一种基于用户聚类的协同过滤个性化图书推荐系统_孙守义

基于协同过滤算法的推荐系统研究一、引言在互联网时代，信息爆炸的背景下，推荐系统一度成为了各大互联网平台必备的技术。

推荐系统通过分析用户历史行为或者使用其他算法，为用户推荐个性化的产品，极大提升了用户体验。

协同过滤算法是推荐系统的核心算法之一，本文将会系统地研究基于协同过滤算法的推荐系统。

二、协同过滤算法协同过滤算法是一种基于用户之间的相似度或物品之间的相似度，来预测用户对物品的评价的算法。

协同过滤算法有两种实现方式：基于用户的协同过滤算法和基于物品的协同过滤算法。

基于用户的协同过滤算法是指通过分析用户历史行为，找出跟目标用户行为最相似的一些用户，然后将这些用户评价高的物品推荐给目标用户。

而基于物品的协同过滤算法则是指通过分析物品的评价数据，找出被目标用户喜欢的物品，然后推荐与这些物品相似的物品给目标用户。

协同过滤算法的优点是适用于各种类型的数据，缺点则在于数据稀疏问题，即对于少有人评价的物品，难以通过协同过滤算法来推荐给目标用户。

三、推荐系统架构设计推荐系统的架构设计分为三个阶段：数据处理、推荐算法和推荐结果的展示。

数据处理阶段主要需要对原始数据进行清洗处理，并将处理后的数据存储到数据仓库中。

推荐算法阶段需要选择适合场景的协同过滤算法，并通过模型训练与优化来提升推荐效果。

最后，推荐结果的展示需要在用户界面上呈现最终的推荐结果，包括推荐物品、推荐理由等。

四、协同过滤算法优化协同过滤算法存在的问题主要有三个：数据稀疏问题、冷启动问题和推荐结果的解释问题。

数据稀疏问题可以通过引入隐语义模型、奇异值分解（SVD）等技术来解决。

隐语义模型是一种通过对物品和用户进行向量表示，并通过矩阵分解找到对应的相似度，来解决数据稀疏问题的模型。

SVD是一种将矩阵分解成三个矩阵的方法，通过优化这三个矩阵，可以得到非常好的预测效果。

冷启动问题则可以通过引入基于内容的推荐算法来解决。

基于内容的推荐算法是一种通过分析物品的内容特征，来推荐类似的物品给目标用户的方法。

《基于用户兴趣点的协同过滤推荐算法研究》一、引言随着互联网技术的迅猛发展，网络信息呈爆炸式增长，用户面临着信息过载的问题。

在这样的背景下，推荐系统应运而生，其目的是根据用户的兴趣和需求，为其提供个性化的信息和服务。

协同过滤作为推荐系统中的一种重要技术，通过分析用户的行为数据和兴趣偏好，实现个性化推荐。

本文将重点研究基于用户兴趣点的协同过滤推荐算法。

二、协同过滤推荐算法概述协同过滤是一种利用用户的行为数据和兴趣偏好进行推荐的技术。

它通过分析用户的历史行为、购买记录、浏览记录等信息，找出与目标用户兴趣相似的其他用户，然后根据这些相似用户的喜好和行为，为目标用户提供个性化的推荐。

协同过滤推荐算法主要包括基于用户的协同过滤和基于项目的协同过滤两种。

三、基于用户兴趣点的协同过滤推荐算法基于用户兴趣点的协同过滤推荐算法是一种以用户为中心的推荐方法。

它首先分析用户的历史行为和兴趣偏好，提取出用户的兴趣点，然后根据这些兴趣点找出与目标用户兴趣相似的其他用户。

最后，根据相似用户的喜好和行为，为目标用户提供个性化的推荐。

（一）算法原理该算法的核心思想是“物以类聚，人以群分”。

它通过分析用户的兴趣点，将具有相似兴趣点的用户归为一类，然后根据目标用户的兴趣点，找出与之相似的用户群体。

最后，根据这些相似用户的喜好和行为，为目标用户提供个性化的推荐。

（二）算法步骤1. 用户兴趣点提取：通过分析用户的历史行为和偏好，提取出用户的兴趣点。

这些兴趣点可以包括用户浏览的商品、购买的商品、搜索的关键词等。

2. 相似度计算：计算目标用户与其他用户的兴趣相似度。

这可以通过计算用户兴趣点的余弦相似度、皮尔逊相关系数等方法实现。

3. 生成推荐列表：根据相似度结果，找出与目标用户兴趣相似的其他用户。

