改进的协同过滤算法

针对传统的CF(Collaborative Filtering)算法和基于项目评分的CF算法中存在的数据稀疏、扩展性及计算效率低的问题,通过引用评价系数,对其相似性计算和推荐集的选取方法进行了改进,提出了一种改进的基于相关相似性的CF算法,产生更为准确的用户兴趣度预测,从而提高系统推荐的质量与推荐效率.对改进算法进行实验和性能对比与评价的结果表明,改进算法与传统算法相比,能显著提高推荐精度,平均绝对误差(MAE:Mean Absolute Error)为0.53-0.77.     

基于异质网络嵌入的学术论文推荐方法

针对基于异质信息网络推荐中的有效信息提取与利用,提出了一种基于异质网络嵌入的学术论文推荐方法。使用由元路径引导的随机游走策略生成节点序列;对于每个元路径,通过最大化序列中相邻节点的共现概率来学习节点的唯一嵌入表示;设计了不同的融合函数,将节点在多个不同元路径的低维表示融合为异质信息网络的嵌入,并且引入注意力机制应用于推荐系统。该方法解决了大多数基于异质信息网络的推荐方法因依赖于基于路径的相似性而无法完全挖掘用户和项目潜在结构特征的问题,在DBLP数据集中验证了模型的有效性,并在RMSE指标中取得超过传统模型的效果。     

数据挖掘技术在个性化网络教学系统中的研究与实现

基于数据挖掘技术设计并实现了个性化网络教学系统。该系统添加了数据挖掘模块,模块中采用Clope算法对HTML文档进行聚类分析,找出具有相似特性的学生群体,从而帮助教师进行有针对性的教学;同时,采用Apriori算法,根据学生的访问序列,挖掘出频繁项目集和关联规则模式,从而借助于网络向学生提供个性化教学服务。研究表明:使用数据挖掘技术能在一定程度上提高网络教学系统的个性化推荐服务水平。     

基于Web2．0用户个性化推荐系统分析

为实现用户个性化服务,理解用户兴趣爱好．通过建立用户兴趣模型和推荐库．采用用户兴趣行为描述、重排序算法以及用户反馈算法,分析基于Web2．0用户个性化推荐系统．以提高推荐结果的准确性。     

一种基于协同过滤和混合相似性模型的推荐算法

针对推荐系统协同过滤方法中存在的数据稀疏和冷启动等问题,提出一种基于协同过滤和混合相似性模型的推荐算法。该算法首先计算用户在不同项目间的相似性,然后结合项目特性和标签信息权重来描述用户、项目、特性和标签之间的关系;其次,设定用户偏好因子和不对称因子调整不同用户间的评分偏好;最后,结合用户间相似性、项目综合权重,以及评分偏好构建混合相似性模型,并加入用户时间权重信息解决项目冷启动问题。在公开的MovieLens数据集上的实验表明,该算法在各种评估指标上比其他相关方法获得更显著的结果。     

基于深度学习的正则化矩阵分解推荐系统

针对当前推荐算法面临的冷启动、数据稀疏以及推荐准确度低等问题,本文提出一种基于深度学习的正则化矩阵分解推荐系统,该系统利用深度自动编码器对基于矩阵分解的用户和项目潜在特征进行初始化,然后使用Node2vec网络嵌入技术在用户信任网络中捕获用户潜在特征,用于计算用户信任度和预测用户对项目的评分.为了使用户的兴趣与可信用户...     

一种自适应局部和全局融合的协同过滤算法

相似度计算模型是协同过滤技术的核心,相似度模型的好坏直接关系到近邻用户推荐的准确性。通过用户项目评分数据集局部相似性与全局相关性分析,提出相似性度量改进模型,而改进后模型用MovieLens100K数据集实验验证,通过均方根误差、平均绝对误差和召回率三个实验结果分析。该算法可有效地提高推荐预测评分和推荐项目的准确率。     

基于矩阵分解和聚类的协同过滤算法

基于矩阵分解和聚类提出一种协同过滤推荐算法. 先利用交替最小二乘（ALS)算法进行矩阵分解, 再利用改进的k-均值聚类算法弥补单一ALS算法在后期协同过滤阶段产生的大计算量问题, 解决了由于减小原始矩阵高维度、 高稀疏性带来的推荐准确度较低的问题, 极大提高了计算速度和推荐精度. 实验结果表明, 改进算法在推荐准确性上有明显提高.     

粒子群优化深度交叉神经网络推荐算法设计研究

深度交叉网络(DCN)因无法针对不同的数据集准确设置超参数,导致点击率预估模型无法达到最优解。基于此,提出粒子群优化深度交叉神经网络推荐算法(PSO-DCN),该算法通过使用粒子群优化算法的全局搜索特性,对深度交叉神经网络层数及每层神经元个数进行全局搜索,并将其最优值放入DCN模型中运行进行参数优化。在不同的数据集上,进行数次实验对比,实验结果表明PSO-DCN在模型训练速度以及测试集上的表现都较优于当前流行的基于深度学习框架的推荐算法。     

个性化推荐算法研究

随着全球信息总量的爆炸式增长,信息超载问题无法避免且日趋严重化．个性化推荐系统是当前解决信息过载问题的有效技术．该文首先阐述了推荐系统概念定义及其三大组成模块,其次深入分析了个性化推荐算法,详细讨论了当前主流的四大类推荐算法:基于内容的推荐算法、协同过滤推荐算法、基于知识的推荐算法和混合的推荐算法,从多角度对各算法的优缺点进行对比,然后阐述了常用评价方法、评测指标及对测试标准进行分类,并且介绍了常用数据集,最后展望个性化推荐未来研究热点．