基于用户和基于项目结合的个性化推荐算法

这篇文章说明了一种新的推荐算法,结合基于用户的协同过滤算法和基于项目的协同过滤算法各自的优点,在新算法中,首先利用基于用户的协同过滤算法确定一定数量的邻居,以保证推荐的个性化,然后在确定的邻居数据集上利用基于项目的算法模型进行推荐。最后将这种新算法和基于项目的协同过滤算法进行比较,实验结果表明这种新算法只用一少部分部分的最相似邻居用户就能得到基于项目算法的推荐质量,而且要比基于项目的推荐更加个性化。     

基于Web日志挖掘的个性化推荐模型的研究

随着电子商务系统内商品种类急剧增加,如何针对用户进行有效的个性化商品推荐成为当前的研究热点。为解决该问题,本文提出了一种基于Web日志挖掘个性化推荐模型,该模型首先利用数据预处理技术对Web日志记录进行有效的清洗和识别,随后基于MapReduce模型实现了协同过滤推荐算法的并行化,从而实现商品的快速个性化推荐。实际应用结果表明该模型提高了个性化推荐结果的准确性,具有一定的应用价值。     

融合多信息的个性化推荐模型

为了解决协同过滤推荐系统的数据稀疏与冷启动问题,通常利用辅助信息来提高推荐系统的整体性能。当前大多数社交媒体网站和电子商务系统都允许用户发表文本评论,以及对项目(如商户、电影、商品等)进行评分。为了更加有效地融合多种数据信息,解决数据稀疏的问题,提高推荐算法的准确性,构建了一个基于用户-项目历史交互数据源融合知识图谱的模型,提出了基于用户-项目历史评论的深度学习算法,将2种算法动态融合,利用随机梯度下降方法进行模型求解,为用户提供更精准的个性化推荐服务。实验结果表明:相比于已有典型推荐算法,所提模型取得更好的推荐效果,并且可以有效地解决数据稀疏带来的推荐准确性降低的问题。     

基于Hadoop平台的大数据人力资源管理高效推荐研究

为了提高Hadoop平台下大数据人力资源管理推荐的高效性和精准性,采用支持向量机来完成岗位匹配。将人员指标要素样本进行稀疏表示,得到人员指标要素稀疏矩阵,经过支持向量机对样本进行二元分类,判断人员对岗位的匹配程度,最后引入随机变换函数,实现Hadoop平台下大数据环境下的动态推荐。经过实验证明:文中算法人员岗位匹配精准度好,且动态推荐效率高且能实现批量推荐。     

基于 EM聚类和用户评分的产品营销与推荐策略研究

网络技术的发展,特别是最近几年来“互联网＋”和大数据的发展,给企业产品营销带来了极大的机遇和挑战。相较于传统的通过简单粗暴的价格战来达到营销目的,一些企业通过对数据的充分利用和挖掘而在商战中获胜。利用数据融合技术从互联网大数据中挖掘用户的行为信息,通过分析消费者的个性化需求,利用 EM聚类算法构建基于模型的协同过滤推荐算法,给消费者推荐可能喜欢的产品,开展个性化主动营销服务;制定相应的个性化产品营销策略,从而提高产品销售的数量及产品推荐的成功率。利用从亚马逊网上书城获取的数据进行实验,验证了综合 EM聚类和用户评分方法具有较好的推荐效果。     

基于Web日志和商品分类的协同过滤推荐系统

传统的协同过滤算法一般以用户对商品的评分作为研究,考虑到显式的评分数据一般很少能够取到,本文从记录用户浏览历史的服务器端日志文件以及客户购买历史数据作为数据源,根据商品分类进行评分矩阵设计,最后由此得到最近邻居从而给予个性化推荐,试验证明推荐效果比较显著。     

