检索结果-内蒙古大学图书馆

电脑知识与技术 2025年第2期21卷 57-59页

作者：周旭东扬州大学信息工程学院江苏扬州225127

通过网络购物已成为一种生活习惯。为使消费者随时随地选购农产品,同时能够方便快捷地在海量的农产品信息中确定感兴趣的商品,文章运用协同过滤推荐算法,使用Java编程语言和SQL数据库,开发了具有推荐功能的农产品电商平台。针对消费者... 详细信息

通过网络购物已成为一种生活习惯。为使消费者随时随地选购农产品,同时能够方便快捷地在海量的农产品信息中确定感兴趣的商品,文章运用协同过滤推荐算法,使用Java编程语言和SQL数据库,开发了具有推荐功能的农产品电商平台。针对消费者的喜好,平台可以个性化地向其推荐农产品,从而有效提高购物效率。

关键词：协同过滤推荐算法农产品电商平台消费者

来源：评论

学校读者我要写书评

暂无评论

协同过滤推荐算法综述

引用

小型微型计算机系统 2009年第7期30卷 1282-1288页

作者：马宏伟张光卫李鹏山东建筑大学计算机科学与技术学院山东济南250101 北京航空航天大学软件开发环境国家重点实验室北京100083 哈尔滨工业大学深圳研究生院信息安全中心广东深圳518055

推荐系统是电子商务系统最重要的技术之一,协同过滤推荐是目前应用最广泛和最成功的推荐系统.介绍协同过滤推荐算法的基本思想和最新研究进展,分析目前出现的代表性算法.总结协同过滤推荐算法中的关键问题和相关解决方案,比如相似性比较... 详细信息

推荐系统是电子商务系统最重要的技术之一,协同过滤推荐是目前应用最广泛和最成功的推荐系统.介绍协同过滤推荐算法的基本思想和最新研究进展,分析目前出现的代表性算法.总结协同过滤推荐算法中的关键问题和相关解决方案,比如相似性比较,数据稀疏性问题,推荐的实时性,推荐策略,评估方法等,同时也对比分析各种方法的优缺点.最后介绍协同过滤推荐算法需要进一步解决的问题和可能的发展方向.

关键词：推荐系统协同过滤推荐算法稀疏性扩展性

来源：评论

学校读者我要写书评

暂无评论

协同过滤推荐算法研究

协同过滤推荐算法研究

引用

作者：李巧雨汕头大学

学位级别：硕士

随着Web2.0时代的到来,人们渐渐从信息接收者转变为信息创造者,信息分享也变得更加容易,人们在享受着互联网带来的便利的同时,也逐渐被信息过载问题所困扰。面对浩瀚的、令人眼花缭乱的信息,人们很难快速有效的找到自己的需求,甚至出现... 详细信息

随着Web2.0时代的到来,人们渐渐从信息接收者转变为信息创造者,信息分享也变得更加容易,人们在享受着互联网带来的便利的同时,也逐渐被信息过载问题所困扰。面对浩瀚的、令人眼花缭乱的信息,人们很难快速有效的找到自己的需求,甚至出现信息迷航问题。因此,推荐系统应运而生,用来满足人们个性化的需求。它首先收集用户行为信息,分析用户偏好,向用户提供推荐。在推荐系统技术中,协同过滤技术由于其简单有效的特点,被广泛的使用,并取得了较好的效果。但随着推荐系统规模的不断增长,协同过滤技术也面临着一系列的挑战,尤其是数据稀疏性问题和可扩展性问题。论文主要围绕这两个挑战展开研究。\n 1.针对数据稀疏性问题,提出了基于混合相似度的用户协同过滤算法HSUCF。在计算相似度时考虑共同评分项目数目所占的权重,并给出了该权重因子的定义,实现了对相似度计算的修正,实验结果表明本文提出的HSUCF算法能够提高推荐精确度。\n 2.针对可扩展性问题,提出了优化的基于用户聚类的协同过滤算法OUKCF。在协同过滤中加入用户聚类可以减少目标用户近邻搜索空间,而且聚类可以离线计算,提高了算法效率,能够满足推荐系统实时性要求。但传统的基于用户聚类的协同过滤算法对推荐精度改进不明显,甚至会有所降低。本文在进行用户聚类计算时,引用前面提到的混合相似度,实验结果表明,本文提出的OUKCF算法也能够提高推荐精确度。