然后，根据这些相似用户的喜好和行为，为目标用户生成个性化的推荐列表。

4. 推荐结果评估：通过用户反馈、点击率、购买率等指标，对推荐结果进行评估和优化。

基于用户聚类的协同过滤推荐方法
查文琴;梁昌勇;曹镭
【期刊名称】《计算机技术与发展》
【年(卷),期】2009(019)006
【摘要】为了提高电子商务网站的个性化服务效率,给出了一种改进的用户聚类的协同过滤推荐方法,该算法利用用户对项目的关注的相似性来修正原始相似性计算,综合考虑用户对项目的关注和用户评价对推荐的影响.实验表明,该基于用户聚类的协同过滤推荐算法不仅减少了用户在寻找最近邻居的搜索强度,加快了推荐生成速度,而且增强了推荐算法的实时性,提高了推荐质量.
【总页数】4页(P69-71,75)
【作者】查文琴;梁昌勇;曹镭
【作者单位】合肥工业大学管理学院,安徽,合肥,230009;合肥工业大学管理学院,安徽,合肥,230009;合肥工业大学管理学院,安徽,合肥,230009
【正文语种】中文
【中图分类】TP311
【相关文献】
1.一种基于用户聚类的协同过滤个性化图书推荐系统 [J], 孙守义;王蔚
2.一种改进的基于用户聚类的协同过滤推荐算法 [J], 刘璐;王志谦
3.基于项目属性的用户聚类协同过滤推荐算法 [J], 黄国言;李有超;高建培;常旭亮
4.基于AntStream用户聚类的协同过滤推荐系统 [J], 王卫平;寇艳艳
5.基于FCM用户聚类的协同过滤推荐算法 [J], 赵学健;张雨豪;陈昊;刘旭;李朋起
因版权原因，仅展示原文概要，查看原文内容请购买。

《基于协同过滤算法的个性化电影推荐系统的实现》篇一一、引言随着互联网的迅猛发展，电影资源的不断丰富，人们面临着众多的电影选择。

然而，如何在众多的电影资源中寻找到真正符合个人口味的电影成为了人们迫切需要解决的问题。

因此，个性化电影推荐系统应运而生。

本文将介绍一种基于协同过滤算法的个性化电影推荐系统的实现。

二、协同过滤算法概述协同过滤算法是一种常用的推荐系统算法，其基本思想是利用用户的历史行为数据，寻找与目标用户兴趣相似的其他用户，然后根据这些相似用户的喜好进行推荐。

协同过滤算法主要包括用户之间的协同过滤和基于项目的协同过滤。

三、系统设计（一）数据预处理首先，我们需要收集用户的观影历史数据，包括用户观看的电影、评分等信息。

然后对这些数据进行清洗、去重、归一化等预处理操作，以便后续的算法处理。

（二）用户相似度计算在协同过滤算法中，用户相似度的计算是关键。

我们可以采用余弦相似度、皮尔逊相关系数等方法来计算用户之间的相似度。

系统将计算所有用户之间的相似度，并存储在相似度矩阵中。

（三）推荐算法实现基于用户相似度，我们可以采用最近邻法、基于矩阵分解的方法等来实现推荐算法。

系统将根据目标用户的相似用户及其喜欢的电影，为目标用户推荐相似的电影。

（四）推荐结果输出系统将根据推荐算法计算出的结果，将推荐的电影按照一定顺序（如评分高低、更新时间等）输出给用户。

同时，系统还将提供一些额外的功能，如电影详情查看、电影评价等。

四、系统实现（一）技术选型系统采用Python语言进行开发，使用pandas、numpy等数据科学库进行数据处理和计算，使用Flask等Web框架进行Web服务开发。

同时，为了加速数据处理和计算，系统还采用了分布式计算框架Hadoop和Spark。

（二）数据库设计系统采用MySQL数据库进行数据存储。

数据库包括用户表、电影表、评分表等。

其中，用户表存储用户的基本信息；电影表存储电影的基本信息；评分表存储用户对电影的评分信息。

一种改进的协同过滤的商品推荐方法薛亮;徐慧;冯尊磊;贾俊铖【期刊名称】《计算机技术与发展》【年(卷),期】2022(32)7【摘要】传统的电子商务平台无法实现对用户进行个性化优质商品的推荐,大量的商品信息无法被充分应用在帮助客户选择商品上。

