推薦算法
- 基于語(yǔ)音控制和推薦算法的適老化購(gòu)物APP設(shè)計(jì)與實(shí)現(xiàn)
d2Vec和推薦算法等相關(guān)技術(shù)，并依據(jù)相關(guān)適老化標(biāo)準(zhǔn)及文獻(xiàn)，設(shè)計(jì)出一款符合老年群體生理和心理的UI界面，大大降低了操作門(mén)檻，為老年群體的網(wǎng)絡(luò)購(gòu)物帶來(lái)極大的便利。關(guān)鍵詞：Word2Vec；語(yǔ)音控制；推薦算法；適老化設(shè)計(jì)中圖分類(lèi)號(hào)：TP311? 文獻(xiàn)標(biāo)識(shí)碼：A? 文章編號(hào)：2096-4706（2023）15-0021-05Design and Implementation of an Age-friendly Shopping APP Based onVoic
現(xiàn)代信息科技 2023年15期2023-09-18
- 規(guī)訓(xùn)與突圍：基于推薦算法的思想政治教育話(huà)語(yǔ)困境與應(yīng)對(duì)
春燕摘 要：推薦算法建構(gòu)的擬態(tài)環(huán)境日漸成為影響思想政治教育話(huà)語(yǔ)發(fā)展的全新場(chǎng)域。算法嵌入思想政治教育后，算法權(quán)力躍升衍生的“算法霸權(quán)”“算法成癮”“算法歧視”“算法黑箱”風(fēng)險(xiǎn)不斷弱化思想政治教育話(huà)語(yǔ)主體性、操縱話(huà)語(yǔ)內(nèi)容、沖擊話(huà)語(yǔ)理念、消解話(huà)語(yǔ)認(rèn)同。為完成思想政治教育話(huà)語(yǔ)由“追逐算法”到“駕馭算法”的轉(zhuǎn)變，思想政治教育者需主動(dòng)介入算法，依托內(nèi)容、關(guān)聯(lián)規(guī)則、協(xié)同過(guò)濾、知識(shí)規(guī)則、效用規(guī)則推薦算法的技術(shù)優(yōu)勢(shì)，賦能話(huà)語(yǔ)內(nèi)容“聚流量”、話(huà)語(yǔ)議題“強(qiáng)關(guān)聯(lián)”、話(huà)語(yǔ)客體“達(dá)共
理論導(dǎo)刊 2023年9期2023-09-16
- 基于行為特征及關(guān)系網(wǎng)的大學(xué)生就業(yè)推薦算法研究
業(yè)特征為就業(yè)推薦算法提供了建模依據(jù)，其實(shí)現(xiàn)方式為采集數(shù)據(jù)、提取特征、訓(xùn)練算法模型。數(shù)據(jù)采集階段需進(jìn)行分類(lèi)和預(yù)處理，確保數(shù)據(jù)格式、數(shù)值等符合要求。文章依托深度神經(jīng)網(wǎng)絡(luò)，提取了大學(xué)生行為序列特征，建立了PRHN推薦算法的理論模型。關(guān)系網(wǎng)可充分發(fā)掘?qū)W生數(shù)據(jù)和企業(yè)數(shù)據(jù)的圖譜結(jié)構(gòu)，有助于提升PRHN就業(yè)推薦算法的命中率，改善推薦集內(nèi)的企業(yè)排序。因而可將關(guān)系網(wǎng)融入推薦算法，輔助完成推薦任務(wù)，提升算法性能和效果。關(guān)鍵詞：行為特征；關(guān)系網(wǎng)；大學(xué)生就業(yè)；推薦算法中圖分類(lèi)號(hào)：
無(wú)線(xiàn)互聯(lián)科技 2023年7期2023-06-25
- 基于MVC的母嬰用品租賃系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)
系統(tǒng)通過(guò)引入推薦算法，改善了用戶(hù)的體驗(yàn)度，為用戶(hù)提供了一個(gè)便捷的母嬰用品租賃平臺(tái)。關(guān)鍵詞：推薦算法；租賃；MVC；SSM中圖分類(lèi)號(hào)：TP311? ? 文獻(xiàn)標(biāo)識(shí)碼：A文章編號(hào)：1009-3044（2023）01-0053-05開(kāi)放科學(xué)（資源服務(wù)）標(biāo)識(shí)碼（OSID） ：1 緒論2021年8月，全面三孩生育政策正式通過(guò)，意味著中國(guó)三孩政策全面開(kāi)放[1]。這一重大的政策變動(dòng)將對(duì)母嬰消費(fèi)市場(chǎng)產(chǎn)生了巨大的影響[2]。為了提倡共享經(jīng)濟(jì)，有效節(jié)約資源，針對(duì)兒童玩具、嬰兒推
電腦知識(shí)與技術(shù) 2023年1期2023-05-30
- 基于知識(shí)圖譜的隱私保護(hù)推薦算法
；隱私保護(hù)；推薦算法；RippleNet；差分隱私0 引言智能技術(shù)與人類(lèi)生活緊密結(jié)合在一起，為人類(lèi)的衣食住行各個(gè)方面提供了極大的便利，但也存在信息冗雜的問(wèn)題。為了挖掘用戶(hù)的興趣并輔助用戶(hù)在大量的數(shù)據(jù)信息中快速找到自己的目標(biāo)信息，本文采用推薦算法能夠較好地解決這一需求。通過(guò)對(duì)用戶(hù)和項(xiàng)目之間的交互行為的深入研究，推薦算法可以準(zhǔn)確地識(shí)別出用戶(hù)的興趣偏好，并將最適合他們的選擇作為最終的決策依據(jù)。當(dāng)前，推薦算法的發(fā)展趨勢(shì)表明，協(xié)同過(guò)濾、內(nèi)容分析和深度學(xué)習(xí)等技術(shù)已經(jīng)成
電腦知識(shí)與技術(shù) 2023年7期2023-04-27
