一种改进的基于物质扩散理论的Item-based协同过滤算法

推荐系统和其使用的推荐算法是电子商务系统中最重要的技术之一。推荐算法的准确性是评价算法优劣的一个重要指标。为了设计准确性较高的推荐算法,提出了一种基于物质扩散理论的协同过滤推荐算法(MD-ICF)。实验数据分析表明,这种改进后的算法在排序得分上比传统的ICF(iterative case filtering)算法有14%的提高,证明该算法是有效和实用的。

基于组合加权评分的Item-based协同过滤算法

针对Item-based协同过滤算法中用户评分数据稀疏性严重影响推荐质量的问题,提出一种基于组合加权评分的Item-based协同过滤算法,以用户评分项并集作为用户相似性计算基础,并提出一种组合加权评分方法来对并集中的未评分项进行计算和填补,从而降低了数据稀疏性。实验结果表明该算法能有效提高推荐质量。

一种基于Web日志的Item-Based协同过滤算法改进

在目前众多的电子商务推荐方法中,协同过滤的研究和应用最为广泛。但由于其自身存在的一些诸如数据稀疏性与缺少个性化等问题,导致推荐的准确度与效率不高。而且User-Based协同过滤算法存在用户规模过大、不易寻找最近邻的问题。因此,引入了Web日志挖掘方法,并利用Item-Based等相关技术,以提高推荐准确度。

考虑数据稀疏性的图书推荐协同过滤算法仿真

图书推荐算法易忽略数据稀疏性问题,导致推荐结果与用户感兴趣内容之间存在较大的偏差。在考虑数据稀疏性的基础上提出一种图书推荐协同过滤算法,对数据预处理,通过对用户和用户之间综合信任度分析,利用分布估计算法对用户兴趣建模;构建用户兴趣簇类集,划分用户兴趣,从中选择出与检索对象最接近的邻居;计算邻近项目得分,按照从大到小的顺序排列,排名靠前的资源项即为图书推荐结果。实验结果表明,所提方法在推荐500本图书时,用时在12s内,且降低了平均绝对误差和均方根误差,实现了最精准的图书推荐。

算法偏见背后的数据选择、信息过滤与协同治理

算法驱动的人类智能系统与人工智能系统交互中,数据选择与信息过滤是不容忽视的关键环节,一方面与算法运行的不透明性有关,另一方面也受到人机协同的信息过滤影响。算法偏见已经造成了现实生活中信息圈层之间的分化,并可能延续甚至加剧社会发展多个方面的失衡。因此,有必要审慎地看待算法偏见的影响要素,透视技术本身及其应用过程中的潜在风险和问题,从而为应对人工智能嵌入社会系统过程中所带来的阶段性偏见提供思路。

协同过滤算法在微信推荐小程序的应用

为了使客户能够方便、快速从大量数据中获取有效信息,本文对微信小程序采用Mvc的开发模式,并以Node.js技术进行设计,其总体架构主要包括交互层、数据访问层、控制层和数据库层。采用基于用户的协同过滤推荐算法和基于特征的协同过滤推荐算法结合的方式进行商品的推荐。对于基于用户的算法,采用IG特征选择算法进行商品特征的选取,再采用改进的Pearson相关系数进行相似性计算,获取推荐商品。对于基于特征的算法,采用改进的余弦相似性进行用户相似度的计算,根据相似性用户推荐商品。将推荐商品按照比例结合,最终进行商品的推荐。为了验证该微信小程序的性能,对其进行微信推荐小程序运行测试和商品推荐测试。试验结果表明微信小程序的各移动端均可正常运行,各项功能可进行操作,且向用户推荐的有效信息符合设计要求。

融合协同过滤的神经Bandits推荐算法

针对数据稀疏性和“冷启动”对协同过滤的限制以及现有的协同多臂老虎机算法不适用于非线性奖励函数的问题,提出一种融合协同过滤的神经Ba ndits推荐算法COEENet.首先,采用双神经网络结构学习预期奖励及潜在增益;其次,考虑邻居协同作用;最后,构造决策器进行最终决策.实验结果表明,该方法在累积遗憾上优于4种基线算法,推荐效果较好.