针对上述问题,提出了改进的协同过滤算法(new Pearson collaborative filtering,NP-CF)为用户进行个性化的电子商品推荐。

该算法弱化了活跃用户的对商品相似度的贡献程度并且利用标准差的计算降低电子商品本身质量对相似度的影响,将两者计算获得的系数与皮尔逊关系数相结合,从而计算出更加准确的用户相似度,再利用相似度值计算商品的推荐值并且通过加权评价公式对该值进行加权处理。

最后在真实的数据集MovieLens和人工数据集Mobile-Data上对该算法进行实验测试,且与传统的基于用户信息的协同过滤算法(user collaborative filtering,User-CF)进行比对,该算法(NP-CF)整体上优化了推荐结果并且提高了推荐的准确率。

【总页数】7页(P201-207)【作者】薛亮;徐慧;冯尊磊;贾俊铖【作者单位】苏州城市学院计算机工程系;苏州大学文正学院计算机工程系;浙江大学计算机科学与技术学院;苏州大学计算机科学与技术学院【正文语种】中文【中图分类】TP391【相关文献】1.一种改进相似度计算方法的协同过滤推荐算法2.考虑商品重复购买周期的协同过滤推荐方法改进3.一种基于社会化信任的改进的协同过滤推荐模型和方法4.改进的协同过滤算法在商品推荐中的应用5.协同过滤推荐中一种改进的信息核提取方法因版权原因，仅展示原文概要，查看原文内容请购买。

基于协同过滤算法的IT书籍推荐系统设计与实现作者：孙晓娟千博王圣涛来源：《软件导刊》2017年第04期摘要：随着IT行业的飞速发展，IT从业人员也越来越多，如何在茫茫书海中选择适合自己的IT书籍是一个非常重要的问题。

设计了一个IT书籍推荐系统，系统基于B/S模式，采用LAMP架构体系，将协同过滤算法加入网站系统中，以实现IT书籍的个性化推荐。

实验结果表明，个性化书籍推荐系统能够通过用户行为挖掘用户兴趣，从而为用户推荐适合自己的IT 书籍。

关键词：协同过滤；IT书籍推荐；个性化推荐；LAMP架构 DOI 10.11907/rjdk.162819中图分类号：TP319 A 文章编号：16727800（2017）0040070030引言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进入到信息过载时代[1]。

