污染源信息推荐的用户喜好模型研究

由于污染给社会生活带来的诸多困扰和污染源的固有特性,作为污染源信息需求者的环境保护机构和个人,如何从大量污染源信息中找到自己关注的信息;同时,对于污染源信息提供者,怎样使自己的信息为广大用户所关注,是环保领域比较突出的矛盾和问题。本文通过建立基于年龄和职业的用户喜好模型,利用UFTB算法从用户看过的污染源信息及其信息类型入手,对用户看过的污染源信息类型与评分数据进行分析。在建立分析污染源信息推荐模型中,采用协同过滤算法计算修正后的余弦相似度,对缺省值进行预测以优化算法。为防止过度优化,采取剔除用户非喜好类型污染源信息,得到优化缺省值预测矩阵,将相似度数据带入推荐公式得出数值并使用排序,根据搜索出的与目标用户相似度最高的N位用户的喜好对目标用户进行污染源信息推荐。

基于Spark平台的电子商务个性化信息推荐方法

互联网上数据传播量日益增加,但信息使用率却很低,消耗用户大量精力,针对这个问题,提出一种基于Spark平台的电子商务个性化信息推荐方法。Spark平台通过弹性分布式内存数据集,可将中间计算结果直接保存至内存中,建立用户喜好模型;使用评分机制计算不同个体偏好商品,形成推荐列表;引入挖掘隐含信息的矩阵分解算法,将未知参数转化为已知量,提高个性化信息推荐精准度。仿真对比实验,从用户满意度、信息熵值和运行速度三个角度,验证了所提方法可以实现优质且高效的电子商务个性化信息推荐工作。