检索结果-内蒙古大学图书馆

计算机工程与设计 2025年第2期46卷 508-514页

作者：邱宁佳董伟杰长春理工大学计算机科学技术学院吉林长春130022

为解决传统推荐算法对用户与物品的基础属性信息利用不充分,以及使用单一推荐算法导致推荐模型表达能力不足的问题。提出一种融合属性编码与集成学习的混合推荐算法。利用轻量的梯度提升机算法对用户与物品的基本属性信息进行融合编码处... 详细信息

为解决传统推荐算法对用户与物品的基础属性信息利用不充分,以及使用单一推荐算法导致推荐模型表达能力不足的问题。提出一种融合属性编码与集成学习的混合推荐算法。利用轻量的梯度提升机算法对用户与物品的基本属性信息进行融合编码处理,丰富数据特征多样性;将线性算法与非线性算法混合作为基本模型,采用袋装的方式进行集成,提高算法模型推荐效果。实验结果表明,该混合推荐算法在多个评估标准上相比传统算法均有改善和提升。

关键词：混合推荐算法集成学习特征编码特征融合特征剪枝自助采样并行训练

来源：评论

学校读者我要写书评

暂无评论

基于混合推荐算法的多层次计算机应用基础实训课堂个性化教学研究

引用

信息与电脑 2025年第4期37卷 159-163页

作者：张林玲苏州高博职业学院江苏苏州215163

研究介绍了一种创新的多层次计算机应用基础实训课堂模型,其核心是混合推荐算法。该算法通过深入分析学生的行为数据,能为教学资源提供个性化和精准的推荐。该模型结合了基于内容的推荐和协同过滤推荐的优势,有效地应对了学生基础差异... 详细信息

研究介绍了一种创新的多层次计算机应用基础实训课堂模型,其核心是混合推荐算法。该算法通过深入分析学生的行为数据,能为教学资源提供个性化和精准的推荐。该模型结合了基于内容的推荐和协同过滤推荐的优势,有效地应对了学生基础差异大和个性化学习需求的挑战。实证研究结果表明,该模型显著增强了教学效果,满足了多样化的学习需求,并提高了学生的学习效率和主动性。尽管存在数据样本量有限和算法参数优化空间等挑战,但研究为教育个性化教学的探索提供了新的思路,并通过持续优化算法和扩展推荐策略,展望了模型的潜力和应用范围。

关键词：混合推荐算法多层次教学计算机应用基础实训课堂

来源：评论

学校读者我要写书评

暂无评论

一种结合显式特征和隐式特征的开发者混合推荐算法

引用

软件学报 2022年第5期33卷 1635-1651页

作者：于旭何亚东杜军威王昭哲江峰巩敦卫青岛科技大学信息科学技术学院山东青岛266061 中国矿业大学信息与电气工程学院江苏徐州221116

现有开发者推荐算法通过对任务和开发者的显式信息进行挖掘,抽取任务和开发者的显式特征,完成针对任务的开发者推荐.然而,由于显式信息中的描述信息是主观的,往往是不精确的,现有基于显式特征的开发者推荐算法性能不够理想.众包软件开... 详细信息

现有开发者推荐算法通过对任务和开发者的显式信息进行挖掘,抽取任务和开发者的显式特征,完成针对任务的开发者推荐.然而,由于显式信息中的描述信息是主观的,往往是不精确的,现有基于显式特征的开发者推荐算法性能不够理想.众包软件开发平台除包含大量不精确的描述信息外,还包含客观的、较准确的“任务—开发者”成绩信息,可以有效地推断任务和开发者的隐式特征.考虑到隐式特征作为显式特征的补充,将有效缓解描述信息不精确的难题,提出一种结合显式特征和隐式特征的开发者混合推荐算法.首先,利用任务和开发者的平台可见信息充分提取显式特征,提出面向显式特征的因子分解机(FM)推荐模型建模任务、开发者显式特征和相应评分的映射关系.然后,利用“任务—开发者”成绩矩阵提取隐式特征,提出面向隐式特征的矩阵分解(MF)推荐模型.最后,融合面向显式特征的FM推荐模型和面向隐式特征的MF推荐模型,提出多层感知器融合算法.进一步,针对冷启动问题,首先,基于历史数据,构建多层感知器模型建模显式特征到隐式特征的映射关系.然后,针对冷启动任务或冷启动开发者,通过任务或开发者的显式特征求解相应的隐式特征.最后,基于已训练好的多层感知器融合算法预测评分.在Topcoder软件众包平台的仿真实验表明本文算法相对于对比算法在4种不同测试指标上具有明显的优势.