- 個(gè)性化習(xí)題路徑推薦方法研究綜述
部迭代路徑；推薦算法中圖分類(lèi)號(hào)：TP391 文獻(xiàn)標(biāo)識(shí)碼：A1引言（Introduction）在線(xiàn)題庫(kù)和在線(xiàn)判題系統(tǒng)[如“力扣”（leetcode），為全球程序員提供IT技術(shù)職業(yè)化提升的平臺(tái)]因?qū)W習(xí)資源多且用戶(hù)基數(shù)大，采用人工方式無(wú)法為每位平臺(tái)的學(xué)習(xí)者提供個(gè)性化指導(dǎo)。個(gè)性化習(xí)題路徑推薦旨在根據(jù)學(xué)習(xí)者的學(xué)習(xí)能力、知識(shí)背景等個(gè)性化特征，自動(dòng)從題庫(kù)中選取適合該學(xué)習(xí)者的習(xí)題，并以合理的順序推薦習(xí)題。本文對(duì)近年來(lái)開(kāi)展的個(gè)性化習(xí)題路徑研究工作進(jìn)行了梳理，首先按照推薦形式
軟件工程 2023年4期2023-04-07
- 基于貝葉斯估計(jì)的茶飲數(shù)據(jù)推薦算法
及貝葉斯估計(jì)推薦算法的加持下，能科學(xué)地得出相關(guān)的茶飲店鋪推薦情況，從而給予消費(fèi)者以及企業(yè)極大的參考價(jià)值。該文對(duì)從網(wǎng)頁(yè)端獲取到的茶飲數(shù)據(jù)，如茶飲店鋪名稱(chēng)、店鋪詳情、店鋪評(píng)分、評(píng)價(jià)人數(shù)、人均消費(fèi)等信息進(jìn)行算法分析，研究了數(shù)據(jù)分析過(guò)程中的基本流程，以及貝葉斯估計(jì)推薦算法所蘊(yùn)含的推薦原理.總結(jié)了從數(shù)據(jù)源頭的收集，到存儲(chǔ)直至分析應(yīng)用，最終挖掘出數(shù)據(jù)價(jià)值的過(guò)程，整個(gè)分析結(jié)果為用戶(hù)及企業(yè)奠定了科學(xué)選擇的基礎(chǔ)。關(guān)鍵詞：Python爬蟲(chóng);數(shù)據(jù)分析;貝葉斯估計(jì);推薦算法中圖分
電腦知識(shí)與技術(shù) 2022年17期2022-08-31
- 協(xié)同過(guò)濾推薦算法的優(yōu)化研究
后的協(xié)同過(guò)濾推薦算法能有效提升推薦效果。關(guān)鍵詞：協(xié)同過(guò)濾;相似性度量;推薦算法中圖分類(lèi)號(hào)：TP391 ? ? ? ?文獻(xiàn)標(biāo)識(shí)碼：A文章編號(hào)：1009-3044（2022）13-0088-031 引言推薦系統(tǒng)領(lǐng)域的興起和互聯(lián)網(wǎng)的快速發(fā)展息息相關(guān)，也是互聯(lián)網(wǎng)經(jīng)濟(jì)落地的主要場(chǎng)景之一。在推薦系統(tǒng)領(lǐng)域中，通過(guò)推薦算法從海量數(shù)據(jù)中挖掘用戶(hù)的興趣，捕捉更精確的深度信息，精準(zhǔn)地推薦給用戶(hù)，促進(jìn)用戶(hù)更加高效地接收信息[1-3]。推薦系統(tǒng)對(duì)于大數(shù)據(jù)時(shí)代具有強(qiáng)大且不可替代的推動(dòng)
電腦知識(shí)與技術(shù) 2022年13期2022-06-11
- 基于內(nèi)容推薦算法的點(diǎn)餐系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)
一款基于內(nèi)容推薦算法和微信公眾平臺(tái)的小程序點(diǎn)餐系統(tǒng)。該系統(tǒng)通過(guò)調(diào)查問(wèn)卷收集用戶(hù)信息，應(yīng)用基于內(nèi)容的推薦算法分析用戶(hù)個(gè)人的飲食偏好，推出適合用戶(hù)的個(gè)性化菜品，實(shí)現(xiàn)線(xiàn)上點(diǎn)餐、推送個(gè)性化菜肴、信息反饋等功能，有效解決了師生點(diǎn)餐難、取餐難、就餐難等問(wèn)題，節(jié)省了時(shí)間與人力，滿(mǎn)足快節(jié)奏的生活需求。關(guān)鍵詞：微信小程序;推薦算法;點(diǎn)餐系統(tǒng)中圖分類(lèi)號(hào)：TP311? ? 文獻(xiàn)標(biāo)識(shí)碼：A文章編號(hào)：1009-3044（2022）10-0048-02隨著物聯(lián)網(wǎng)行業(yè)的迅速發(fā)展和小程序
電腦知識(shí)與技術(shù) 2022年10期2022-05-30
- 基于KL散度的ALS推薦算法
傳統(tǒng)協(xié)同過(guò)濾推薦算法在稀疏數(shù)據(jù)上推薦準(zhǔn)確度低的問(wèn)題，提出一種基于KL散度的ALS推薦算法KL-ALS。傳統(tǒng)ALS算法計(jì)算物品相似度時(shí)只考慮了用戶(hù)之間的共同評(píng)分項(xiàng)，得到的相似性與真實(shí)值會(huì)有一定的誤差，而采用KL散度計(jì)算物品相似度時(shí)，對(duì)用戶(hù)評(píng)論的數(shù)量不做任何限制，不依賴(lài)于用戶(hù)共同評(píng)分項(xiàng)。KL-ALS算法首先將ALS算法計(jì)算物品相似度和KL散度計(jì)算的物品相似度按照一定權(quán)重混合，產(chǎn)生總體相似度，進(jìn)而采用ALS算法訓(xùn)練模型，能夠更加準(zhǔn)確地度量物品間的相似度，改善推薦