基于中心节点重叠社区发现的协同过滤推荐系统

针对传统协同过滤中对整个用户网络进行运算的数据量较大、推荐效率不高的问题,将用户-项目二分网转化为由用户构成的社会网络,基于中心节点重叠社区发现的思想进行加权网社区划分以充分利用网络结构信息。在社区内部采用加权相似度与top-n算法相结合的方法进行项目推荐,并将Movie Lens数据集作为测试数据。通过与传统协同过滤的对比可见,基于中心节点重叠社区发现的top-n算法的个性化推荐方法在保证推荐精度的前提下,使推荐效率得到大幅度提升。     

个性化推荐系统描述文件攻击检测方法

个性化推荐系统能产生针对性的、个性化的信息来满足不同用户需求,但也很容易受到用户描述文件注入恶意攻击,影响正常的推荐结果。针对该问题,分析和研究了描述文件的形式化模型、描述文件的属性及分类方法,应用粗糙集理论,设计了数据预处理离散化、决策表约简和个性化推荐处理相应算法,提出了一种用户描述文件分类学习和攻击检测的方法;为降低攻击对推荐结果的影响,完善了推荐系统的安全,设计出一种动态交互的个性化推荐模型框架。实例证明,用户描述文件的属性分类及检测方法是有效的,准确率高,能够有效地改善个性化推荐系统模型的安全。     

大数据背景下的高校图书馆图书采购模式探析

高校图书采购的传统方式在书目选取和采购方式上都有一定的不足之处。大数据环境下的图书馆服务将产生巨大变化。其背景下的高校图书馆图书采购的特点是图书需求的动态获取、书单的个性化推荐和复本数量的多样化。表现为个性化、实时性和以用户需求为中心的智能化采购模式是未来发展的必然趋势。     

基于FP-growth关联规则的图书馆数据快速挖掘算法研究

作为一种模糊关联规则挖掘算法,FP-growth算法在执行效率上明显优于Apriori算法。但是由于模糊属性的不足和空间复杂度较大,导致FP-growth算法在处理大型事务数据库,例如图书馆数据库时,无法实现有效的多层关联规则挖掘。因此,提出一种改进的FP-growth关联规则算法,能够快速向读者进行个性化图书推荐。首先,该算法把大型图书事务数据库根据首项的事务,划分为若干子数据库,并构建相应的子FP-tree结构;然后,采用实时过滤掉层次树中不是频繁项的父项来缩小扫描空间。实验结果表明:相比Apriori算法和标准FP-growth算法,提出的改进FP-growth关联规则算法在运行效率方面有明显提升,为图书的推荐工作提供了科学依据。     

基于Web挖掘的电子商务个性化推荐系统

针对现有电子商务个性化推荐系统存在的不足,构建了一个基于Web挖掘的电子商务个性化推荐系统的整体架构模型,并采用了结合用户Web日志聚类和协同过滤的个性化推荐技术。可以有效地解决协同过滤技术所面临的数据稀疏和冷启动问题,提高推荐结果的准确性和有效性。     

图书馆个性化服务用户需求信息的深层挖掘分析

针对图书馆个性化服务中用户需求信息的深层挖掘问题,分析了图书馆个性化服务过程中用户需求明显信息和隐含信息两种体现方式,其中明显信息包括用户的注册及定制信息和反馈服务信息;隐含信息是指在Web访问记录中用户的隐藏需求信息。根据不同体现方式的用户需求信息,提出了数据库统计、Web数据挖掘、反馈互动评价三种深层挖掘用户需求信息的方法,其中以挖掘实例重点介绍了Web数据挖掘方法,并对这三种方法进行了比较,为在图书馆个性化服务中建立一个综合有效的用户需求信息挖掘系统提供了参考。     

信任传递的矩阵分解推荐算法

针对协同过滤推荐系统中数据稀疏性导致推荐准确性低下问题,提出信任传递的矩阵分解推荐算法.该算法利用用户社交网络的直接信任关系,基于信任传递思想,预测用户在社交网络中的间接信任关系,以解决社交网络信任关系的稀疏性问题.该算法使用填充后的社交网络信任数据,预测填充用户评分数据,以解决用户评分数据的稀疏性问题;将处理后的用户评分数据在基于正则化迭代最小二乘方法推荐系统中进行应用,取得良好效果.实验结果表明：使用Epinions数据集,相比传统的矩阵分解算法,该算法的平均绝对误差下降了10.77﹪.     