关键词：协同过滤推荐算法权重因子混合相似度数据稀疏性可扩展性

来源：评论

学校读者我要写书评

暂无评论

协同过滤推荐算法稀疏性与可扩展性问题研究

协同过滤推荐算法稀疏性与可扩展性问题研究

引用

作者：李小浩重庆大学

学位级别：硕士

随着社会从IT时代迈向DT时代,人们每天面对的信息呈爆炸般增长,信息过载已经成为困扰行业发展的一大阻碍。特别是在电子商务领域,面对琳琅满目的商品,用户却不得不花费更多的时间来寻找自己中意的商品。推荐系统的发展有效弥补了这种缺... 详细信息

随着社会从IT时代迈向DT时代,人们每天面对的信息呈爆炸般增长,信息过载已经成为困扰行业发展的一大阻碍。特别是在电子商务领域,面对琳琅满目的商品,用户却不得不花费更多的时间来寻找自己中意的商品。推荐系统的发展有效弥补了这种缺陷,其中协同过滤推荐算法的研究更是取得了巨大成功。但是随着商品越来越多,用户-项目评分矩阵越变越稀疏,传统的协同过滤推荐算法推荐精度受到比较大的影响。另外,受单机性能的制约,面对海量数据传统协同过滤推荐算法的计算效率以及可扩展性也面临着严峻挑战。本文详细研究了协同过滤推荐算法的数据稀疏性问题以及随着数据量增长可扩展性较差的问题,并针对这两个问题从改进相似度计算方法改善数据稀疏性和采用分布式编程算法提高算法可扩展性两个角度改善推荐质量。第一,用户评价数过少导致用户-项目评分矩阵极度稀疏,降低了协同过滤推荐算法的推荐精度。本章从项目的评分向量整体分布情况出发,提出了辅助因子相似度的概念,并将辅助因子相似度与基于项目的传统的相似度方法进行融合,提出了融合辅助因子的协同过滤推荐算法。在项目共同评分数据很少的情况下,改善了推荐精度不足的问题。实验证明,本章算法可以有效的缓解数据稀疏性,提高推荐精度。第二,针对传统单机的协同过滤推荐算法随着数据集增长可扩展性较差的问题,本章实现了基于Hadoop分布式平台的协同过滤推荐算法。计算用户偏好向量和共现矩阵的乘积来得到推荐向量,通过动态增添集群节点改善算法的可扩展性。计算矩阵乘时放弃传统的矩阵乘法,采用一种改进的矩阵乘法部分点积法,减少了用户偏好向量稀疏性带来的大量无效计算,提高了计算效率。最后,实验证明,本算法有效的提高了计算效率,随着数据集增大可扩展性良好。

关键词：协同过滤推荐算法稀疏性可扩展性分布式 Hadoop

来源：评论

学校读者我要写书评

暂无评论

协同过滤推荐算法的个性化研究与改进

协同过滤推荐算法的个性化研究与改进

引用

作者：何婧南京农业大学

学位级别：硕士

个性化推荐不需要用户主动提供信息,而是通过挖掘用户的历史行为,获取用户的兴趣爱好、习惯、个性等信息,进一步分析判断用户的需求,以个性化的形式主动地向用户推荐符合其个人特性和兴趣偏好的信息。其中协同过滤推荐算法以其没有限定... 详细信息