而个性化推荐系统是解决信息过载的一个有效途径，推荐系统通过分析用户的历史行为给用户的兴趣建立模型，从而主动推荐能够满足用户兴趣和需求的信息。

设计一个IT书籍个性化推荐系统，可方便IT从业人员的专业书籍遴选，减少不必要的重复工作。

IT书籍推荐系统可以通过分析用户行为，发现用户兴趣，从而实现个性化的书籍推荐。

1个性化推荐基于邻域的推荐算法是业内使用最广泛的个性化推荐算法[2]，主要依赖某个用户的相似用户或某物品的相似物品产生推荐。

根据用户—物品评分矩阵，计算用户或物品的相似度，找到最相似的K个邻居，计算当前用户与未操作物品的相关度，以推荐列表形式推荐相关度最高的物品。

该类算法主要包括基于用户的协同过滤和基于物品的协同过滤两种。

在实际中，由于项目需求不同，个性化推荐模型也有一定差异，但几乎所有推荐模型都包括用户行为搜集模块、用户日志分析模块以及个性化推荐算法模块[34]。

具体模型如图1所示。

]1.1基于用户的协同过滤算法基于用户的协同过滤算法的基本思想是：兴趣相似的用户可能会对相同物品感兴趣[56]。

结合物品类型和密度峰值聚类的协同过滤推荐算法陈帆;孙自强【摘要】现有的推荐算法主要依靠评分记录,对用户的个性需求关注较少,推荐结果不完全符合实际需求.针对该问题,本文在传统的基于用户的协同过滤算法(UCF)基础上,结合密度峰值聚类研究物品属性,分析用户对物品类型、聚类的兴趣取向,深入挖掘用户的个性需求,提出了一种结合物品类型和密度峰值聚类的协同过滤推荐算法.采用密度峰值聚类,无需指定聚类中心和聚类数,利用逆向文档频率对算法进行优化,提高了对物品特征和用户兴趣的识别度.实验结果表明,本文算法能较好地获取用户偏向,提供更加准确、高效的Top-N推荐.【期刊名称】《华东理工大学学报（自然科学版）》【年(卷),期】2018(044)006【总页数】7页(P862-868)【关键词】密度峰值聚类;协同过滤;推荐算法【作者】陈帆;孙自强【作者单位】华东理工大学化工过程先进控制和优化技术教育部重点实验室,上海200237;华东理工大学化工过程先进控制和优化技术教育部重点实验室,上海200237【正文语种】中文【中图分类】TP391随着信息技术的迅猛发展，“信息过载”现象日益严重，个性化推荐应运而生，对推荐算法的研究也得到越来越多的关注[1]。

无论是电商还是音乐、电影或读书网站，都开始向用户提供个性化推荐，且大部分以Top-N[2]推荐的形式呈现。

所谓Top-N推荐，就是向用户展示根据推荐算法得出的用户未有浏览记录的前N个物品的推荐列表。

与评分预测相比，Top-N推荐的实用性更强。

评分预测更多关注的是评分的精确度，以减小预测评分与实际评分间的误差为目标，而实际上，即使计算得到某用户对某物品的预测评分很高，也有可能出现用户对此类物品并无兴趣的情况，因此本文针对Top-N推荐进行研究。

在推荐系统领域应用最为广泛的是协同过滤(Collaborative Filtering, CF)[3]推荐算法，通过不断地学习用户的历史行为数据，例如用户浏览记录、用户历史评分等，过滤掉不符合用户需求的物品。

2010.11.21基于着色赋时Petri网的Web服务组合流程建模研究王赫基于聚类分析的Web服务管理张坤Smartflow模式适合面向服务、以用户为中心的互联网环境基于聚类分析的Web服务管理框架CWSMA，主要模块分为领域本体库，Web服务注册库，语义相似度计算器，聚类分析器模块，Web服务抽取封装引擎，领域本体库等几个模块。

基于聚类的教育资源个性化信息服务孙守义制约教育资源建设的瓶颈。

教育资源建设中对技术要求高，人文关怀环节关注少;资源种类数量越来越多，在琳琅满目的资源面前，用户很容易迷失方向，无法很快地定位到自己所需求资源的位置。

在此背景下，教育资源个性化信息服务的相关研究具有重要的意义。

本文提出了一种基于用户聚类教育资源个性化推荐系统的实现方案，并对实现过程中的核心技术进行了详细的论述;最后依据上面提出的方案，以南京师范大学图书馆的部分学生图书借阅记录为基础，我们实现了一种简单的实验系统。

本文的主要贡献利用聚类对传统个性化信息服务技术进行了改进，并提出了一种可行的基于用户聚类的教育资源个性化推荐系统的具体实现方案。

把教育资源分为以下儿类:(1)媒体素材:(2)题库:(3)试卷素材:(4)课件:(5)案例:(6)文献资料:(7)常见问题解答: (8)资源目录索引:(9)网络课程:教育资源服务包含教育资源搜集、组织、管理、信息服务等。

常用的资源组织方法有分类法，主题法，元数据法等。

3)元数据法。

“元数据(metadata)”就是“关于数据的数据“，是对数据进行组织和处理的基础。

他最早出现于美国国家航空与航天局(NASA)的《目录交换格式》(DirectoryInterchang Format,DIF)的手册中。

元数据法就是对资源单元及其集合进行规范描述从而形成元数据，并依其将分布式的资源整合成有机体系的基准、方法和工具。

从某种角度上看，大家熟悉的图书馆书目记录就是一种元数据。

书目记录通常包含作者、出版商、主题和载体描述之类的标识信息，这是印刷文献环境中的最明显的元数据应用。

《基于协同过滤和深度学习的混合推荐算法研究》篇一一、引言随着互联网技术的迅猛发展，信息过载问题日益突出。

在这样的背景下，推荐系统作为一种解决信息过载问题的有效手段，得到了广泛的研究和应用。

其中，混合推荐算法融合了多种推荐技术，可以更好地平衡推荐准确性和用户满意度。

本文将重点研究基于协同过滤和深度学习的混合推荐算法，探讨其原理、优势及在实践中的应用。

二、协同过滤推荐算法协同过滤是一种基于用户行为的推荐算法，其核心思想是利用用户的历史行为数据，找出与当前用户兴趣相似的其他用户，然后根据这些相似用户的喜好信息为目标用户生成推荐。

