推荐算法发现用户的已有兴趣,同时结合协同过滤算法建立潜在兴趣模型,将已有兴趣和潜在兴趣混合,并与候选搜索内容集进行相似度计算,从而得到推荐结果。

融合用户行为序列预测的混合推荐算法

对于用户行为序列中隐藏用户兴趣的捕捉是近年来推荐算法研究的热门方向。传统的序列预测模型使用用户最后一次点击的商品为目标,建立用户行为和目标商品间的关联,并没有充分挖掘用户序列间的先后关系。文中在传统的DIN模型的基础上进行了改进,采用一段时间内的连续行为作为目标向量,使用transformer结构完成序列到序列的预测任务,进一步提取和利用了用户行为序列中的用户深度兴趣,并将其作为辅助特征结合DIN进行推荐。在亚马逊图书数据集和电子数据集上的实验结果表明,文中提出的基于DIN混合推荐模型比原DIN模型的AUC指标分别提升了约0.7%和1.9%。由此可知,基于用户行为序列预测的混合推荐可以在多特征推荐系统中起到一定的辅助作用。此外,文中还对用户序列长度对模型结果造成的影响进行了探究。

基于XLNet-BiLSTM模型的个性化混合推荐算法

本文简略阐述了个性化推荐系统的实际情况,介绍了个性化混合推荐算法下的混合推荐策略,并基于XLNet-Bi LSTM模型进行了用户对物品属性偏好建模,在此基础上提出了个性化混合推荐系统建设方法,旨在为相关研究人员提供参考,实现对于各种算法优势的有机结合,弥补以往单一算法的局限性,切实提升模型构建成效,为用户提供更加优质的推荐方案,以充分同用户的个性化要求相适应。

混合推荐算法在基于机器学习的影片推荐系统中的应用

文章主要以实现基于机器学习的影片推荐系统为背景,具体应用适合的机器学习算法,包括采用基于隐语义模型的协同过滤、基于加权因子的混合协同过滤和基于内容的推荐算法进行混合推荐的算法,解决新用户冷启动问题,以期提高影片推荐系统的实时性。

论混合推荐算法在医疗设备检测中的应用

针对医疗设备故障检测中存在的问题,通过选用QuickXPlain算法获取最小冲突集以计算约束推荐系统各方案的可信度,使用有限状态机获取用户需求末节点并结合关联规则计算各方案的可信度,将各维修方案的两种可信度均值大小作为最终推荐方案选择的标准,构建基于约束与基于关联规则的混合推荐系统。仿真试验结果显示,相比其他传统推荐算法,该系统在推荐方案数量较大时,整体推荐准确率最高,当推荐方案数量为8时,推荐准确率为91.62%,且它的大部分具体故障维修方案推荐准确率也最高,但其计算消耗内存更多。

混合推荐算法在电商相关领域的应用研究

随着5G移动通信技术、虚拟现实和增强现实等技术的应用与普及,电商相关领域中传统的单一推荐算法在应对日益增长的结构与非结构数据、多源数据的融合和用户需求多样等方面逐渐显露出不足之处。结合电商相关领域的现有特点与难点来进行推荐算法的选择和优化改进,混合推荐算法应运而生。首先,分析了传统单个基于二部图网络的、基于知识图谱的和基于神经网络推荐算法的特征和优缺点;其次,总结梳理了以上三种类型的混合推荐算法在电商相关领域的研究现状;最后,指出混合推荐算法在电商相关领域应用中遇到的困境、不足和未来应用研究方向,以期为混合推荐算法在电商相关领域的深入应用提供有力支持。

融合用户特征和流行度归一化的金融产品混合推荐算法

混合推荐通过组合不同推荐算法来弥补各自推荐技术的弱点。在传统金融产品推荐算法的基础上,提出融合用户特征和流行度归一化的金融产品混合推荐算法(CPCF)。在Santander银行客户数据上进行实验,将基于人口统计学的推荐算法与协同过滤推荐算法进行组合,在此基础上,引入流行度权重因子,将流行度归一化处理。实证结果表明,在Precision和Recall上均有提升,适合用户信息容易采集且用户数量级远超过项目数量级的金融理财产品推荐场景。