协同过滤下混合大数据无损挖掘算法研究

大数据具有大规模性、多样性以及价值性,由于海量数据间的较高相似度,导致数据挖掘过程易受冗余干扰,出现数据丢失、损坏等问题。为解决上述问题,提出基于协同过滤算法的混合大数据无损挖掘方法。对混合大数据集成预处理,去除冗余,将不同来源的相同数据无损融合。采用协同过滤算法的时间衰减函数,计算挖掘项目间相似性。在混合大数据特征关联度的约束下,实现混合大数据无损挖掘。实验结果表明,所提方法应用下,混合大数据量高达25000MB时,数据挖掘所需时间仅为45ms左右,且挖掘精度高达95%以上,数据挖掘结果与目标具有一致性。

融合动态K近邻Slope_One的协同过滤推荐算法

传统协同过滤推荐算法存在数据稀疏的问题,这会导致算法精确度不足。Slope_One算法简单高效,可以预测用户对某个物品的评分。因此,论文提出融合动态K近邻Slope_One的协同过滤推荐算法,提高推荐算法的精确度。首先利用改进余弦相似度公式计算用户相似度,筛选出K个近邻用户进行平均评分偏差计算,利用Slope_One算法预测相应的用户评分并对评分矩阵进行有效填充,然后在新的评分矩阵上,利用基于物品的协同过滤算法进行推荐。

基于LDA主题模型的协同过滤推荐算法

传统的协同过滤推荐算法直接根据用户对物品的评分进行推荐,忽略了评论文本中隐含的重要信息,当用户对物品的评论较少时,由于数据的稀疏性会造成推荐效果的不准确和单一。本文提出了一种基于LDA主题模型的协同过滤推荐算法LDA-CF(Latent Dirichlet Allocation model-LDA-Collaborative Filtering),在传统的协同过滤算法基础上,通过LDA模型对评论文本中的主题进行分类,从各个主题层面挖掘用户的情感偏好,计算用户之间的相似度,进而向目标用户推荐商品。对京东平台牙膏的评论数据集的实验结果表明,该算法不仅可以缓解由于评分数据较少造成的稀疏性问题,推荐的精确度也有所提高。

改进的k-modes聚类算法在协同过滤就业推荐算法中的应用

为了给高校毕业生提供精准的个性化就业推荐服务,将基于动态权重相互依存距离的改进k-modes聚类算法应用于协同过滤推荐算法中。定义不同样本点属性之间的距离等于属性值内部距离和属性间外部距离的加权和,选择初始簇质心时,动态调整样本点与簇质心的距离以及簇密度的组合权重,动态设置簇密度计算公式的半径,根据样本点的概率值选出初始簇质心;迭代计算和优化得到满足精度的学生簇和职位簇;构建学生-职位矩阵,计算应届生和往届生的相似度、往届生和入职岗位的相似度,选择二者的相似度超过阈值的应届生簇和职位簇组合为匹配对进行匹配,并将匹配信息降序排列形成匹配列表,依据匹配列表进行双向推荐和信息推送,为高校的就业推荐和指导提供信息导向和技术支持。

融合电影流行性与观影时间的协同过滤算法

相似度评估作为协同过滤推荐算法的核心,尽管研究人员对其不断改进,却仍难以在各个维度上充分利用评价数据。针对这一挑战,首先以用户与电影之间的相互影响方式作为切入点,对二者间可能存在的自洽逻辑进行探究,提出了电影流行度计算公式用于对电影进行加权;接着以用户观影时间作为研究对象,探究用户观影喜好的转变与观影时间顺序之间的联系,并结合肯德尔相关系数提出了观影顺序一致性度量公式;最后将以上研究内容与传统相似度算法融合,并基于Netflix Prize数据集与豆瓣电影评价数据集对改进后的相似度算法进行验证。实验结果表明改进后的相似度算法拥有更高的推荐准确度。

一种改进相似度的K均值聚类协同过滤推荐算法

协同过滤算法被越来越多地应用于课程推荐领域,但传统协同过滤算法也存在一定的缺陷,如冷启动问题。针对这一问题,提出一种改进相似度的K均值聚类协同过滤推荐算法,该算法引入学习者标签以改进用户相似度计算,用于缓解新用户冷启动问题;利用K均值算法进行优化,将用户聚类,进而从同一类别中进行推荐,聚类效果更为精确;采用平均绝对偏差(MAE)作为评价指标进行算法效果验证,采用平均召回率(recall)、平均精准率(precision)2个指标进行新用户冷启动缓解效果验证。结果表明,该改进算法能有效缓解新用户冷启动问题,显著提高推荐效率。