协同过滤推荐算法主要包括基于用户的协同过滤和基于项目的协同过滤两种方法。

基于用户的协同过滤主要是通过计算用户之间的相似性，找出与目标用户兴趣相似的其他用户，然后根据这些相似用户的喜好为目标用户生成推荐。

然而，这种方法在处理大规模数据时计算复杂度较高。

基于项目的协同过滤则是通过计算项目（如电影、商品等）之间的相似性，然后根据目标用户的喜好项目和其他项目的关系为其推荐相似的项目。

这种方法可以有效处理稀疏性问题，但在处理高维度数据时可能效果不佳。

三、深度学习推荐算法深度学习在推荐系统中也有广泛的应用。

深度学习可以通过学习高维非线性关系，从原始数据中提取出有用的特征信息，从而更好地捕捉用户的兴趣和需求。

常见的深度学习推荐算法包括基于深度神经网络、卷积神经网络和循环神经网络等。

深度神经网络可以通过多层神经元的学习和调整，从原始数据中提取出高层次的特征信息，从而更好地进行推荐。

卷积神经网络则可以处理具有局部依赖性的数据，如图像和文本等。

循环神经网络则可以处理具有时间序列特性的数据，如用户的浏览历史和购买记录等。

四、基于协同过滤和深度学习的混合推荐算法混合推荐算法将协同过滤和深度学习两种算法进行融合，以充分利用各自的优势。

本文提出一种基于用户历史行为数据的协同过滤和深度神经网络的混合推荐算法。

《基于协同过滤算法的个性化电影推荐系统的实现》篇一一、引言随着互联网的飞速发展，电影产业的竞争愈发激烈。

面对众多的电影资源，如何有效地为观众提供个性化的电影推荐成为了一个重要的问题。

为此，我们开发了一个基于协同过滤算法的个性化电影推荐系统，以解决这个问题。

二、协同过滤算法简介协同过滤算法是一种在推荐系统中常用的技术，它根据用户的偏好和其他用户的相似性进行推荐。

简单来说，协同过滤就是利用群体的智慧，找出与目标用户相似的用户群体，根据这个群体的喜好，为目标用户推荐他们可能感兴趣的电影。

三、系统实现1. 数据收集与处理首先，我们需要收集大量的用户数据，包括用户的观影记录、观影偏好等信息。

这些数据将用于训练和测试我们的推荐系统。

对于这些数据，我们需要进行清洗、去重和格式化等处理，以便于后续的分析和计算。

2. 相似度计算在协同过滤算法中，相似度的计算是非常重要的一步。

我们采用余弦相似度算法来计算用户之间的相似度。

余弦相似度是一种衡量两个向量方向上的相似度的方法，它能够有效地反映用户之间的偏好相似性。

3. 电影特征提取为了更好地进行推荐，我们需要对电影进行特征提取。

这些特征可以包括电影的类型、导演、演员、剧情等。

通过对这些特征的分析和计算，我们可以得到电影的向量表示，从而便于后续的推荐计算。

4. 推荐算法实现基于余弦相似度算法和电影特征提取，我们可以实现协同过滤算法的推荐。

首先，我们根据用户的历史观影记录和其他用户的相似度，找出与目标用户相似的用户群体。

然后，根据这个相似用户群体的观影记录和偏好，为目标用户推荐他们可能感兴趣的电影。

四、系统测试与效果评估为了验证我们系统的准确性和有效性，我们进行了大量的测试和评估。

我们采用了准确率、召回率、F1值等指标来评估我们的推荐系统。

同时，我们还邀请了一部分用户进行试用，收集他们的反馈和建议，以便我们进一步优化我们的系统。

五、结论基于协同过滤算法的个性化电影推荐系统能够有效地为观众提供个性化的电影推荐。