个性化推荐不需要用户主动提供信息,而是通过挖掘用户的历史行为,获取用户的兴趣爱好、习惯、个性等信息,进一步分析判断用户的需求,以个性化的形式主动地向用户推荐符合其个人特性和兴趣偏好的信息。其中协同过滤推荐算法以其没有限定推荐对象类型、无需用户反馈信息等优势脱颖而出,但在基于用户的协同过滤推荐算法中现有的用户间相似度计算方法存在没有考虑用户间差异以及他们自身兴趣信息等问题。而使用单一的基于用户推荐或基于项目推荐对用户和项目之间的潜在关联考虑不够,也会造成推荐算法的个性化效果不佳。本文将上述两个问题作为研究重点,主要的研究工作如下:(1)针对传统基于用户的协同过滤推荐算法中,相似度计算方法对用户自身兴趣考虑不足,从而影响推荐算法结果个性化的缺陷,本文提出了基于用户的UICF算法,通过引入用户兴趣权重衡量用户间相似度,进一步提高推荐结果的精确度和个性化,并使用倒查表进行数据清理。(2)针对仅使用基于用户或基于项目的推荐算法不能有效综合利用用户和项目的关联信息而导致推荐效果的问题,本文采用了混合这两种算法的方式;由于常用的一般系数和平均系数不能很好地结合用户和项目信息,在融合算法时采用了线性系数的方式,保障混合算法的推荐性能。(3)在融合算法时,若采用传统基于用户或基于项目的推荐算法,推荐效果仍然不如人意。本文提出了 ITCF算法,在融合算法时采用双权重因子:在基于用户推荐算法中采用本文提出的UICF算法;在项目相似度计算中引入项目时间权重,以解决时间因素对项目时效性和用户兴趣迁移造成的影响。新算法不仅可以从海量信息中准确把握用户兴趣,在用户或项目某一方面信息较少的情况下也能保证推荐效果。最后在MovieLens数据集中进行实验,通过与传统基于用户的协同过滤推荐算法以及现有文献中算法做对比,验证了 UICF算法的有效性;通过与传统的基于用户的协同过滤推荐算法以及使用均值系数混合算法做对比,证明了 ITCF算法的有效性。

关键词：协同过滤推荐算法个性化用户兴趣项目时间相似度

来源：评论

学校读者我要写书评

暂无评论

协同过滤推荐算法的若干问题研究

协同过滤推荐算法的若干问题研究

引用

作者：徐翔中国科学技术大学

学位级别：硕士

推荐系统通过预测用户对项目的喜好程度来为用户进行信息过滤，应用知识发现技术来生成个性化推荐。协同过滤是一种常用的减少信息过载的技术，已经成为了个性化推荐系统的一种主要工具，被广泛应用于电子商务网站的推荐系统。但随着系... 详细信息

推荐系统通过预测用户对项目的喜好程度来为用户进行信息过滤，应用知识发现技术来生成个性化推荐。协同过滤是一种常用的减少信息过载的技术，已经成为了个性化推荐系统的一种主要工具，被广泛应用于电子商务网站的推荐系统。但随着系统结构、内容的复杂度和用户人数的不断增加，协同过滤技术的一些缺点逐渐暴露出来，主要有精确性、数据稀疏性、冷启动、可扩展性和安全性问题。\n 协同过滤算法主要分为基于内存的协同过滤和基于模型的协同过滤两类，这两类算法的典型代表分别为最近邻协同过滤算法和基于奇异值分解的算法，前者因其简单适用而被广泛应用于电子商务推荐系统，却通常因数据的极度稀疏性和相似度度量方法的弊端导致算法的精度下降。后者则通过矩阵奇异值分解的降维技术一定程度解决了数据稀疏性问题，然而目前国内对该算法的安全性研究较少。本文将分别以上述两种算法为载体，研究算法的数据稀疏性问题和安全性问题。\n 为解决协同过滤算法中数据稀疏性问题和传统相似度度量方法的弊端，本文研究了最近邻协同过滤算法在不同的稀疏性问题解决方案下各相似度方法的优化对算法性能的影响。通过实验对现有的各种常用相似度进行了基于用户评分项目并集和基于相关加权因子的优化，分别确定了基于稀疏评分矩阵、缺省评分矩阵和奇异值分解(SVD)预测评分矩阵的最近邻算法中的最优相似度方法，有效地提高了各情况下算法的推荐精度。\n 为解决协同过滤推荐系统遭受的欺诈攻击带来的安全性问题，本文研究了典型的基于奇异值分解的协同过滤算法的抵御攻击的能力，通过设计不同规模和攻击意图的攻击测试，以平均绝对偏差、平均预测偏移及平均命中率偏差这三种评估参数分析了不同填充规模和攻击规模的攻击用户概貌对攻击效果的影响，同时研究了不同攻击类型的攻击效果差异。