网络环境下图书馆个性化信息服务的研究

个性化服务是针对图书馆个性需求开展的信息服务,网络环境下的个性化服务是图书馆提高服务质量的重要方向,是十分必要与可行的。本文提出了组建图书馆服务机构;开发个性化服务的必要性;个性化推送服务、个性化推荐服务、个性化知识决策服务等开展个性化服务的途径。     

小数据视域下图书馆个性化服务研究述评

对小数据视域下图书馆个性化服务研究进行梳理,分析其现存问题并提出末来趋势。运用内容分析法, 综述小数据视域下图书馆个,性化服务的研究进展，总结其相关内容和特点。对小数据及其运用研究敏感性高； 重理论轻实践;尚末形成核心作者群;研究主体集中。末来应加强更新观念、提高认识;明确图书馆个,性化服务运用小数据的目标; 服务创新; 实践运用; 构建用户隐私保护机制; 构建图书馆个性化服务运用小数据的有效评价机制。     

基于分布式大数据框架的全比较问题文件分发策略研究与平台构建

分析了现有解决大数据集全比较问题的数据分发相关研究成果存在的问题和混合整数线性规划模型在优化问题中的应用,在此基础上构建了一种分布式系统下数据文件分发策略模型并进行了数据文件分发算法设计,基于大数据平台框架和数据分发算法建立了一个分布式数据文件分发平台.实验结果表明:本文提出的数据分发策略模型和算法具有数据完全本地化、计算负载均衡和存储占用少等优点.     

基于管理和消费者行为视角的个性化推荐研究与展望

个性化推荐对于提升网络购物的效率、 促进产品的销售具有非常重要的影响,如何提升个性化推荐的效果受到了研究人员的广泛关注.先前研究大多数关注如何提升推荐算法的精确性和效率,或者关注如何提升消费者的推荐满意度以及个性化推荐采纳的影响因素.与既往研究不同,本文首先阐述了目前推荐系统采用的主流算法,而后基于管理和消费者行为的视角,从推荐时机、 推荐产品组合、 推荐效果三方面重点介绍了目前以该视角对个性化推荐的研究现状及研究成果,指出该研究方向具有较大的挖掘空间和研究价值,最后提出个性化推荐未来的研究趋势与展望.     

论网络环境下流通阅览工作中的个性化服务

文章阐述个性化服务的定义以及特点,论述了图书馆网络环境下流通阅览工作的变化,提出在网络环境下,图书馆的流通阅览工作的个性化服务应该从服务意识、服务内容、图书馆系统等方面进行改进。     

基于用户评分权重的矩阵分解推荐算法

在传统的推荐算法中存在数据评分稀疏的问题,同时,在建立预测模型时默认每个用户评分都是真实可信的.但实际评分中存在某些数据不符合用户的整体评分趋势和偏好.为了解决上述问题,对每项用户评分的真实性进行计算,在进行评分预测时,使符合用户整体评分趋势的评分数据获得更高的权重,让推荐算法更精准的把握用户和项目的特征信息,提升推荐系统的整体性能.经过在Movie Lens 100k数据集上与其它三种经典算法的对比实验表明,本文提出的改进算法能更好地把握用户真实喜好,提高预测的准确性.     

消费者接受电子商务个性化推荐的感知维度及其影响研究

基于消费者感知角度研究消费者接受电子商务个性化推荐的维度及其影响,可以在为电子商务平台进行个性化推荐优化提供依据。研究表明,从消费者感知角度来看:消费者接受电商个性化推荐的感知维度主要有消费者感知舒适度、感知价值、外部推荐、商家动机、推荐形式和感知安全六个维度;其中感知舒适度、感知价值、外部推荐和推荐形式与消费者接受电商个性化推荐呈显著正相关关系,而商家动机与消费者接受个性化推荐呈显著负相关关系;此外,不同的消费者群体对各感知维度的偏好具有差异性,需要进行有针对性的个性化推荐。