引入用户情感偏好矩阵的ItemCF算法研究

传统基于物品的协同过滤算法(ItemCF)利用物品间的相似性为用户提供个性化推荐,然而该方法仅考虑了评分数据,而未关注用户情感偏好。基于从评论中的emoji表情提炼出的用户情感偏好,提出一种引入用户情感编号矩阵的ItemCF算法。该方法利用物品共现矩阵与用户情感偏好矩阵计算物品相似度,进而进行个性化推荐。根据某在线互联网教育实证数据集的实验结果表明,该方法相比于传统基于物品的协同过滤算法,在准确率和召回率上都有所提升,在Top1-5推荐均值上分别提高了0.02和0.03。

基于ItemCF算法的个性化菜谱软件设计与实现

本文基于协同过滤算法设计并实现了个性化菜谱软件。协同过滤算法可以个性化为用户从眼花缭乱的菜式中找到自身感兴趣、适合的菜式,使用户体验更佳。本菜谱软件基于JAVA语言,SSM框架,ORACLE数据库技术开发Android客户端和WEB后台,实现了登录注册、发布菜谱或美食、收藏菜谱或美食、评论菜谱或美食、搜索菜谱或美食、个性化推荐菜谱或美食等功能。

支撑教学资源的推荐算法原型系统设计

计算机的普及和网络的发展改变了现有的教学模式,教育资源的数字化、网络化成为了一个必然趋势。在这个"信息过载"的时代,推荐机制根据用户特征兴趣解决所需信息和搜索之间的矛盾。然而传统推荐算法计算效率低下,存在可扩展性低、算法运用场景不明确等问题。Hadoop利用分布式的环境,将计算任务通过资源调度分配到集群环境中,多台机器并行运算,减少了计算时间。所以本文在推荐算法理论和实现机制的基础上阐述了基于项目的 Item CF的实现方法和实现过程,有效增加推荐算法的实用性,为个性化推荐和教学资源的管理提供了便利。

基于协同过滤的新闻推荐算法研究

协同过滤算法分为ItemCF算法和UserCF算法,分别侧重物品和用户,常用于新闻推荐。文章介绍了这两个基础算法及实现的步骤,并列出了这两个算法的优缺点。通过新闻数据集20Newsgroups比较了ItemCF算法和UserCF算法在准确率、召回率、覆盖率及流行度这四个评价指标的值,ItemCF算法都低于UserCF算法。

基于协同过滤算法的中医智能问诊系统研究

目的研究中医智能问诊系统,实现快速获取关键症状并完成辨证,为中医问诊智能化、客观化提供了一种新的思路和方法。方法采用基于物品的协同过滤推荐算法(Item-Based Collaborative Filtering,ItemCF)和遗传算法构建症状获取模块以获取患者的症状,利用随机森林算法构建分类器并基于获取到的症状完成中医辨证。结果该系统实现了高效地获取患者症状并完成中医辨证。在13次提问次数下,便能获得辨证所需的核心症状,实现证候分类器90%以上的辨证效果。结论该问诊系统能够较好地解决中医问诊中"问什么、怎么问"的两个核心问题,相比依据问诊量表获取症状,极大地简化了问诊中关键症状获取的过程,并能够在证候分类中保持较好的分类效果,在问诊客观化研究上具有一定的实用价值。

基于经食管超声心动图记录和基于项目协同过滤的混合推荐方法

为提升经食管超声心动图(TEE)超声记录的临床应用价值,提高医师的工作效率,提出基于TEE超声记录和基于项目协同过滤(Item CF)的混合推荐方法,结合TEE超声记录特征和医师用户交互记录实现病例系统的个性化推荐。首先依托TEE病例查询系统平台采集数据并进行预处理,包括TEE记录数据和医师用户记录数据的清洗,标出记录表中可能被作为推荐因素的项目并提取特征。然后针对不同医师查询习惯,分析医师-TEE记录交互数据,运用基于内容和Item CF的混合推荐,训练模型,同时根据医师反馈信息和TEE记录数据集的变化,动态更新推荐结果。经实验测试,形成了较稳定的推荐模型,并且在相似记录数目为50、推荐记录数目为10的情况下,推荐精度较高。

基于LSTM的水利信息分发实时推荐算法

随着水利信息化建设的逐步深入,水情信息的实时推荐需求越来越强烈。水利数据具有很强的时效性,要求推荐系统能够提供实时推荐服务。基于用户的协同过滤算法和基于信息的协同过滤算法(Item-based Collaborative Filtering,ItemCF)是推荐领域常用的2种算法,但两者在本质上都属于离线算法,不能满足水情信息分发实时性要求。提出了一种基于长短期记忆神经网络(Long-Short-Term Memory,LSTM)的水情信息分发实时推荐算法并对其优化。实验结果表明:基于LSTM的实时推荐算法在推荐时延方面最优,而优化的结合二分类模型和ItemCF推荐结果的实时推荐算法在推荐准确率方面最优,设计实现优化的基于LSTM的实时推荐算法综合效果较好,在保证水情信息推荐准确性的同时保证了推荐实时性。

一种基于协同过滤推荐的大学生学业预警系统

针对当前大学生学业预警大都仅仅是基于学分成绩而存在片面性且不太准确的问题,本文通过将学生和课程分别类比为“用户”与“商品”,采用基于Item的协同过滤(Item-based collaborativefiltering,ItemCF)推荐技术实现向学生“推荐”最有可能挂科的课程,协助完成大学生的学业预警。该基于ItemCF的学业预警算法在Spark上实现,相比于FP-growth,基于协同过滤推荐等方法的大学生学业预警系统可以获得50.74%的召回率、25.25%的精确度、33.72的F1-Messure和85.19%的覆盖率。