《基于协同过滤算法的个性化电影推荐系统的实现》篇一一、引言随着互联网技术的快速发展，人们越来越依赖于网络平台来获取信息和娱乐。

在众多在线娱乐服务中，电影推荐系统凭借其能够准确推荐符合用户口味的电影而备受欢迎。

本篇论文旨在介绍基于协同过滤算法的个性化电影推荐系统的实现。

协同过滤算法作为一种经典的推荐算法，其能够有效地分析用户的历史行为和喜好，为不同用户提供个性化的电影推荐。

二、系统概述本系统采用协同过滤算法，通过分析用户的历史观影记录、电影的属性和其他用户的相似度，为用户提供个性化的电影推荐。

系统主要由数据预处理模块、协同过滤模块、推荐结果生成模块和用户界面模块组成。

三、关键技术与方法1. 数据预处理：该模块主要负责收集用户的历史观影记录和电影的属性信息。

这些数据包括用户的观影时间、观影时长、电影的评分等信息。

此外，还需对数据进行清洗和去重等处理，以确保数据的准确性和有效性。

2. 协同过滤算法：本系统采用基于用户的协同过滤算法。

该算法通过计算不同用户之间的相似度，找出与目标用户相似的其他用户，然后根据这些相似用户的喜好来为目标用户推荐电影。

3. 推荐结果生成：该模块根据协同过滤算法的结果，结合电影的属性和其他相关因素，生成个性化的电影推荐结果。

推荐结果以列表的形式展示给用户，包括电影的名称、简介、评分等信息。

4. 用户界面：本系统提供友好的用户界面，方便用户查看和操作。

用户界面包括登录、注册、浏览电影、查看推荐结果等功能。

此外，系统还提供用户反馈功能，以便用户对推荐结果进行评价和改进。

四、系统实现1. 数据采集与处理：通过爬虫程序从各大电影网站和社交媒体平台收集电影信息和用户的历史观影记录。

然后对数据进行清洗和去重等处理，确保数据的准确性和有效性。

2. 协同过滤算法实现：采用基于余弦相似度的算法计算用户之间的相似度。

首先，将用户的观影记录转换为向量形式，然后计算不同用户向量之间的余弦相似度。

接着，根据相似度找出与目标用户相似的其他用户，根据这些相似用户的喜好来为目标用户推荐电影。

基于用户模式聚类的协同过滤个性化推荐方法
郭伟光;章蕾
【期刊名称】《情报杂志》
【年(卷),期】2011(030)002
【摘要】最近邻协同过滤常用的计算用户访问行为相似程度的距离函数仅是测定访问者对象在所有测试属性空间上的平均测定,而在属性集的子维空间上的相似模式并没有有效地挖掘出来,用户评分数据稀疏等问题使其推荐质量下降.针对这些问题,提出一种基于用户模式聚类的协同过滤推荐算法,该算法采用基于用户模式相似的子空间聚类方法产生聚类,并且利用模式相似度改进协同过滤,从而对用户产生个性化推荐.实验结果表明,该方法改善了推荐系统的效率和精度.
【总页数】4页(P160-163)
【作者】郭伟光;章蕾
【作者单位】合肥学院管理系,合肥,230061;合肥学院管理系,合肥,230061
【正文语种】中文
【中图分类】TP311
【相关文献】
1.基于聚类协同过滤的个性化推荐系统 [J], 程淑玉
2.基于领域特征值的协同过滤个性化推荐方法 [J], 方超;暴建民;薛四猛
3.基于混合协同过滤的用户在线学习资源系统个性化推荐方法研究 [J], 李娜
4.基于聚类优化的数字图书馆协同过滤个性化推荐服务研究 [J], 盛先锋
5.基于混合协同过滤的个性化推荐方法研究 [J], 孙传明;周炎;涂燕
因版权原因，仅展示原文概要，查看原文内容请购买。