電腦知識(shí)與技術(shù) 2022年12期2022-05-29
- 基于TSVD的協(xié)同過(guò)濾推薦算法研究
典的協(xié)同過(guò)濾推薦算法的一系列不足，如用戶(hù)冷啟動(dòng)、商品評(píng)分稀疏性以及推薦精度不高，文章提出基于截?cái)嗥娈愔捣纸猓═SVD）的協(xié)同過(guò)濾推薦算法。使用TSVD技術(shù)對(duì)稀疏矩陣進(jìn)行降維處理，利用Jaccard相似度算法計(jì)算用戶(hù)間相似度，提高推薦精度。實(shí)驗(yàn)結(jié)果顯示，基于截?cái)嗥娈愔捣纸猓═SVD）的協(xié)同過(guò)濾算法體現(xiàn)良好的推薦質(zhì)量及預(yù)測(cè)精度。關(guān)鍵詞：推薦算法;協(xié)同過(guò)濾;稀疏矩陣;截?cái)嗥娈愔捣纸庵袌D分類(lèi)號(hào)：TP391? ? ? 文獻(xiàn)標(biāo)識(shí)碼：A文章編號(hào)：1009-3044（20
電腦知識(shí)與技術(shù) 2022年4期2022-04-29
- 智能算法在高考志愿推薦平臺(tái)中的應(yīng)用研究
;智能算法;推薦算法;推薦平臺(tái)中圖分類(lèi)號(hào)：TP311? ? ? 文獻(xiàn)標(biāo)識(shí)碼：A文章編號(hào)：1009-3044（2022）06-0049-03開(kāi)放科學(xué)（資源服務(wù)）標(biāo)識(shí)碼（OSID）：1 概述近些年，各省高考政策、考試內(nèi)容、考核方式、錄取制度等都在不斷調(diào)整，高校招生也在變革之中。與此同時(shí)，市面上的高考志愿推薦平臺(tái)層出不窮，更多是通過(guò)對(duì)往年高考錄取分?jǐn)?shù)和排名分析來(lái)推薦高校，沒(méi)有考慮到考生需求、學(xué)科偏好等，很難切實(shí)進(jìn)行個(gè)性化“因材推薦”。智能算法近年來(lái)發(fā)展迅速，并已
電腦知識(shí)與技術(shù) 2022年6期2022-04-09
- 基于協(xié)同過(guò)濾算法的高校社團(tuán)推薦系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)
于協(xié)同過(guò)濾的推薦算法，找到共同出現(xiàn)的頻率來(lái)計(jì)算語(yǔ)義的相似度，并通過(guò)計(jì)算空間向量的夾角余弦值進(jìn)而計(jì)算文本之間的相似度，能夠在提高社團(tuán)管理者工作效率的同時(shí)，為需要加入社團(tuán)的學(xué)生和對(duì)社團(tuán)文化有濃厚興趣的學(xué)生提供更加全面的信息。實(shí)驗(yàn)結(jié)果表明，當(dāng)推薦項(xiàng)目數(shù)量為10時(shí)，該方法的召回率、準(zhǔn)確率和Fl值分別提高了12.81%、7.65%和14.51%，表明基于協(xié)同過(guò)濾的推薦算法可有效提高推薦結(jié)果。關(guān)鍵詞：社團(tuán)管理;推薦算法;語(yǔ)義相似度;余弦相似度中圖分類(lèi)號(hào)：TP311.5
軟件工程 2022年2期2022-03-09
- 協(xié)同過(guò)濾推薦算法在視頻緩存策略中的應(yīng)用
于矩陣分解的推薦算法對(duì)用戶(hù)需求進(jìn)行分析，篩選出用戶(hù)可能感興趣的視頻，并利用基于加權(quán)評(píng)分預(yù)測(cè)值的貪婪緩存算法選擇合適的內(nèi)容進(jìn)行緩存。仿真實(shí)驗(yàn)的結(jié)果表明，該算法可以將緩存命中率提高5-10%。關(guān)鍵詞： CDN; 緩存策略; 推薦算法; 矩陣分解中圖分類(lèi)號(hào)：TP393? ? ? ? ? 文獻(xiàn)標(biāo)識(shí)碼：A? ? 文章編號(hào)：1006-8228（2022）02-12-04Application of collaborative filtering recommendat
計(jì)算機(jī)時(shí)代 2022年2期2022-02-24
- 協(xié)同過(guò)濾算法改進(jìn)實(shí)驗(yàn)及對(duì)比分析
：在協(xié)同過(guò)濾推薦算法中融入時(shí)間因素對(duì)其進(jìn)行改進(jìn)，為了驗(yàn)證改進(jìn)后的算法能夠把推薦的準(zhǔn)確度給提高，使用Python編程語(yǔ)言，在電影數(shù)據(jù)集Movielens中的ml-lm數(shù)據(jù)集下進(jìn)行實(shí)驗(yàn)，對(duì)比傳統(tǒng)與改進(jìn)算法之間的MAE值。文章介紹了實(shí)驗(yàn)的目的、評(píng)價(jià)指標(biāo)、理論知識(shí)、過(guò)程和結(jié)果。通過(guò)實(shí)驗(yàn)的結(jié)果可以明顯看出這種改進(jìn)后的算法能夠提高推薦的準(zhǔn)確度。關(guān)鍵詞：協(xié)同過(guò)濾；推薦算法；改進(jìn)；MAE；實(shí)驗(yàn)中圖分類(lèi)號(hào)：G642? ? ? ? 文獻(xiàn)標(biāo)識(shí)碼：A文章編號(hào)：1009-3044（
電腦知識(shí)與技術(shù) 2022年35期2022-02-17
- 基于資源分配的推薦算法研究
