简介：针对高校图书推荐存在数据稀疏性和推荐结果质量不高的问题,提出了一种基于协同过滤的高校图书推荐算法.该算法利用图书分类号代替具体图书,应用改进的布尔型相似度计算方法,根据学院分组计算用户相似度,解决了数据稀疏性问题,提高了算法效率.通过定义课程计划、用户兴趣域和流行图书的影响力,建立了图书类别的评价模型.根据类别评价确定各类别推荐数量,提高了推荐结果的质量和多样性.实验结果表明,算法能够有效识别用户感兴趣的图书类别,并且图书推荐质量更好.

简介：综合了经典的协同过滤算法和基于网络结构的个性化推荐算法。项目同其他所有项目的相似度之和被认为是项目在个性化推荐系统中的初始推荐资源,然后通过二部图的网络结构将这种资源进行重新分配。同时考虑两个项目之间的相互作用关系,提出了最终的推荐算法。最后,根据用户未曾收集项目最终所获得的资源进行排序,向用户推荐资源最多的项目。通过考察项目之间相互作用可以发现,推荐系统的算法衡量指标不能同时达到最优。同时为了进一步增强算法的可扩展性,引入了一个度指数来调节算法,这样在实际应用中就可以根据需要,通过调整项目之间的相互作用以及项目自身的度指数,达到最好的用户体验和系统多样性。

简介：摘要：目前影视平台的研究热点依旧是智能影视推荐平台，基于关联规则的电影推荐方式并未考虑到多个因素，无法提供准确的内容。因此，提高智能化水平的关键在于如何更有效地运行推荐算法。本文结合现实情况对协同过滤算法的作用进行分析，按照研究视角的不同对智能电影推荐算法的流程进行详细的描述，以便学生们的理解。

简介：本文阐述了基于内容的推荐算法、协同过滤推荐算法，分析这两种推荐算法的优缺点，提出一种基于这两种推荐方法的个性化推荐算法，能同时拥有协同过滤推荐算法和给予内容推荐算法的优点，又能一定程度的避免基于内容或协同过滤推荐算法各自的缺点。将本推荐算法应用到用户在线学习资源系统中，更适合在实际推荐系统中应用。

简介：摘要：当前，随着我国经济的快速发展，以及人们生活水平的提高，使得人们的个性化需求增多。而利用协同过滤算法所制定的电影个性化推荐系统，是网络技术与计算机技术在电影服务中的成功应用。对此本文提出电影推荐系统以协同过滤算法计算用户相似度来帮助人们寻找自己喜欢的电影，协同过滤算法的优点是适用范围广重复使用率高，不使用数据的专业知识，实现效果明显。

简介：摘 要

简介：摘要:本文针对在邻居用户协同评分识别数据极端稀疏的大环境下运行传统应用协同推荐过滤度量推荐评分算法可能存在的一些弊端,从如何提高不同邻居之间用户评分识别率的准确性角度出发,对目前传统用户相似性平均度量推荐方法特点进行大胆改进,在此方法基础上创新提出一种基于用户相关性平均值的协同推荐过滤算法。实验分析结果表明,该分析算法不仅能有效增强居民邻居推荐用户在居民推荐结果中的品牌影响力,有效帮助提高邻居推荐结果精度,改善邻居推荐结果质量。

简介：

简介：

简介：对教育资源按照学科进行分类,结合学习者的兴趣偏好集中、稳定等特性,提出一种基于用户类别兴趣度的协同过滤推荐算法。在该算法中,首先根据条件概率的方法计算用户类别兴趣度的相似性,然后将其融合到相关相似性计算公式中,提高用户相似性的准确度,实验表明提高了推荐质量。

简介：   摘要：针对传统的相似度计量方法根据用户评分信息矩阵来计算物品或者用户相似度，需要考虑所有用户反馈的历史信息，提出一种改进的协同过滤推荐算法。首先，将所有物品度的平均值作为一个阈值，选出高密度阈值物品。其次，使用可变网格的聚类方法将有共同兴趣是用户聚为同一类。最后，在类内用推荐算法对用户进行物品推荐。实验结果表明新算法在一定程度上提高了推荐系统的推荐精度和质量。