关键词：软件众包开发开发者推荐混合推荐算法冷启动难题多层感知器融合模型因子分解机

来源：评论

学校读者我要写书评

暂无评论

混合推荐算法的研究

混合推荐算法的研究

引用

作者：宋瑞平兰州大学

学位级别：硕士

随着互联网的普及与信息技术的飞速发展,网络已经成为人们日常生活中获取信息的主要途径,为用户提供了越来越多的信息及服务,网络上的信息资源开始呈现爆炸式增长趋势。面对海量的网络资源,用户通常很难快速找到真正有用的信息。在该背... 详细信息

随着互联网的普及与信息技术的飞速发展,网络已经成为人们日常生活中获取信息的主要途径,为用户提供了越来越多的信息及服务,网络上的信息资源开始呈现爆炸式增长趋势。面对海量的网络资源,用户通常很难快速找到真正有用的信息。在该背景下,个性化推荐算法应运而生。个性化推荐算法能够根据用户的个人兴趣偏好有效的调整信息服务的内容。但是,目前的个性化推荐算法发展的还并不成熟完善,现阶段推荐算法还存在推荐精确度低、严重的数据稀疏性、冷启动以及实时性等问题。本文针对推荐精确度问题,重点研究基于用户的协同过滤算法以及基于属性的推荐算法,比较两者之间的优缺点,并将这两种推荐算法结合进行混合推荐。在混合推荐中影响推荐结果的主要步骤包括相似度的计算、最近邻选择方法以及评分预测方法的计算。我们主要针对前两步进行改进,在相似度的计算方面我们在原有相似度方法的基础之上,将其进行改进。在最近邻选择方面,现主要有TOP-N方法和阈值方法,而针对这两种方法已有作者进行了改进,基于这两方面的改进方法,本文提出了混合最近邻选择方法。通过调整最近邻用户／项目的选择,从而提高推荐算法的推荐效果,为用户推荐满意的结果。本文在Movielens数据集以及BookCrossing数据集上验证了改进后的推荐算法的推荐效果,并与原有方法进行比较,实验结果表明这些改进方法有效的提高了推荐算法的推荐精确度。

关键词：个性化推荐算法协同过滤混合推荐算法相似度最近邻选择

来源：评论

学校读者我要写书评

暂无评论

一种改进的混合推荐算法

引用

上海理工大学学报 2015年第4期37卷 327-331页

作者：宋文君郭强刘建国上海理工大学管理学院复杂科学研究中心上海200093

基于用户的近期行为能够更好地反映其潜在的兴趣偏好的思想,提出了一种基于有限时间窗口的改进混合推荐算法.在标准数据集Netflix上的实验结果表明,只采用大约31.11%的用户近期历史记录,所得到的推荐结果准确性可以平均提高4.22%,而推... 详细信息

基于用户的近期行为能够更好地反映其潜在的兴趣偏好的思想,提出了一种基于有限时间窗口的改进混合推荐算法.在标准数据集Netflix上的实验结果表明,只采用大约31.11%的用户近期历史记录,所得到的推荐结果准确性可以平均提高4.22%,而推荐列表多样性可以提高13.74%.另外还发现新提出的算法适用于不同活跃程度的用户,这可以极大地降低大规模数据所引发的计算复杂性问题.

关键词：混合推荐算法时间窗口用户-产品二部分网络

来源：评论

学校读者我要写书评

暂无评论

基于张量分解和深度学习的混合推荐算法

引用

南京大学学报（自然科学版） 2019年第6期55卷 952-959页

作者：张家精夏巽鹏陈金兰倪友聪安徽建筑大学数理学院合肥230601 安徽建筑大学电子与信息学院合肥230601 安徽建筑大学机械与电气工程学院合肥230601 福建师范大学数学与信息学院福州350007

张量分解和深度学习已被应用于推荐系统,并取得了较好的效果.张量分解较好地从用户对推荐对象评分中提取用户、推荐对象以及其他影响因素的隐性的特征,将这些特征进行匹配,给出推荐策略,但这种方法忽略了用户、推荐对象以及其他影响因... 详细信息

张量分解和深度学习已被应用于推荐系统,并取得了较好的效果.张量分解较好地从用户对推荐对象评分中提取用户、推荐对象以及其他影响因素的隐性的特征,将这些特征进行匹配,给出推荐策略,但这种方法忽略了用户、推荐对象以及其他影响因素现有辅助数据信息中的显性特征.深度学习是从辅助信息中提取用户、推荐对象以及其他影响因素的特征,并进行匹配给出推荐策略,却忽略了用户评分数据中用户、推荐对象以及其他影响因素的隐性特征.将张量分解和深度学习两种推荐方法相融合,提出一种基于张量分解和深度学习的混合推荐算法.使用张量分解算法和深度学习分别从三阶用户评分数据和多源异构辅助信息中提取用户特征和推荐对象特征,并将它们匹配得出用户对推荐对象的需求或喜爱的预测评分,再将两种算法的预测评分进行融合给出最终综合评分,从而提高个性化推荐的精准度.对比实验证明混合推荐算法与传统的协同过滤算法相比误差降低了34.0%.

