检索结果-内蒙古大学图书馆

计算机技术与发展 2024年第5期34卷 170-174页

作者：徐文涛王诚南京邮电大学通信与信息工程学院江苏南京210003

协同过滤算法是推荐系统的一种常见算法,其核心思想是通过历史数据挖掘用户偏好,计算对象相似近邻项进行推荐。但是一般真实数据都存在严重的数据稀疏性问题,用户或者项目之间的共同评分项目过少,使得一些传统相似度算法计算不准确、推... 详细信息

协同过滤算法是推荐系统的一种常见算法,其核心思想是通过历史数据挖掘用户偏好,计算对象相似近邻项进行推荐。但是一般真实数据都存在严重的数据稀疏性问题,用户或者项目之间的共同评分项目过少,使得一些传统相似度算法计算不准确、推荐准确度不高。传统Slope One算法准确度不高,但其实现简单,运行效率高,可以用做稀疏数据预填充,从而改善相似度计算的准确度。因此,结合Slope One算法,该文提出了一种基于降低数据稀疏度的协同过滤算法。首先对用户评分数据进行分层聚类,再使用Weighted Slope One算法对高稀疏度数据集部分空白数据进行预测填充,从而大幅度降低数据稀疏度,提高了皮尔逊相似度计算的准确度,最后再引入对象属性偏好相似度进行融合。通过MovieLens 100 K数据集进行算法验证,从结果中可以清晰地看出其平均绝对误差(Mean Absolute Error,MAE)有所降低,证明该算法能在一定程度上提升推荐结果的准确度。

关键词：协同过滤数据稀疏度加权Slope One 皮尔逊相似度对象属性

来源：评论

学校读者我要写书评

暂无评论

基于K近邻算法的网络敏感信息过滤方法

引用

电子设计工程 2023年第6期31卷 105-108,113页

作者：成彦衡黄宇连云港市第四人民医院江苏连云港222000 成都理工大学工程技术学院四川成都614000

面对当前方法受到数据稀疏性影响,导致敏感信息过滤效果差的问题,提出了基于K近邻算法的网络敏感信息过滤方法。以K近邻算法中用到的评分实际数据稀疏度为评判依据,对网络敏感信息进行分类,避免了过滤过程受数据稀疏性的影响。构造敏感... 详细信息

面对当前方法受到数据稀疏性影响,导致敏感信息过滤效果差的问题,提出了基于K近邻算法的网络敏感信息过滤方法。以K近邻算法中用到的评分实际数据稀疏度为评判依据,对网络敏感信息进行分类,避免了过滤过程受数据稀疏性的影响。构造敏感信息决策树,在树节点上添加敏感关键词,利用K近邻分类算法计算特征值方差矩阵的权重和累积权重。将计算结果添加到反敏感信息库中,引入时间和主题相关度变量参数计算相似度,通过查找网络上的敏感素材,筛选符合条件的敏感信息。由实验结果可知,该方法平均绝对误差和标准化平均绝对误差与其他方法相比数值最小,分别为0.19和0.20,说明其网络敏感信息过滤效果较好。

关键词： K近邻算法网络敏感信息过滤数据稀疏度相似度

来源：评论

学校读者我要写书评

暂无评论

融合人格特质的个性化社区推荐方法研究

融合人格特质的个性化社区推荐方法研究

引用

作者：刘云丽对外经济贸易大学

学位级别：硕士

社交网站在经济社会中日益重要，正逐步改变着人们的生活形态。在社交网站中，用户积极创建和加入社区，在不同的兴趣群体中分享自己的想法、经历等。随着社交网站在线用户的增多，社区数量急剧增加，用户很难找到符合自己兴趣和偏好的... 详细信息

