融合FP-Growth和RBM的图书推荐算法研究

为了解决传统图书推荐算法推荐准确性不高、效率低下的问题,本文提出了融合关联规则FP-Growth和受限玻尔兹曼机RBM的混合推荐算法用于图书推荐.FP-Growth算法能够处理复杂的非结构化数据,RBM协同过滤算法可以有效解决数据稀疏问题,通过结合两种算法组成混合推荐模型,能够弥补单一算法的不足之处,体现混合推荐模型的优势.实验结果表明,相比FP-Growth和RBM协同过滤算法,本文提出的融合算法将准确率分别提升了15.63%和7.58%,从而能够更加精准地进行图书推荐.

基于特征聚类的文本信息检索算法研究

为了提升文本信息检索的正确率及检索效率,增强读者的阅读体验,研究一种基于特征聚类的文本信息检索算法.首先采用PCA技术对高维文本信息进行降维处理,去除复杂文本信息中的冗余数据.然后采用改进K-Means算法对降维文本信息进行聚类.采用检索准确率及检索时间两种算法评价指标,分别与多种算法进行对比分析.结果显示,检索时间分别降低13.3%和25.7%,检索准确率也得到一定程度的提高.