关键词：电子商务推荐系统协同过滤推荐算法

来源：评论

学校读者我要写书评

暂无评论

协同过滤推荐算法的研究与应用

协同过滤推荐算法的研究与应用

引用

作者：杨安驹扬州大学

学位级别：硕士

21世纪是互联网的时代，网络已经成为了人们最主要的信息来源之一。但是随着信息技术和互联网的发展，人们逐渐从信息匮乏的时代走入了信息过载的时代。这时推荐系统应运而生，得到了蓬勃发展，推荐算法作为其核心得到了国内外学者的广... 详细信息

21世纪是互联网的时代，网络已经成为了人们最主要的信息来源之一。但是随着信息技术和互联网的发展，人们逐渐从信息匮乏的时代走入了信息过载的时代。这时推荐系统应运而生，得到了蓬勃发展，推荐算法作为其核心得到了国内外学者的广泛研究。　　协同过滤推荐算法作为在实际推荐系统中应用最成功的推荐算法之一，拥有(1)推荐结果的个性化程度较高(2)能够帮用户发现潜在的感兴趣项目(3)能够过滤内容信息比较抽象复杂的信息等优点。但是作为一种单一模式的静态算法，协同过滤推荐算法不可避免的存在一些功能上的缺陷。尽管经过大量国内外学者的研究已经取得了很多成果，但是仍然存在一些难以克服的问题，包括数据扩展性问题、数据稀疏问题、冷启动问题等。　　因此，诸如混合推荐算法、多种推荐模式并行计算等技术，成为推荐算法领域的热门研究方向。这些推荐技术根据不同应用环境的特殊要求，选取相对应的推荐算法以利用不同算法的优势，发挥出1加1大于2的推荐效果。　　本文围绕传统的协同过滤推荐算法这一课题展开研究，主要侧重于解决传统算法中的数据扩展问题，数据稀疏问题以进一步提高推荐结果的准确度。针对这两类问题，论文给出了将动态学习模型与协同过滤模型相混合的改进算法。　　论文主要工作:　　1、针对传统的基于项目的协同过滤推荐算法中数据稀疏问题和推荐准确度较低问题，提出了将隐马尔科夫模型与传统的基于项目的协同过滤推荐算法相融合的“基于隐马尔科夫模型的融合推荐算法”。该算法通过隐马尔科夫模型，对系统中所有用户的评分行为，与目标用户的历史评分行为进行统筹分析，找到一批用户下一时刻概率最高的评分对象，并将这些评分对象发生概率，与传统的项目相似度计算方法相加权得到新的相似度，最终产生推荐结果。　　2、针对传统LFM模型预测结果准确度还不够高，以及模型容易受时间效应影响性能不够稳定等问题，对传统的LFM模型进行了改进，提出了一种新的TBLFMCF推荐模型，考虑邻域的影响，通过加入用户与物品的偏置项，同时加入显性和隐性反馈数据以及相关的时间信息参数对预测结果进行修正，使得模型的精确度提升，并缓解了时间效应对模型性能的影响。通过在豆瓣读书数据集上的测试验证了算法的可行性。

关键词：推荐系统协同过滤推荐算法数据稀疏隐马尔科夫模型

来源：评论

学校读者我要写书评

暂无评论

协同过滤推荐算法的改进研究

协同过滤推荐算法的改进研究

引用

作者：王雪辽宁科技大学

学位级别：硕士

随着互联网的普及和信息技术的飞速发展,互联网中用户的数量和信息量也急剧增长,人们想要从海量的信息中快速地获取自己感兴趣的信息已经变得越来越困难。如社交媒体、电子商务等以用户为中心的网站,信息量越来越庞大,产生了海量的与用... 详细信息