基于隐语义模型的协同过滤图书推荐方法
孙艳;朱玉全;陈耿
【期刊名称】《信息技术》
【年(卷),期】2015(39)11
【摘要】针对协同过滤算法难以处理高维度以及稀疏数据等问题,提出了一种基于隐含语义分析的协同过滤图书推荐算法,该算法融合了用户的显性反馈与隐性反馈信息,考虑了用户在预览图书的时间以及用户与用户之间的相似度,有效地降低了矩阵的维度和稀疏性,提高了算法的精度,运用统计的方法来发现用户对图书使用过程中潜在的语义结构,分析用户对图书的兴趣度,帮助用户快速发现感兴趣和高质量的图书,使图书能够准确地推荐给用户,并提升用户体验.在Book-Crossing数据集上进行测试,实验结果表明,该算法具有一定的优势.
【总页数】5页(P41-44,48)
【作者】孙艳;朱玉全;陈耿
【作者单位】江苏大学计算机科学与通信工程学院,江苏镇江212013;江苏大学计算机科学与通信工程学院,江苏镇江212013;南京审计学院工学院,南京211815【正文语种】中文
【中图分类】TP393
【相关文献】
1.基于隐语义模型的协同过滤推荐研究 [J], 徐梦锦;赵晓东
2.基于隐语义模型改进的协同过滤推荐算法 [J], 李启序
3.基于协同过滤和隐语义模型的混合推荐算法 [J], 徐吉; 李小波; 陈华辉; 许浩
4.结合隐语义模型与改进用户信任的协同过滤推荐算法 [J], 黄伟建;顾明星;黄远
5.结合协同过滤与隐语义模型的视频推荐策略 [J], 王宁;沈正一;崔德龙;刘晴瑞因版权原因，仅展示原文概要，查看原文内容请购买。

个性化推荐系统中协同过滤推荐算法优化研究
关菲;周艺;张晗
【期刊名称】《运筹与管理》
【年(卷),期】2022(31)11
【摘要】协同过滤推荐算法是目前个性化推荐系统中应用比较广泛的一种算法。

然而,它在处理数据稀疏性、可扩展性等方面存在一定不足。

针对数据稀疏性问题,本文首先基于Slope One算法对初始的评分矩阵进行缺失值填充,其次利用基于K-means聚类的协同过滤算法预测目标用户的评分,并结合MovieLens数据集给出了相关对比实验;针对扩展性问题,本文首先提出了一种基于中心聚集参数的改进K-means算法,其次,给出了基于中心聚集参数改进K-means的协同过滤推荐算法流程,并结合MovieLens数据集设计了相关对比实验。

实验结果表明,本文所提方法推荐精度均得到显著提高,数据稀疏性和扩展性问题得到了有效改善。

因此,本文的研究结论不仅可进一步丰富协同过滤推荐算法的现有理论成果,还可以为提高推荐系统的精度提供理论依据和决策参考。

【总页数】6页(P9-14)
【作者】关菲;周艺;张晗
【作者单位】河北经贸大学数学与统计学学院
【正文语种】中文
【中图分类】TP301;F202
【相关文献】
1.基于协同过滤推荐技术的作业资源个性化推荐系统的设计与研究
2.协同过滤算法优化在推荐系统中的应用
3.基于协同过滤在高校学习资源个性化推荐系统中应用研究
4.协同过滤算法在个性化就业推荐系统中研究
5.个性化推荐系统中协同过滤方法的研究
因版权原因，仅展示原文概要，查看原文内容请购买。

基于用户特征和时间权重的协同过滤算法
孙克雷;王琰
【期刊名称】《安徽建筑工业学院学报（自然科学版）》
【年(卷),期】2018(026)001
【摘要】为了解决传统算法中寻找最近邻居不准确和用户兴趣随时间变化而迁移的问题,提出一种基于用户特征和时间权重的协同过滤算法.文中首先把Movie Lens数据集中用户特征信息数字化,求出用户特征相似性,将其加入到修正的余弦公式中,得到一种新的用户相似度,以找到更加准确的最近邻居集;然后通过引入时间函数来反应用户的兴趣迁移,再根据预测评分公式来获得更加准确的预测评分;最后给用户生成一个较可靠的推荐结果.实验结果表明,该方法取得了较好的效果且平均绝对误差(MAE)值达到72.57％.
【总页数】6页(P55-60)
【作者】孙克雷;王琰
【作者单位】安徽理工大学计算机科学与工程学院,淮南 232001;安徽理工大学计算机科学与工程学院,淮南 232001
【正文语种】中文
【中图分类】TP393
【相关文献】
1.基于用户特征和时间效应的协同过滤算法 [J], 吴雄峰;贾年
2.基于用户特征和时间权重的协同过滤算法 [J], 孙克雷;王琰;;
3.基于用户特征和相似置信度的协同过滤算法 [J], 赵文涛;吕霞
4.基于时间权重和用户兴趣变化的协同过滤算法 [J], 王娜娜
5.基于权重调节和用户偏好的协同过滤算法 [J], 董立岩; 修冠宇; 马佳奇
因版权原因，仅展示原文概要，查看原文内容请购买。