給出一個(gè)新的推薦算法（UTMT）。在數(shù)據(jù)集MovieLens_100K上對(duì)算法進(jìn)行試驗(yàn)，并與資源分配中的熱傳導(dǎo)算法作比較，結(jié)果表明，構(gòu)建的UTMT推薦算法預(yù)測(cè)結(jié)果的準(zhǔn)確率較之熱傳導(dǎo)算法有較大的提升。關(guān)鍵詞：二分圖;馬太效應(yīng);用戶(hù)可信度;資源分配;推薦算法中圖分類(lèi)號(hào)：TP391.3? ? ? 文獻(xiàn)標(biāo)識(shí)碼：A ? 文章編號(hào)：2096-4706（2021）08-0127-03Research on Recommendation Algorithm Based o
現(xiàn)代信息科技 2021年8期2021-11-03
- 基于隱語(yǔ)義模型的學(xué)生選課推薦算法
模型學(xué)生選課推薦算法。本算法使用隨機(jī)梯度下降法優(yōu)化損失函數(shù);對(duì)選課推薦算法執(zhí)行過(guò)程中的冷啟動(dòng)問(wèn)題提出了一種處理方案;通過(guò)評(píng)價(jià)指標(biāo)召回率、準(zhǔn)確率以及平衡F分?jǐn)?shù)驗(yàn)證本算法推薦的可行性和有效性，在所收集到的學(xué)生選課數(shù)據(jù)集上進(jìn)行測(cè)試，實(shí)驗(yàn)結(jié)果表明，該算法具有一定的優(yōu)勢(shì)。關(guān)鍵詞：推薦算法;潛在關(guān)系;隱語(yǔ)義模型Abstract：In order to enable students to take courses correctly and reasonably， a
計(jì)算技術(shù)與自動(dòng)化 2021年3期2021-10-01
- 一種簡(jiǎn)易體育素質(zhì)測(cè)試設(shè)備的設(shè)計(jì)與實(shí)現(xiàn)
行展示，運(yùn)用推薦算法為測(cè)試者推薦相應(yīng)的訓(xùn)練指導(dǎo)和教程。經(jīng)試驗(yàn)測(cè)試表明，該設(shè)備可實(shí)現(xiàn)多模式精準(zhǔn)測(cè)試，通過(guò)記錄分析歷史數(shù)據(jù)，提供有針對(duì)性的教程，且設(shè)備簡(jiǎn)便易攜，可在任何場(chǎng)景下使用，具有廣闊的發(fā)展前景。關(guān)鍵詞：體育素質(zhì)測(cè)試;體育鍛煉;測(cè)試設(shè)備;推薦算法1 背景我國(guó)是體育大國(guó)，目前正朝著體育強(qiáng)國(guó)轉(zhuǎn)變[1]，人們對(duì)于體育健身的需求和追求日益強(qiáng)烈。在當(dāng)前大力發(fā)展學(xué)生核心素養(yǎng)的新形勢(shì)下，體育素質(zhì)培養(yǎng)是培養(yǎng)學(xué)生全面發(fā)展的關(guān)鍵部分，也是整個(gè)社會(huì)發(fā)展的客觀(guān)要求[2]。體育高考
電腦知識(shí)與技術(shù) 2021年22期2021-09-14
- 基于高維張量分解的個(gè)性化教育資源推薦算法研究
性化教育資源推薦算法，在分解中能夠保留高維空間的信息完整性，避免了傳統(tǒng)推薦算法在分解中原始信息和特征的丟失，從而為個(gè)性化學(xué)習(xí)資源推薦的研究提供參考。關(guān)鍵詞：高維張量分解;個(gè)性化;教育資源;推薦算法0 引言目前，個(gè)性化推薦技術(shù)已經(jīng)在互聯(lián)網(wǎng)及電子商務(wù)（淘寶、京東等平臺(tái)）中使用，效果也尤為顯著[3]，近幾年個(gè)性化推薦技術(shù)已經(jīng)逐漸成為教育資源領(lǐng)域應(yīng)用的研究熱點(diǎn)，從而使學(xué)習(xí)者與教育資源之間形成“找”和“推”的雙向模式。學(xué)習(xí)者對(duì)教育資源的選擇會(huì)根據(jù)學(xué)習(xí)目標(biāo)、學(xué)習(xí)風(fēng)格等
無(wú)線(xiàn)互聯(lián)科技 2021年10期2021-09-13
- 基于用戶(hù)興趣變化的混合推薦算法分析
銘煜摘 要：推薦算法被應(yīng)用在商品購(gòu)物、音樂(lè)推薦、書(shū)籍推薦等網(wǎng)站。如何根據(jù)這些已有的用戶(hù)行為數(shù)據(jù)讓用戶(hù)快速做出抉擇，推薦算法顯得十分重要。傳統(tǒng)的協(xié)同過(guò)濾算法沒(méi)有考慮到用戶(hù)的興趣是隨時(shí)間而變化的。文章首先在傳統(tǒng)的協(xié)同過(guò)濾算法的基礎(chǔ)上構(gòu)建時(shí)間變化函數(shù)，對(duì)用戶(hù)以往的評(píng)分?jǐn)?shù)據(jù)，對(duì)數(shù)據(jù)做時(shí)間加權(quán)，提高預(yù)測(cè)用戶(hù)興趣的能力。針對(duì)當(dāng)前推薦算法都會(huì)遇到的評(píng)分稀疏性問(wèn)題，文章提出了把基于時(shí)間權(quán)重的協(xié)同過(guò)濾算法與基于關(guān)聯(lián)規(guī)則的推薦算法進(jìn)行混合推薦，提高了算法的準(zhǔn)確率。關(guān)鍵詞：推薦
無(wú)線(xiàn)互聯(lián)科技 2021年8期2021-09-13
- 大數(shù)據(jù)平臺(tái)下實(shí)時(shí)電影推薦算法研究
