基于隐式评分和相似度传递的学习资源推荐

协同过滤推荐算法存在数据稀疏的问题,这使得学习平台中由于用户学习行为记录的稀疏而无法满足用户的学习需求。为此,提出了一种基于隐式评分和相似度传递的学习资源推荐算法。首先,收集用户的学习行为;其次,改进传统的相似度计算方法,并在此基础上引入相似度传递策略;最后,应用并实现E-learning平台中学习资源的推荐。实验表明,该算法能够在一定程度上解决相似度计算不准确以及数据稀疏问题,从而提高学习资源的推荐质量。

基于隐式评分的推荐系统研究

为解决协同过滤推荐中"稀疏"和"冷开始"问题,提高推荐精度,提出了基于隐式评分的推荐系统。首先建立项档案,采用BP神经网络模型分析用户的导航模式和行为模式,对已点击项进行预测评分,建立用户主观评价模型和用户偏好档案;然后预测用户对未点击项评分,形成比较稠密的用户预测评分矩阵,采用协同过滤推荐技术,产生有效推荐;最后提出基于项特征的谈判模型和谈判策略,支持对推荐结果的解释和客商之间的讨价还价。

基于协同过滤算法的自动化隐式评分音乐双重推荐系统

提出了基于协同过滤算法的自动化隐式评分音乐双重推荐系统;在异构普适环境推荐框架下,对系统总体结构进行设计;其中硬件部分采用四元件组成方式,使用W900710型号芯片作为播放器核心板,并将隐式评分提取器与推荐引擎结合起来,可避免噪声干扰;而软件部分设计场景模拟衰减现象,采用协同过滤算法描述衰减过程,根据描述结果,设立双重推荐机制来实现抗人为影响的音乐双重推荐系统;由实验结果可知,对于大规模音乐数据推荐具有良好可扩展性。

基于数据驱动遗传算法的自动化隐式评分歌曲推荐方法

传统推荐方法主要以现有数据所在范围为基础进行歌曲推荐,导致用户的满意度较低,为此,提出基于数据驱动遗传算法的自动化隐式评分歌曲推荐方法。首先将用户的历史数据作为基础矩阵,通过进行基础矩阵分解,得到用户对歌曲的隐式评分结果,采用互信息特征选择方法构建了特征选择模型,将无关特征或相似的冗余特征进行过滤,以此确保遗传算法输出的推荐结果具有更高的准确性。最后利用遗传算法中的深度神经网络模型实现对最终推荐结果的计算,将选择的特征值作为深度神经网络模型的学习驱动,对挖掘到的用户原始数据的隐式评分结果进行训练,并根据Sigmoid函数的输出结果判断歌曲是否满足推荐标准。测试结果表明,设计方法推荐结果中,用户对歌曲歌词、旋律、节奏以及情感的满意度分别达到了90.19%、90.94%、91.61%和90.89%,均明显高于对比方法。

基于线性加权融合模式的图书资源推荐方法研究

随着计算机技术的发展,越来越多的书籍采用数字化方式进行出版,为解决信息过载,帮助读者快速查找到需要的图书资源,本文利用数字图书管理系统已有的用户信息、用户借阅等信息,采用线性加权融合模式,设计了一种基于图书资源内容过滤和用户隐式行为评分相混合的,并能应用于实际工程环境的图书资源个性化推荐模型,从而为读者提供快速、准确的个性化推荐服务。

基于协同过滤的电力信息运维知识个性化推荐模型

提出了基于协同过滤的电力信息运维知识个性化推荐模型.首先给出了电力信息运维知识个性化推荐模型的建立流程;其次引入隐式评分机制,将运维人员的学习行为转换为对电力信息运维知识的隐式评分;再次对传统协同过滤算法的不足进行改进;最后基于改进协同过滤算法构建个性化推荐模型,对电力信息运维知识进行推荐.实验结果表明,该个性化推荐模型能够有效提高推荐效果,具有实际意义.

基于多属性效用的协同过滤推荐系统

针对基于多标准的协同过滤(MC-CF)推荐系统中用户负担重、超高维问题,提出了基于多属性效用的协同过滤(MAU-CF)推荐系统。首先,依据用户浏览行为挖掘属性权重和属性值效用,构造用户的多属性效用函数,获取用户对项目的隐式评分;其次,采用遗传算法(GA)寻找用户偏好的属性值集合;然后,根据属性值集合中属性权重和属性值效用的相似度,寻找最近邻;最后,根据相似度预测最近邻浏览或购买过的项目对目标用户的效用,向目标用户推荐效用大的项目。通过比较实验发现,相对于MC-CF,MAU-CF挖掘的隐式效用能够替代显式效用,计算维度减少了44.16%,时间消耗减少了27.36%,平均绝对误差(MAE)减少了5.69%,用户满意度提高了13.44%。实验结果表明,MAU-CF推荐系统在减少用户负担和计算维度、提高推荐质量方面比MC-CF推荐系统表现得更优越。

基于大数据的IPTV视频评估模型

随着网络信息技术的发展以及"三网融合"的推进,交互式网络电视IPTV成为越来越多用户的选择,成为新媒体中的一支主力军,但快速发展的同时也面临着巨大的挑战。如何有效评估供应商提供的大量视频,选择符合用户需求的视频成为IPTV发展的关键问题。提出利用新媒体和传统媒体的视频大数据和IPTV历史收视大数据,在Spark平台上使用BP神经网络建立视频评估模型。基于新媒体和传统媒体从视频收视度、视频影响度和视频内容三个方面完善视频评估体系;基于IPTV历史收视大数据,建立反映IPTV受众群体喜好的视频隐式评分策略,使用BP神经网络构建视频评估模型;针对大数据的海量性,在Spark并行化平台上建立视频评估模型,实现数据的并行训练,完成模型的建立。实验结果证明,新的视频评估模型能从IPTV受众群体的角度有效评估视频,在Spark平台上进行评估模型的训练,能够有效提高大数据量的评估模型训练速度。

基于协同过滤的学习资源推荐平台的设计与实现

在科技日新月异的时代人们需要了解技术发展趋势并获取精准有效的学习内容。学习资源推荐平台基于协同过滤技术预估用户偏好,提供个性化推荐。系统对于用户没有给予评分的资源采用隐式评分规则,降低评分矩阵的稀疏度,从而提高资源推荐的精度和效率。