社交网站在经济社会中日益重要，正逐步改变着人们的生活形态。在社交网站中，用户积极创建和加入社区，在不同的兴趣群体中分享自己的想法、经历等。随着社交网站在线用户的增多，社区数量急剧增加，用户很难找到符合自己兴趣和偏好的社区。因此，如何快速有效地为用户推荐其感兴趣的社区成为当下研究的热点问题。\n 前人对于推荐系统、个性化推荐方法、用户人格特质信息、个性化社区推荐有较多的研究，但很少有人利用用户人格特质信息针对个人推荐感兴趣的社区。因此，本研究将用户人格特质信息融入基本矩阵分解模型中，改进得到三种不同的推荐模型，分别为正则化矩阵分解模型(MF_R)、因子化矩阵分解模型(MF_F)、正则化-因子化矩阵分解模型(MF_RF)，进而探究融入用户人格特质信息的推荐模型对推荐质量的影响，并探究不同数据稀疏度的数据集对于推荐质量提高程度的影响。\n 本研究使用来自网站myPersonality和***的真实数据集进行算法评估，实验结果证明，通过正则化方式、因子化方式和正则化-因子化结合的方式可以将用户人格特质信息融入基本矩阵分解模型，且改进得到的三个模型都能提高推荐质量。其中，模型MF_RF相对于模型MF的推荐质量最优。同时，针对不同数据稀疏度的数据集进行对比实验，发现改进得到的三个模型可以更好的解决数据稀疏度更小的问题。

关键词：社交网站个性化社区推荐人格特质矩阵分解模型数据稀疏度

来源：评论

学校读者我要写书评

暂无评论

改进的分布式协同过滤推荐算法研究

改进的分布式协同过滤推荐算法研究

引用

作者：吴博文长沙理工大学

学位级别：硕士

目前互联网已经完全融入到了人们的日常生活中,在人们丰富多样的网络活动中,势必产生大量的数据,于是就出现了信息过载的问题。推荐系统在这种情况下应运而生,运用一系列有效的规则和算法,智能地为用户产生个性化推荐。协同过滤作为推... 详细信息

目前互联网已经完全融入到了人们的日常生活中,在人们丰富多样的网络活动中,势必产生大量的数据,于是就出现了信息过载的问题。推荐系统在这种情况下应运而生,运用一系列有效的规则和算法,智能地为用户产生个性化推荐。协同过滤作为推荐系统中应用最成功和最广泛的算法之一,得到广泛研究。然而因为资源和用户的数据级不断扩大和严重的数据稀疏性等的影响,传统协同过滤推荐算法在大数据集下面临推荐准确度低、计算复杂度高、可扩展性差等问题。为了更好地解决制约推荐系统发展的各种存在的问题,本文以这些问题的解决作为研究重点,主要的工作如下:1.在基于用户的协同过滤的基础研究上,提出一种改进Minhash的分布式推荐算法。Minhash算法具有高效和可并行性计算的优点,本文在该算法基础上,考虑用户评分差异性并融合用户的兴趣评分偏好信息,提出来一种改进的多维Minhash算法来度量用户间的相似度。2.因为数据稀疏性问题的影响,项目之间非常小的共同用户评分数据而无法得到准确的项目间相似度。针对这个问题,本文通过构建项目共现矩阵和预先设定的阈值来发现那些无法根据传统相似度方法准确计算相似关系的项目对,并借鉴社交网络中的关系传递的思想,提出了另一种新颖有效的方法来代替传统相似度方法来提高项目相似度计算的质量。3.将两种改进的协同过滤算法运行在MapReduce框架上,在提高算法准确性的同时,提高了算法的可扩展性,缓解了推荐算法因数据量大和计算复杂度高所导致的性能瓶颈。本文提出的两种算法相比传统基于单机的协同过滤推荐算法,在准确性和可扩展性两方面都能达到一个更好的平衡。

关键词：协同过滤 Minhash 数据稀疏度共现矩阵关系传递分布式计算

来源：评论

学校读者我要写书评

暂无评论

基于Hadoop的推荐系统研究与应用

基于Hadoop的推荐系统研究与应用

引用

作者：杨庄湖北工业大学

学位级别：硕士

目前互联网信息已经深入到人们的生活中，人们对于信息的获取也主要来自于网络。近年来，随着信息时代的来临，每天都有大量的信息产生，于是就产生了信息过载问题。如今用户对个性化信息的需求越来越高，如何从这些大量信息中找出符合... 详细信息