足，協(xié)同過(guò)濾推薦算法的不足也越來(lái)越明顯。為此，通過(guò)大數(shù)據(jù)計(jì)算框架Spark平臺(tái)構(gòu)建基于模型的推薦算法來(lái)更好地應(yīng)對(duì)海量數(shù)據(jù)實(shí)時(shí)推薦的問(wèn)題。首先，通過(guò)預(yù)先設(shè)定的計(jì)算方法進(jìn)行模型的構(gòu)建;同時(shí)將一種改進(jìn)的余弦相似度算法應(yīng)用到模型中，不僅可以縮短推薦實(shí)現(xiàn)的時(shí)間，而且可以提高推薦性能。實(shí)驗(yàn)結(jié)果表明，該算法和傳統(tǒng)協(xié)同過(guò)濾算法相比，提高了準(zhǔn)確率和時(shí)效性，驗(yàn)證了系統(tǒng)可較好地滿(mǎn)足用戶(hù)的實(shí)時(shí)需求。關(guān)鍵詞：Spark;實(shí)時(shí);推薦算法;協(xié)同過(guò)濾中圖分類(lèi)號(hào)：TP399? ? ?文獻(xiàn)標(biāo)
軟件工程 2021年9期2021-09-13
- 基于改進(jìn)LDA主題模型的個(gè)性化新聞推薦算法
特點(diǎn)，對(duì)傳統(tǒng)推薦算法和標(biāo)準(zhǔn)LDA主題模型進(jìn)行思考，提出一種基于LDA（Latent Dirichlet Allocation）的文檔-主題-詞的三層貝葉斯概率模型結(jié)合時(shí)間函數(shù)的推薦算法，采用Gibbs Sampling進(jìn)行超參數(shù)推導(dǎo)，提升推薦效果。實(shí)驗(yàn)結(jié)果表明，該算法在適當(dāng)參數(shù)設(shè)定下的推薦結(jié)果比協(xié)同過(guò)濾及標(biāo)準(zhǔn)的基于改進(jìn)LDA模型的算法有更小的預(yù)測(cè)誤差，向用戶(hù)推薦偏好新聞更有效率。關(guān)鍵詞：LDA主題模型;貝葉斯模型;推薦算法;時(shí)間函數(shù)中圖分類(lèi)號(hào)：TP391;
赤峰學(xué)院學(xué)報(bào)·自然科學(xué)版 2021年6期2021-08-12
- TextRank與用戶(hù)情感傾向在推薦算法中的研究
戶(hù)情感傾向在推薦算法中的應(yīng)用，本文在TextRank算法進(jìn)行細(xì)致分析的基礎(chǔ)上，結(jié)合動(dòng)態(tài)數(shù)據(jù)的時(shí)效性特點(diǎn)進(jìn)行了綜合改進(jìn)，結(jié)合時(shí)間衰減參數(shù)與時(shí)效性參數(shù)TL，將原本單一的PR值變?yōu)榱司C合PR值，實(shí)驗(yàn)結(jié)果證明，綜合PR值相比于原PR值是更加合理的。在此基礎(chǔ)上，利用綜合PR值數(shù)據(jù)與用戶(hù)自身的靜態(tài)數(shù)據(jù)以及用戶(hù)情感傾向進(jìn)行整合，通過(guò)推薦算法的綜合篩選，得出最終的推薦結(jié)果，為用戶(hù)提供了一個(gè)良好的體驗(yàn)。關(guān)鍵詞：動(dòng)態(tài)數(shù)據(jù) ?TextRank ?PR值 ?推薦算法 ?情感傾向中
科技創(chuàng)新導(dǎo)報(bào) 2021年11期2021-08-10
- 綜合能源線(xiàn)上服務(wù)推薦算法研究
合能源服務(wù);推薦算法;興趣圖譜;譜聚類(lèi);隨機(jī)森林0? ? 引言隨著國(guó)家對(duì)電力體制改革的不斷推進(jìn)、售電側(cè)市場(chǎng)的開(kāi)放以及新型能源大量接入傳統(tǒng)電網(wǎng)，綜合能源服務(wù)將逐漸成為電網(wǎng)公司的運(yùn)營(yíng)重點(diǎn)。目前，我國(guó)電力企業(yè)發(fā)展正處于轉(zhuǎn)型的關(guān)鍵時(shí)期[1-6]。綜合能源服務(wù)是一種新型的能源服務(wù)模式，可以滿(mǎn)足客戶(hù)多樣化的能源生產(chǎn)和消費(fèi)需求，涉及能源規(guī)劃設(shè)計(jì)、設(shè)施投資建設(shè)、多能源運(yùn)行服務(wù)、融資服務(wù)等。同時(shí)，綜合能源服務(wù)融合了物聯(lián)網(wǎng)、大數(shù)據(jù)和云計(jì)算等關(guān)鍵技術(shù)，以提高能源利用率，降低能源
機(jī)電信息 2021年12期2021-06-11
- 構(gòu)建線(xiàn)上課堂智慧型應(yīng)用模式的思考
畫(huà)像;并引入推薦算法，實(shí)現(xiàn)授課反思內(nèi)容或?qū)W生弱項(xiàng)提升的精準(zhǔn)推送。本文還闡述了高職校在構(gòu)建線(xiàn)上課堂智慧型應(yīng)用模式中的推進(jìn)策略。關(guān)鍵詞：線(xiàn)上智慧課堂;聚合型應(yīng)用;學(xué)生畫(huà)像;推薦算法中圖分類(lèi)號(hào)：G511 文獻(xiàn)標(biāo)識(shí)碼：A2018年4月，教育部發(fā)布《教育信息化2.0行動(dòng)計(jì)劃》，提出建設(shè)“適應(yīng)5G網(wǎng)絡(luò)技術(shù)發(fā)展，服務(wù)全時(shí)域、全空域、全受眾的智慧學(xué)習(xí)”，建成“互聯(lián)網(wǎng)+教育大平臺(tái)”;[1]2019年1月，教育部發(fā)布《關(guān)于加強(qiáng)網(wǎng)絡(luò)學(xué)習(xí)空間建設(shè)與應(yīng)用的指導(dǎo)意見(jiàn)》，提出要加快推進(jìn)
科技風(fēng) 2021年8期2021-03-30