基于协同过滤算法的信息技术课程资源推荐系统设计与应用

为解决教学资源利用效率低下问题,提高个性化学习体验,本研究采用协同过滤算法作为核心技术手段,设计基于协同过滤算法资源推荐系统,基于用户历史行为与偏好数据,有效识别与推荐符合个别用户需求的教学资源。研究主要集中在系统总体框架设计、功能模块实现上,并通过对比测试来验证推荐系统功能有效性。结果表明,本推荐系统不仅可提高课程资源匹配度与使用率,还具有较高的稳定性与准确性。研究结果可为信息推荐领域发展提供实际参考。

神经网络推荐系统协同过滤算法研究

针对传统协同过滤算法中的冷启动和推荐准确度问题,提出一种在神经网络的基础上的算法。利用卷积神经网络对用户以前的历史行为和评价项目属性建立卷积神经网络模型,然后,提取用户和其项目属性的特征,通过全连接的方式对评分进行拟合,其次,运用关联和推理思想,利用关联矩阵计算方法,结合用户使用信息的评测和系统内的关联项目进行对接,并自动生成关联矩阵所对应的信息项目集。最后,算出实际用户与其他用户之间的评分信息相似性大小,依据评分的相似性大小。依照最相似邻居的评分信息算出实际用户没有评过的项目预测大小值,接着根据预测值排名在前面项目对用户进行推荐,此推荐算法通过在数据集MovieLens采用对比试验进行验证,得出该研究的算法解决了冷启动问题并同时提高了推荐的准确率。

基于协同过滤算法的校园社团推荐软件的设计与应用

随着社交媒体的兴起与校园社团活动的多元化,校园社团推荐软件的社会需求越来越迫切,故设计一款基于协同过滤算法的校园社团推荐软件,可满足学生参与个性化社团的需求。对协同过滤算法进行详细研究,通过分析用户间的相似度推荐与用户兴趣相似的社团。设计校园社团推荐软件的架构,提出基于协同过滤算法的校园社团推荐算法,通过实验评估验证所提出的推荐系统的有效性与可行性。结果表明,基于协同过滤算法的校园社团推荐软件能够为用户提供准确、个性化的推荐结果,并具有良好的用户体验与用户满意度。

基于改进的ALS协同过滤图书推荐算法研究

为了解决传统协同过滤算法存在着数据稀疏性、准确性以及图书偏好的量化等问题,获得更加理想的图书推荐效果,基于ALS模型的算法原理,使用读者图书借还记录的平均借阅时长生成读者图书偏好矩阵,引入Pearson相似度分析读者图书相似度,改进ALS模型造成的因子信息丢失问题,填充未评分项数据,并设计了算法实现流程,为特定读者推荐其偏好图书,通过实验验证算法的准确性。实验结果表明,改进的ALS算法的RMSE值降低了8.2个百分点,推荐算法的性能及准确度都有所提升。

基于矩阵分解的协同过滤算法研究

针对协同过滤算法中相似度计算方式只考虑单一评分数据从而导致推荐效果不理想、且在数据稀疏条件下推荐结果不全、效率不高等问题,提出一种改进的协同过滤推荐方法,通过矩阵分解,构建用户表征向量来计算用户相似度。首先,构建用户表征矩阵和物品项目表征矩阵。其次,设置损失函数,使用户表征向量与物品表征向量内积拟合评分数据,最后,使用用户表征向量计算的相似度与传统相似度以特定权重相融合。在MovieLens数据集上进行实验,结果表明改进后算法在绝对平均误差MAE上有所提升,在数据稀疏的情况下提高了推荐的准确率。

基于改进协同过滤算法的党史育人精准推荐研究

随着大数据信息技术的发展,数智思政得以受到重视。为了弥补传统的协同过滤算法在处理稀疏数据和冷启动问题上存在的不足,围绕党史育人这一主题,采用一种改进的协同过滤算法,通过数据采集、特征提取、算法演进、模型应用等环节,归纳出党史育人的提升路径,需要加强顶层设计、丰富育人载体、创新教育形式及党管数据等,为提升党史育人工作的质量和效果提供理论和实践支撑。

一种优化的Item-based协同过滤推荐算法

针对传统的Item-based协同过滤推荐算法在推荐系统应用中存在的不足,提出一种优化的Item-based协同过滤推荐算法.从项目相似性计算,项目近邻选取和预测评分计算三个方面对算法进行了优化,使计算结果更具有实际意义和准确性.实验结果表明,提出的算法可解决传统方法中由于数据稀疏所导致的相似性度量不准确的问题,并显著地提高了算法的推荐精度.