基于地理位置的个性化新闻混合推荐研究

智能手机等移动设备的普及让用户可以随时随地阅读新闻,通过GPS可以获取用户阅读新闻的位置信息.用户在不同的地理位置,阅读兴趣也不相同.在进行个性化新闻推荐时,不仅要考虑用户的阅读兴趣,还要考虑用户所处的地理位置.本文提出一种基于地理位置的混合推荐算法(Hybrid Location-Based recommendation algorithm,HLB),使用DBSCAN聚类算法获取用户阅读新闻较多的地理位置及在相应位置阅读的新闻集合,获取用户在不同地理位置的长、短期阅读兴趣,对用户长期阅读兴趣采用基于内容的推荐方法,对用户短期阅读兴趣采用协同过滤推荐方法.HLB为用户在不同的地方进行不同的推荐,满足用户固定阅读需求的同时,增加推荐结果的多样性.实验证明,HLB能更准确的反映用户的阅读兴趣,与算法STPM、Click B和LOGO-ARW相比,准确率提升了27.8%、22.1%和16.9%,召回率提升了28%、23.2%和18.3%,让用户有更好的阅读体验.

基于二部图的学习资源混合推荐方法研究

在线学习过程中,学习者经常面临"资源过载"和"学习迷航"问题。为了解决上述问题,研究人员将信息推荐技术引入在线学习中,试图为学习者提供个性化的学习服务。近年来,协同过滤推荐方法受到广泛关注,并在实际应用中取得了较为理想的效果。然而,该方法推荐范围有限且忽视小众资源,无法满足部分学习者的个性化需求。鉴于此,文章将物理学中的热传导和物质扩散理论引入推荐系统中,建立基于二部图的学习资源混合推荐模型。该模型将基于热传导的推荐方法和基于物质扩散的推荐方法混合使用,通过引入一个可调参数,使两种方法在不同应用场景下发挥不同的作用。该模型为进一步研究个性化学习资源推荐方法提供重要参考。

基于混合推荐技术的推荐模型

针对当前推荐技术普遍存在的产品内容分析难度大、用户评价信息稀疏和新用户推荐等问题,基于协同过滤技术,引入人口统计信息分析技术,提出一种混合推荐技术,并在Web资源系统中实现一个推荐模型实例。实验结果表明,应用该技术不但能够解决上述问题,相较传统的推荐技术,还能有效提高推荐质量。

一种结合显式特征和隐式特征的开发者混合推荐算法

现有开发者推荐算法通过对任务和开发者的显式信息进行挖掘,抽取任务和开发者的显式特征,完成针对任务的开发者推荐.然而,由于显式信息中的描述信息是主观的,往往是不精确的,现有基于显式特征的开发者推荐算法性能不够理想.众包软件开发平台除包含大量不精确的描述信息外,还包含客观的、较准确的“任务—开发者”成绩信息,可以有效地推断任务和开发者的隐式特征.考虑到隐式特征作为显式特征的补充,将有效缓解描述信息不精确的难题,提出一种结合显式特征和隐式特征的开发者混合推荐算法.首先,利用任务和开发者的平台可见信息充分提取显式特征,提出面向显式特征的因子分解机(FM)推荐模型建模任务、开发者显式特征和相应评分的映射关系.然后,利用“任务—开发者”成绩矩阵提取隐式特征,提出面向隐式特征的矩阵分解(MF)推荐模型.最后,融合面向显式特征的FM推荐模型和面向隐式特征的MF推荐模型,提出多层感知器融合算法.进一步,针对冷启动问题,首先,基于历史数据,构建多层感知器模型建模显式特征到隐式特征的映射关系.然后,针对冷启动任务或冷启动开发者,通过任务或开发者的显式特征求解相应的隐式特征.最后,基于已训练好的多层感知器融合算法预测评分.在Topcoder软件众包平台的仿真实验表明本文算法相对于对比算法在4种不同测试指标上具有明显的优势.

协同过滤系统项目冷启动的混合推荐算法

研究协同过滤推荐系统中的冷启动问题,运用基于内容预测的方法,对系统内未被用户评价过的项目进行评分预测,应用2种优化步骤,过滤掉预测不准确的用户的评分。在此基础上用协同过滤的方法产生推荐,使传统推荐算法中无法推荐给用户的项目得到推荐机会。通过一系列实验证明,该混合推荐算法能保证推荐准确性,提高了新项目的推荐概率。

基于社交网络用户信任度的混合推荐算法研究

为了解决当前社交网络中基于用户信任的Web服务推荐算法存在的覆盖率不足的问题,整合了当前有关直接信任、间接信任及群体信任度的研究思路,对相关的信任度计算方式进行了扩展研究。在此基础上,提出了一种新的混合信任度算法。实验结果表明,在召回率、用户信任度和用户争议度等指标上该混合推荐算法优于现有算法ModelTrust,证明了该算法具有覆盖率较高的特点,能解决由单一信任度算法数据稀疏性造成推荐结果不佳的问题。