- 網(wǎng)絡(luò)推薦算法中的意識(shí)形態(tài)安全風(fēng)險(xiǎn)研究
化時(shí)代，網(wǎng)絡(luò)推薦算法不斷更新和應(yīng)用，在為人類(lèi)提供便利的同時(shí)也帶來(lái)了網(wǎng)絡(luò)意識(shí)形態(tài)安全風(fēng)險(xiǎn)，可能產(chǎn)生價(jià)值分化、技術(shù)黑箱、主流意識(shí)形態(tài)話(huà)語(yǔ)權(quán)被削弱以及信息繭房等問(wèn)題。文章研究網(wǎng)絡(luò)推薦算法中的意識(shí)形態(tài)安全風(fēng)險(xiǎn)，以推進(jìn)網(wǎng)絡(luò)安全與國(guó)家安全得到保障。關(guān)鍵詞：意識(shí)形態(tài);推薦算法;互聯(lián)網(wǎng)中圖分類(lèi)號(hào)：G641 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1004-9436（2021）22-00-03意識(shí)形態(tài)關(guān)乎旗幟，關(guān)乎道路，關(guān)乎國(guó)家政治安全。“在新的歷史條件下，互聯(lián)網(wǎng)已成為輿論斗爭(zhēng)的主戰(zhàn)場(chǎng)。
藝術(shù)科技 2021年22期2021-03-21
- 基于正則化矩陣分解的電影推薦算法
于基于內(nèi)容的推薦算法分別降低了0.34%和0.17%，相較于基于用戶(hù)的協(xié)同過(guò)濾算法分別降低了14.12%和29.72%。實(shí)驗(yàn)表明，本文提出的推薦算法能夠考慮不同年齡的差異，實(shí)現(xiàn)更加符合用戶(hù)實(shí)際的推薦需求，提高了推薦準(zhǔn)確度和穩(wěn)定性，改善了推薦誤差。關(guān)鍵詞：正則矩陣分解;用戶(hù)細(xì)分;推薦算法;協(xié)同過(guò)濾中圖分類(lèi)號(hào)： TP391? ? 文獻(xiàn)標(biāo)識(shí)碼： A文章編號(hào)：1009-3044（2021）01-0022-02隨著信息技術(shù)的快速發(fā)展，電影娛樂(lè)也成了人們生活的一部分，
電腦知識(shí)與技術(shù) 2021年1期2021-03-15
- 服裝推薦服務(wù)平臺(tái)的研究與開(kāi)發(fā)
服務(wù)平臺(tái)使用推薦算法來(lái)提高用戶(hù)的購(gòu)物體驗(yàn)，以此促進(jìn)消費(fèi)。該平臺(tái)主要研究基于協(xié)同過(guò)濾推薦算法實(shí)現(xiàn)服裝推薦功能，并實(shí)現(xiàn)店鋪入駐、服裝商品管理、商品交易、服裝推薦、消息會(huì)話(huà)、圈子發(fā)現(xiàn)功能。平臺(tái)采用前后端分離的開(kāi)發(fā)方式，運(yùn)用Spring Boot+MySQL+MyBatis+Vue等技術(shù)完成平臺(tái)的設(shè)計(jì)與實(shí)現(xiàn)。關(guān)鍵詞：推薦算法;Spring Boot;服務(wù)平臺(tái);Vue中圖分類(lèi)號(hào)：TP311 ?文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：2096-4706（2021）12-0107-0
現(xiàn)代信息科技 2021年12期2021-01-14
- 一種稅收優(yōu)惠政策的精準(zhǔn)推薦方法
度以及改進(jìn)的推薦算法確定兩個(gè)目標(biāo)集合，然后通過(guò)兩個(gè)集合取并集的方式確定最終目標(biāo)納稅人群體，實(shí)現(xiàn)稅收優(yōu)惠政策的精準(zhǔn)推薦服務(wù)。關(guān)鍵詞：稅收優(yōu)惠政策;精準(zhǔn)推薦;文本相似度;推薦算法中圖分類(lèi)號(hào)：TP3?文獻(xiàn)標(biāo)識(shí)碼：A引言現(xiàn)有的稅收優(yōu)惠政策宣傳主要通過(guò)納稅學(xué)堂輔導(dǎo)、專(zhuān)題講座、網(wǎng)站政策公告等傳統(tǒng)的方式，傳統(tǒng)方式一方面時(shí)效性較差，另一方面對(duì)納稅人沒(méi)有針對(duì)性，使很多滿(mǎn)足要求的納稅人無(wú)法及時(shí)享受優(yōu)惠政策的紅利。推薦系統(tǒng)[1]的應(yīng)用已經(jīng)在多個(gè)領(lǐng)域進(jìn)行使用，本文旨在將推薦系統(tǒng)在
- 基于云服務(wù)器的云南民族文化旅游信息推薦系統(tǒng)
計(jì)了旅游信息推薦算法，采用云服務(wù)器、MVC模式開(kāi)發(fā)了旅游信息推薦系統(tǒng)。該系統(tǒng)能夠通過(guò)客戶(hù)信息、偏好規(guī)劃處最佳旅游路線(xiàn)，并實(shí)現(xiàn)旅游消息推送。與大型網(wǎng)站推薦的旅游攻略相比，該系統(tǒng)時(shí)效性強(qiáng)，能夠?yàn)橛慰吞峁└雍侠淼穆糜温肪€(xiàn)。關(guān)鍵詞：推薦算法;MVC模式;云服務(wù)器;時(shí)效性中圖分類(lèi)號(hào)：TP 391文獻(xiàn)標(biāo)志碼：A文章編號(hào)：1007-757X（2020）11-0033-03Abstract：The general recommendation system cannot
微型電腦應(yīng)用 2020年11期2020-12-23