随着互联网的普及和信息技术的飞速发展,互联网中用户的数量和信息量也急剧增长,人们想要从海量的信息中快速地获取自己感兴趣的信息已经变得越来越困难。如社交媒体、电子商务等以用户为中心的网站,信息量越来越庞大,产生了海量的与用户兴趣相关的数据,然而用户所关注的只是其中很少的一部分信息。个性化推荐技术强调从用户兴趣出发,针对不同的用户提供特定的个性化推荐服务。个性化推荐技术并不需要用户提供明确的需求,而是从用户的历史行为和数据出发,以此为依据,通过建立相关的模型挖掘出用户的兴趣和需求,从而从海量的信息中为用户筛选出其感兴趣的信息。因此,个性化推荐技术在用户需求不明确时,显得尤为重要。目前为止,许多推荐算法已经被提出,但是协同过滤推荐算法是这些推荐算法中应用最广泛且最为成功的算法之一。然而,虽然协同过滤推荐算法已经被成功地应用到许多推荐系统中,但是随着系统规模的不断扩大,系统中用户的数量和项目的数量不断增加,协同过滤推荐算法却面临着数据稀疏性问题、冷启动问题和可扩展性问题等多方面的严峻挑战。针对协同过滤推荐算法存在的这些问题,本文提出了一种组合协同过滤推荐算法。论文首先阐述了协同过滤推荐算法的基本思想,并阐述了算法中存在的问题。然后针对协同过滤推荐算法中存在的问题分别提出了基于奇异值分解和层次聚类的改进算法和改进的Slope One协同过滤推荐算法,以此来展开对协同过滤推荐算法的研究。为了验证改进算法的有效性,将两种改进算法分别在MovieLens数据集上进行对比实验。实验结果表明,这两种改进算法的推荐质量优于传统的协同过滤推荐算法。本文在最后提出将这两种改进算法相结合的组合协同过滤推荐算法。同样在MovieLens数据集上进行实验,实验结果验证了组合协同过滤推荐算法的有效性。

关键词：协同过滤推荐算法奇异值分解层次聚类 Slope One

来源：评论

学校读者我要写书评

暂无评论

协同过滤推荐算法的研究

协同过滤推荐算法的研究

引用

作者：陈玲中山大学

学位级别：硕士

近年来，电子商务推荐系统在理论和实践中都得到了很大发展。但是随着电子商务系统规模的进一步扩大，电子商务推荐系统也面临一系列挑战。在大型电子商务系统中，用户数目和项数目急剧增加，导致用户评分数据的极端稀疏性，在这种情况... 详细信息

近年来，电子商务推荐系统在理论和实践中都得到了很大发展。但是随着电子商务系统规模的进一步扩大，电子商务推荐系统也面临一系列挑战。在大型电子商务系统中，用户数目和项数目急剧增加，导致用户评分数据的极端稀疏性，在这种情况下传统协同过滤算法均存在各自的不足，导致计算得到的目标用户的最近邻居不准确，推荐系统的推荐质量急剧下降。\n 针对“新项目”问题，本文提出了在传统协同过滤推荐算法基础上加入demographic数据进行综合预测的IDemNN算法。实验结果表明，IDemNN推荐算法可以解决“新项目”问题，且在用户评分数据极端稀疏情况下如果参数选取合适可以在一定范围内解决传统算法信息不足导致的问题，提高推荐系统的推荐精度。此外，本文还针对数据集极端稀疏性问题提出另外一种集成RKNN信息的改进算法IRKNN2，实验结果同样表明，该算法比经典协同过滤推荐算法具有更高的推荐精度，同时比之前提出的IRKNN1推荐算法的推荐精度也有一定程度的提高。

关键词：协同过滤推荐算法 Demographic数据逆K最近邻居电子商务推荐系统 IDemNN算法

来源：评论

学校读者我要写书评

暂无评论

利用云模型改进基于项目的协同过滤推荐算法

引用

图书情报工作 2009年第1期53卷 117-120,26页

作者：张新香刘腾红中南财经政法大学信息学院武汉430074

针对基于项目的协同过滤推荐算法在数据极度稀疏的情况下相似性度量不准、推荐质量低下的不足,借鉴基于云模型中的云相似性度量方法来实现基于知识层面的项目相似性度量,改进传统的基于项目的协同过滤推荐算法,并利用公开的实验数据进... 详细信息

针对基于项目的协同过滤推荐算法在数据极度稀疏的情况下相似性度量不准、推荐质量低下的不足,借鉴基于云模型中的云相似性度量方法来实现基于知识层面的项目相似性度量,改进传统的基于项目的协同过滤推荐算法,并利用公开的实验数据进行验证比较,结果表明,即使在数据极度稀疏的情况下,改进后的算法仍然能取得较好的推荐效果。

关键词：协同过滤推荐算法云模型相似度

来源：评论

学校读者我要写书评

暂无评论

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案：

请选择收藏分类：

通借通还

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：