目前互联网信息已经深入到人们的生活中，人们对于信息的获取也主要来自于网络。近年来，随着信息时代的来临，每天都有大量的信息产生，于是就产生了信息过载问题。如今用户对个性化信息的需求越来越高，如何从这些大量信息中找出符合自己需求的信息是急待解决的问题，为此学者们进行了许多相关的研究，其中有效的技术方案就是推荐系统。作为解决信息过滤问题主要的工具，推荐系统根据用户在日常行为中表现出来的对某些信息的兴趣程度作为推荐的依据，为用户推荐各种信息。在此过程中过滤一些不匹配用户需求的信息，以此达到信息提供者与用户之间需求的双赢目的。推荐系统与搜索引擎不同，不需要用户提出自己的需求关键字在互联网资源上进行查找，而是直接给用户推荐相关信息。目前影响推荐技术发展的关键因素在于现有资源的数量级不断扩大，数据稀疏性等问题。为了更好的解决推荐系统发展中存在的这些问题，提高协同过滤算法的准确性，本文以解决这些问题为目标，对以下三个方面进行了讨论与研究： ①重点研究了协同过滤算法在推荐系统中的应用，提出了数据稀疏度导致的协同过滤推荐准确度不高问题，提出了混合推荐算法的概念。 ②本文思考利用云计算平台来解决传统协同过滤算法在实施过程中遇到的可扩展性及实时性问题，采用Apache的开源项目Hadoop作为算法的开发平台。在充分查阅相关文献了解Hadoop的技术之后，本文重点分析了制约Hadoop性能的关键问题，提出了相应的改进方案SHadoop，提高了Hadoop在大规模数据上的处理能力，充分体现了云计算与推荐系统结合的优势。 ③本文完成了一个电影推荐系统的原型，并提出改进的推荐系统的评价指标，对常用的协同过滤算法与本文提出的混合推荐算法进行对比实验。本文通过对以上研究内容进行详细讨论，并结合具体实验进行验证。本文中的实验分为两组，第一组实验结果表明在数据集MovieLens以及改进的评价标准下混合推荐算法能有效的提高协同推荐算法的准确度。第二组是SHadoop与传统Hadoop在海量数据集下的作业情况对比实验，结果表明SHadoop相比传统Hadoop而言，提高了大规模数据处理的能力，可扩展性良好。在云计算平台上实现推荐系统，为推荐系统以后的研究工作指明了新的研究方向。

关键词： Hadoop 协同过滤混合推荐数据稀疏度

来源：评论

学校读者我要写书评

暂无评论

基于大项集组的互联网用户兴趣建模

引用

统计与决策 2010年第15期26卷 49-52页

作者：廖开际叶东海席运江华南理工大学工商管理学院广州510640

为解决互联网用户兴趣模型在实际应用中存在的数据稀疏度和用户多兴趣问题,文章提出了基于大项集组的用户兴趣建模方法,将项目和用户评价之间的映射关系转化为项目属性和用户评价之间的映射关系来解决稀疏度问题,并采用高阶大项集组来... 详细信息

为解决互联网用户兴趣模型在实际应用中存在的数据稀疏度和用户多兴趣问题,文章提出了基于大项集组的用户兴趣建模方法,将项目和用户评价之间的映射关系转化为项目属性和用户评价之间的映射关系来解决稀疏度问题,并采用高阶大项集组来描述用户的多兴趣问题。最后通过网络爬虫在豆瓣网上采集用户对电影的评分数据对建模方法进行了初步实验验证。结果显示,这种基于项目属性大项集组的用户兴趣推荐方法,和现有的推荐方法相比,能够有效地降低目标用户和推荐知识之间的差异度。

关键词：用户兴趣大项集组数据稀疏度相似度

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：