- 基于卷積神經(jīng)網(wǎng)絡(luò)的電視頻道推薦算法
）的電視頻道推薦算法，首先根據(jù)用戶(hù)歷史觀(guān)看行為得到隱性觀(guān)看特征，以及根據(jù)用戶(hù)觀(guān)看電視頻道不同時(shí)段的節(jié)目簡(jiǎn)介得到用戶(hù)特征標(biāo)簽和電視頻道標(biāo)簽，然后在卷積神經(jīng)網(wǎng)絡(luò)模型中訓(xùn)練得到預(yù)測(cè)評(píng)分，最后通過(guò)預(yù)測(cè)評(píng)分對(duì)目標(biāo)用戶(hù)進(jìn)行推薦個(gè)性化推薦，同時(shí)考慮了冷啟動(dòng)問(wèn)題，使用K-Means方法來(lái)解決。我們?cè)O(shè)計(jì)了不同推薦算法的性能對(duì)比實(shí)驗(yàn)，最終通過(guò)基于廣電運(yùn)營(yíng)平臺(tái)中真實(shí)數(shù)據(jù)集的實(shí)驗(yàn)表明我們提出的算法優(yōu)于其他幾種基線(xiàn)推薦方法，提高了推薦質(zhì)量。關(guān)鍵詞： 電視頻道;推薦算法;卷積神經(jīng)網(wǎng)絡(luò)
軟件 2020年10期2020-12-23
- 一種基于用戶(hù)和商品屬性挖掘的協(xié)同過(guò)濾算法
興趣評(píng)分; 推薦算法; 混合推薦; 實(shí)驗(yàn)分析中圖分類(lèi)號(hào)： TN911.1?34; TP183 ? ? ? ? ? ? ? ? ? ? 文獻(xiàn)標(biāo)識(shí)碼： A ? ? ? ? ? ? ? ? ?文章編號(hào)： 1004?373X（2020）23?0120?04Abstract： In order to solve the problem of inaccurate recommendation caused by sparse data in traditional
現(xiàn)代電子技術(shù) 2020年23期2020-12-23
- 一種基于受限波爾茲曼機(jī)的推薦算法
度。關(guān)鍵詞：推薦算法;深度學(xué)習(xí);RBM模型;LFM模型DOI：10.15938/j.jhust.2020.05.009中圖分類(lèi)號(hào)： TP316.2文獻(xiàn)標(biāo)志碼： A文章編號(hào)： 1007-2683（2020）05-0062-06Abstract：In the case where the amount of data is too large， the recommended results output by the RBM model will be br
哈爾濱理工大學(xué)學(xué)報(bào) 2020年5期2020-11-30
- 面向知識(shí)管理的推薦算法研究
識(shí)管理系統(tǒng)和推薦算法的相關(guān)研究進(jìn)行介紹;然后對(duì)知識(shí)管理中的推薦算法進(jìn)行分析討論和比較，最后探討了知識(shí)推薦算法的發(fā)展方向。關(guān)鍵詞：知識(shí)管理;推薦算法;個(gè)性化服務(wù)中圖分類(lèi)號(hào)：TP391? ? ? ? 文獻(xiàn)標(biāo)識(shí)碼：A文章編號(hào)：1009-3044（2020）26-0217-04Abstract：In recent years， with the rapid development of the Internet digital economy， enterpris
電腦知識(shí)與技術(shù) 2020年26期2020-11-02
- 基于社會(huì)媒體挖掘的推薦系統(tǒng)
后運(yùn)用的各類(lèi)推薦算法，將算法的原理及優(yōu)缺點(diǎn)進(jìn)行了相關(guān)的闡述和解析。關(guān)鍵詞：推薦系統(tǒng);推薦算法;信息過(guò)濾;個(gè)性化推薦中圖分類(lèi)號(hào)：TP391.3 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1672-9129（2020）06-0080-01Abstract：withtheemergenceoftheInternetandtherapiddevelopmentofbigdataera，userscanmeettheneedsofvariousinformationretrieva
數(shù)碼設(shè)計(jì) 2020年6期2020-10-13
- 基于SVD填充和用戶(hù)特征屬性聚類(lèi)的混合推薦算法
性聚類(lèi)的混合推薦算法。首先利用SVD技術(shù)對(duì)評(píng)分矩陣拆分，并使用隨機(jī)梯度下降法對(duì)空缺值填充;然后對(duì)用戶(hù)特征屬性聚類(lèi)，以此縮小鄰居節(jié)點(diǎn)的搜索范圍;接著利用遺忘曲線(xiàn)思想改進(jìn)用戶(hù)的相似度公式，結(jié)合Jaccard系數(shù)和流行度思想改進(jìn)項(xiàng)目的相似度公式;再將用戶(hù)偏好和項(xiàng)目特征的維度加權(quán)融合;最后，將本文的SK-HCF算法和其他同類(lèi)算法進(jìn)行對(duì)比實(shí)驗(yàn)，并證明該算法的推薦準(zhǔn)確率有明顯提升。關(guān)鍵詞：推薦算法;協(xié)同過(guò)濾;奇異值分解;K均值聚類(lèi);遺忘曲線(xiàn)中圖分類(lèi)號(hào)：TP301.6?