关键词：混合推荐算法张量分解深度学习辅助数据评分数据

来源：评论

学校读者我要写书评

暂无评论

基于符号数据与非负矩阵分解法的混合推荐算法

引用

系统管理学报 2015年第3期24卷 372-378页

作者：郭均鹏王启鹏宁静李嫒嫒天津大学管理与经济学部天津300072

针对现有推荐算法在处理海量数据时效率和精确度低下的问题,提出一种将基于内容的推荐算法与基于项目的协同过滤算法相结合的新的混合推荐算法。首先引入符号数据分析方法,使用模态符号数据对项目建模,同时针对评分矩阵的超高维及稀疏... 详细信息

针对现有推荐算法在处理海量数据时效率和精确度低下的问题,提出一种将基于内容的推荐算法与基于项目的协同过滤算法相结合的新的混合推荐算法。首先引入符号数据分析方法,使用模态符号数据对项目建模,同时针对评分矩阵的超高维及稀疏性问题加入非负矩阵分解算法,对项目的特征矩阵进行有效"平滑",以此为基础计算项目之间的相似性,进而完成混合推荐。基于MOVEILENS数据的实验结果表明,本文提出的混合推荐算法与传统的基于项目的协同过滤算法相比,在相似性计算上具有更高的效率,同时在应对数据稀疏性及新用户问题时,具有更高的推荐精度。

关键词：符号数据混合推荐算法评分相似度非负矩阵分解

来源：评论

学校读者我要写书评

暂无评论

基于高斯模型和概率矩阵分解的混合推荐算法

引用

统计与决策 2018年第3期34卷 84-86页

作者：何慧江西师范大学商学院

文章针对目前推荐算法中的数据稀疏性问题,基于商品类别属性和用户评分矩阵,建立了一种混合推荐算法。首先基于用户的购买行为和商品属性特征,利用高斯模型构建了商品类型偏好模型。然后基于用户的评分矩阵,利用矩阵分解建立用户对未评... 详细信息

文章针对目前推荐算法中的数据稀疏性问题,基于商品类别属性和用户评分矩阵,建立了一种混合推荐算法。首先基于用户的购买行为和商品属性特征,利用高斯模型构建了商品类型偏好模型。然后基于用户的评分矩阵,利用矩阵分解建立用户对未评分商品的偏好预测模型。最后融合用户商品类型偏好和商品偏好,产生推荐结果。实验结果表明,与其他解决数据稀疏性的推荐算法相比,提出的算法不但可以显著的提高推荐精度,且可以有效的减少候选商品数量,提高计算效率。

关键词：电子商务高斯模型概率矩阵分解混合推荐算法

来源：评论

学校读者我要写书评

暂无评论

基于增量学习的混合推荐算法

引用

计算机应用 2010年第5期30卷 1287-1289页

作者：任磊上海师范大学计算机系上海200234 华东师范大学计算机系上海200062

推荐系统是自适应信息系统中的个性化服务模块,可以根据目标用户的信息需求提供个性化的信息服务。针对传统协作过滤算法存在的用户兴趣描述粒度过大问题,以及稀疏评分矩阵造成相似度计算不准确的问题,提出了一种基于增量学习的混合推... 详细信息

推荐系统是自适应信息系统中的个性化服务模块,可以根据目标用户的信息需求提供个性化的信息服务。针对传统协作过滤算法存在的用户兴趣描述粒度过大问题,以及稀疏评分矩阵造成相似度计算不准确的问题,提出了一种基于增量学习的混合推荐算法WHHR,该算法通过Widrow-Hoff增量学习构建基于内容的用户模型,并结合协作过滤推荐机制实现评分预测。实验验证了WHHR算法在收敛速度和推荐准确性方面较类似推荐算法有较大提高。

关键词：混合推荐算法增量学习用户建模基于内容的过滤协作过滤

来源：评论

学校读者我要写书评

暂无评论

基于改进的BiasSVD和聚类用户最近邻的协同过滤混合推荐算法

引用

计算机应用与软件 2021年第5期38卷 288-293页

作者：刘超赵文静贾毓臻蔡冠宇江苏大学电气信息工程学院江苏镇江212013 镇江市丹徒区科学技术局江苏镇江212000

随着现代互联网技术的飞速发展与不断完善,网络信息爆发式积累,信息推荐是缓解信息过载问题的重要手段。传统的协同过滤算法依托于大规模的用户物品空间,当出现新用户或新物品时,系统计算量将会倍增,时效性无法得到保证。为了有效改善... 详细信息

随着现代互联网技术的飞速发展与不断完善,网络信息爆发式积累,信息推荐是缓解信息过载问题的重要手段。传统的协同过滤算法依托于大规模的用户物品空间,当出现新用户或新物品时,系统计算量将会倍增,时效性无法得到保证。为了有效改善用户物品评分矩阵的可扩展性问题,提出一种基于改进的BiasSVD和聚类用户最近邻的协同过滤混合推荐算法。实验结果表明,该算法预测准确度高,并能够缓解矩阵可扩展性问题,从而改善推荐系统的时效性问题。

关键词： BiasSVD 聚类混合推荐算法

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：