物联网用户查询目标自动推荐算法仿真研究

查询推荐作为一种改善物联网用户查询体验和效率的有效方式,可以帮助用户筛选并提供更加准确的查询目标描述。目前多数推荐算法随着用户数量和项目数量的增加,存在着推荐精度低、推荐时间长等问题,针对以上问题,提出基于改进近似性度量的物联网用户查询目标自动推荐算法。结合TF-IDF算法和信息熵算法构建物联网用户对项目属性的兴趣度模型,运用自组织映射神经网络聚类算法对兴趣度模型中的用户进行初步聚类。并以此为基础数据在目标用户所属簇内计算用户近似度并寻找最近邻。针对K-Means算法因缺少共同评分项目而导致近似度较低的弊端,采用改进近似性度量方法在簇内寻找目标用户的最近邻和项目推荐候选集,根据项目推荐候选集上的预测评分,完成用户查询目标自动推荐。实验结果表明,所提算法与其它算法相比,有更好的推荐精度和效率。

自动分层推荐算法

推荐是Web个性化服务的核心。提出一种自动分层推荐算法 ,利用页面分层自动选择最佳的匹配粒度 ,进行基于频繁导航路径的推荐。实验结果表明 ,该算法大大减少了在线匹配的开销 ,可以成功地应用到Web日志挖掘中。