基于符号数据与非负矩阵分解法的混合推荐算法

针对现有推荐算法在处理海量数据时效率和精确度低下的问题,提出一种将基于内容的推荐算法与基于项目的协同过滤算法相结合的新的混合推荐算法。首先引入符号数据分析方法,使用模态符号数据对项目建模,同时针对评分矩阵的超高维及稀疏性问题加入非负矩阵分解算法,对项目的特征矩阵进行有效"平滑",以此为基础计算项目之间的相似性,进而完成混合推荐。基于MOVEILENS数据的实验结果表明,本文提出的混合推荐算法与传统的基于项目的协同过滤算法相比,在相似性计算上具有更高的效率,同时在应对数据稀疏性及新用户问题时,具有更高的推荐精度。

新闻事件的分布式混合推荐算法

针对新闻的个性化服务差及推荐效率低的问题,提出了一种新闻事件的分布式混合推荐算法.该算法改进了传统的层次聚类算法用于新闻事件发现,通过协调簇中心距离和簇间最远距离的权重解决了传统层次聚类中的大簇问题;使用混合推荐算法进行事件推荐,引入了事件的多重特征来计算用户兴趣模型,更准确地表示用户的兴趣偏好;采用Spark分布式计算平台实现该算法,可处理大数据的个性化推荐问题.在公开数据集上的实验结果表明本文方法有效.

基于时间因子的个性化新闻混合推荐研究

互联网的爆发式发展带动了信息的增长,人类社会已由信息匮乏阶段转变为信息过载阶段,这也间接导致了互联网用户每天接收的数据信息质量参差不齐,同时用户也不再满足于只查看大众类的信息,而是更希望能够收到符合自己阅读兴趣的信息.个性化推荐帮助用户从海量数据中筛选出符合用户阅读兴趣的文章,帮助用户节省大量的时间和精力.但是传统的个性化推荐并不能高效合理地为用户生成推荐列表,因此本文提出基于时间因子的个性化新闻推荐算法,研究用户在不同时段的兴趣分布,提高了推荐精度.实验结果表明,考虑时间因子的混合推荐算法相比传统算法提高了推荐结果的精度.

时间加权的混合推荐算法

提出了一种基于时间加权的混合推荐方法。该方法分为离线和在线两个阶段,离线阶段根据目标用户对物品的评价等信息得到与目标用户有相似兴趣的邻居,并构建物品描述模型;在线阶段根据目标用户和邻居用户的评价行为构建用户描述模型。由于用户兴趣会随外部因素而产生概念漂移,因此在算法中引入衰减系数以提高推荐质量。在滑动窗口模型下,每隔一定时间间隔,更新用户模型和相似群组,产生个性化的推荐。实验结果表明,该算法能实时反映用户兴趣,提高推荐系统的准确率,有较高的用户满意度。

融合推荐潜力的个性化趋势预测的混合推荐模型

预测用户对物品的行为中,准确的物品推荐是推荐系统的困难问题。为了提高推荐系统的推荐精度,引入物品的推荐潜力,提出一种新颖的融合物品推荐潜力的个性化混合推荐模型。首先根据最近短时间段和最近长时间段的物品访问率计算趋势动量,然后利用趋势动量计算出当前物品的推荐潜力值,最后将物品推荐潜力值融入到个性化推荐模型中得到混合推荐模型。实验证明,融合了物品推荐潜力值的个性化趋势预测,能较大地提高推荐系统的推荐精度。

基于遗忘函数和领域最近邻的混合推荐研究

基于内容过滤和协同过滤是两大最为经典的推荐算法,但基于内容过滤存在新用户问题,没有考虑用户兴趣变化对推荐质量的影响,协同过滤则面临严峻的数据稀疏性和冷启动的挑战.针对这些,提出混合推荐算法:基于非线性逐步遗忘函数建立用户兴趣模型,预测用户未评价商品评分;引入"领域最近邻"处理方法查找目标用户的最近邻,预测未评价商品评分,以此为基础做出推荐.实验结果表明,本文方法能有效提高推荐质量.

一种改进的混合推荐算法

基于用户的近期行为能够更好地反映其潜在的兴趣偏好的思想,提出了一种基于有限时间窗口的改进混合推荐算法.在标准数据集Netflix上的实验结果表明,只采用大约31.11%的用户近期历史记录,所得到的推荐结果准确性可以平均提高4.22%,而推荐列表多样性可以提高13.74%.另外还发现新提出的算法适用于不同活跃程度的用户,这可以极大地降低大规模数据所引发的计算复杂性问题.