简介：协同过滤挖掘是利用具有相似喜好的读者或相似的物品来实现相关推荐的信息挖掘。通过深入挖掘图书馆书籍借阅中记录的信息，提出了一个基于用户协同过滤技术的图书推荐系统的设计与实现方案。实验结果表明该系统具有较为准确的预测功能，对图书推荐工作具有较好的参考价值。

简介：

简介：云计算的出现,有效地解决大数据时代的数据冗余、处理速度慢、空间不足等难题,满足信息化社会快速发展的数据需求。首先简介云计算,大数据,几种经典的推荐算法和个性化推荐。然后把云平台与推荐系统的推荐引擎结合起来,利用协同过滤算法结合MapReduce框架模式进行计算,分别基于共同好友和共同兴趣对一个微博大数据集进行处理并得出推荐结果,给用户推荐潜在关注者和关键字,并对实验结果进行分析得出结论,验证云计算能有效并且快速处理大数据,提高计算机大规模数据计算处理能力。

简介：传统的协同过滤推荐算法倾向于热门项目的推荐,而对处于长尾位置的冷门项目推荐能力不足;针对这一问题,提出了一种新的缓解推荐偏好的协同过滤TopN推荐算法,该算法充分考虑用户活跃程度的影响,根据用户活跃度不同化作相应比重引入项目相似度计算以及推荐列表过程中;考虑项目种类多样的影响,对得出的项目相似度矩阵经行归一化处理,实验结果表明,改进后的算法推荐准确度有明显的提升,且降低了平均流行度提高了推荐结果的新颖度,大大提高了冷门项目的推荐力度。

简介：为研究用户的相似性对协同过滤个性化推荐算法的影响,认为用户的有向相似性应该由邻居用户指向目标用户,而非由目标用户指向邻居用户。基于该思想,提出了一类改进的协同过滤算法。通过对Movielens数据集的实验分析,结果发现改变用户相似性的方向可大幅提高推荐结果的准确度和推荐列表的多样性。进一步,强化相似度高的用户的推荐强度可大幅提高推荐效果,算法的准确性可提高17.94%,达到0.0864,当推荐列表的长度为10时,推荐列表的多样性可达到0.8929,提高20.9%。该工作表明用户相似性的方向是否合理对推荐算法具有非常大的影响。

简介：为协助用户从海量数据中发掘有效信息，提出了一种支持个性化推荐技术的信息分发系统。该系统通过识别用户个性化需求，主动建立用户和信息之间联系，实现基于个性化需求的信息推荐。采用个性化推荐技术可提升信息分发系统的信息分发共享能力，同时也提高了信息资源利用率。

简介：在实际商用的个性化推荐系统中，调度框架作为连接推荐算法和产品功能之间的纽带，会直接决定用户在什么时间、什么地点（位置）看到什么样的推荐内容，以及达到产品期待的推荐效果、所要消耗的资源和成本。因此，可以说调度框架决定了企业最终向用户提供的个性化推荐服务的最终质量。

简介：根据推荐系统任务的不同，介绍了不同的准确性度量指标以及各自的优缺点；介绍了准确度之外的其它指标，例如推荐多样性、覆盖率等；指出了目前评价指标存在的缺陷，以及未来可能的改进方向。

简介：个性化图书推荐系统通过对用户借阅行为的统计分析,获取用户的兴趣特征,实现由原来的人找书到书找人一对一的个性化图书推荐。现有的图书推荐系统各有侧重,图书推荐算法及评价标准各具优、缺点。未来,图书推荐的研究热点及难点将集中在借阅记录的稀疏性、新图书问题、高校新生问题、用户统计学信息、根据《中国图书馆分类法》计算图书相似性、副本数及借阅规章制度等方面。