電腦知識(shí)與技術(shù) 2020年16期2020-09-28
- 基于旅客信任網(wǎng)絡(luò)的航線(xiàn)選擇行為預(yù)測(cè)
精準(zhǔn)營(yíng)銷(xiāo); 推薦算法; 實(shí)驗(yàn)驗(yàn)證中圖分類(lèi)號(hào)： TN911.34?34; TP39? ? ? ? ? ? ? ?文獻(xiàn)標(biāo)識(shí)碼： A? ? ? ? ? ? ? ? ? ? ? ? 文章編號(hào)： 1004?373X（2020）04?0078?05Prediction of route selection behavior based on passenger trust?networkFENG Xia1，2，3， ZHANG Chen1， LU Min1，2，3（1
現(xiàn)代電子技術(shù) 2020年4期2020-07-23
- 加入懲罰因子的電商平臺(tái)協(xié)同過(guò)濾推薦算法
摘要：為提高推薦算法挖掘數(shù)據(jù)長(zhǎng)尾信息的能力，降低推薦結(jié)果流行度，使推薦結(jié)果更多樣，在傳統(tǒng)協(xié)同過(guò)濾推薦算法基礎(chǔ)上，分別將熱門(mén)項(xiàng)目與活躍用戶(hù)的懲罰因子引入相似性計(jì)算中，依據(jù)準(zhǔn)確度、覆蓋率、流行度等評(píng)價(jià)標(biāo)準(zhǔn)，在上海某電商平臺(tái)銷(xiāo)售數(shù)據(jù)集上進(jìn)行比較，并通過(guò)多組實(shí)驗(yàn)驗(yàn)證不同參數(shù)對(duì)推薦算法的影響。結(jié)果顯示，加入懲罰因子后基于用戶(hù)的協(xié)同過(guò)濾推薦算法在N值取10、K值取3時(shí)，流行度為3.97，比傳統(tǒng)方法降低了7.31%：加入懲罰因子后基于項(xiàng)目的協(xié)同過(guò)濾推薦算法在N值取10、
軟件導(dǎo)刊 2020年1期2020-07-14
- 個(gè)性化推薦算法研究綜述
技術(shù)的發(fā)展，推薦算法為人們享受網(wǎng)絡(luò)便利提供了很多幫助。隨著推薦算法的不斷進(jìn)步，個(gè)性化推薦算法逐漸受到了用戶(hù)的青睞。本文介紹了個(gè)性化基本算法的其中三種：基于內(nèi)容的推薦算法、構(gòu)建知識(shí)網(wǎng)絡(luò)、基于社交應(yīng)用的個(gè)性化推薦。同時(shí)介紹了個(gè)性化推薦算法與其他技術(shù)的聯(lián)系、運(yùn)作流程和應(yīng)用等，從實(shí)際出發(fā)，以解決實(shí)際問(wèn)題為目的，闡述應(yīng)用具體形式。此外，本文也闡述了亟待解決的難點(diǎn)和問(wèn)題。關(guān)鍵詞：推薦算法;個(gè)性化;知識(shí)網(wǎng)絡(luò)中圖分類(lèi)號(hào)：TP391.3 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1671-
中國(guó)科技縱橫 2020年6期2020-07-08
- 基于位置的社交網(wǎng)絡(luò)的個(gè)性化興趣點(diǎn)推薦算法研究
特征興趣點(diǎn)的推薦算法是非常重要的。基于此，本文主要討論了在位置基礎(chǔ)上的社交網(wǎng)絡(luò)個(gè)性化興趣點(diǎn)推薦算法的探索策略。關(guān)鍵詞：位置;社交網(wǎng)絡(luò);個(gè)性化興趣點(diǎn);推薦算法隨著互聯(lián)網(wǎng)的擴(kuò)張，數(shù)據(jù)量也出現(xiàn)了大幅度的增加，人們已經(jīng)擺脫了數(shù)據(jù)比較匱乏的時(shí)期，進(jìn)入到一個(gè)大數(shù)據(jù)的時(shí)期，并順應(yīng)這個(gè)時(shí)代會(huì)產(chǎn)生兩種角色，即數(shù)據(jù)的消費(fèi)者和數(shù)據(jù)生產(chǎn)者。這兩種角色目前面臨的挑戰(zhàn)是極大的，而對(duì)數(shù)據(jù)的消費(fèi)者來(lái)說(shuō)，怎樣才能夠在互聯(lián)網(wǎng)當(dāng)中準(zhǔn)確搜索出自身需求的數(shù)據(jù)是非常困難的，而對(duì)于互聯(lián)網(wǎng)數(shù)據(jù)生產(chǎn)者來(lái)說(shuō)
科技風(fēng) 2020年17期2020-07-04
- 大數(shù)據(jù)背景的變頻興趣變化推薦算法研究
;協(xié)同過(guò)濾;推薦算法;興趣變化;大數(shù)據(jù)推薦系統(tǒng);相似度計(jì)算中圖分類(lèi)號(hào)：TP391 ? ? ? ?文獻(xiàn)標(biāo)志碼：A ? ? ? ? 文章編號(hào)：2095-2945（2020）20-0014-03Abstract： The existing collaborative filtering algorithms that adapt to the change of interest can not reflect the frequency of the chan
科技創(chuàng)新與應(yīng)用 2020年20期2020-06-29
- 一種混合推薦算法的Mahout實(shí)現(xiàn)
科摘? 要：推薦算法作為推薦引擎實(shí)現(xiàn)的核心而得到廣泛研究。在各類(lèi)推薦算法中，大部分對(duì)于用戶(hù)行為特征屬性、用戶(hù)人口屬性、物品特征屬性，以及用戶(hù)—物品關(guān)聯(lián)特征屬性等參數(shù)的應(yīng)用方式存在局限性。它們一般采用相似度計(jì)算、或模型計(jì)算等方法，其特征提取及參數(shù)的調(diào)優(yōu)依賴(lài)于事前定義，存在參數(shù)優(yōu)化效率低的問(wèn)題。本文結(jié)合機(jī)器學(xué)習(xí)技術(shù)，提出一種混合推薦算法，即（MMLHC算法），以多層神經(jīng)網(wǎng)絡(luò)作為參數(shù)優(yōu)化計(jì)算的模型，應(yīng)用Mahout庫(kù)實(shí)現(xiàn)算法，實(shí)驗(yàn)結(jié)果顯示算法能有效去除原始輸入數(shù)
軟件工程 2020年6期2020-06-21
- 基于協(xié)同過(guò)濾決策樹(shù)的商品推薦算法的研究
詞：大數(shù)據(jù);推薦算法;協(xié)同過(guò)濾;HadoopKey words： big data;recommendation algorithm;collaborative filtering;Hadoop中圖分類(lèi)號(hào)：TP311.5? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? 文獻(xiàn)標(biāo)識(shí)碼：A? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? 文章編號(hào)：1006-4311（2020）09-0127-030? 引言隨著科技的發(fā)展，
價(jià)值工程 2020年9期2020-04-20
- 基于譜聚類(lèi)和LFM的選課推薦算法設(shè)計(jì)
長(zhǎng)，使得傳統(tǒng)推薦算法難以處理海量、高維的選課數(shù)據(jù)，為進(jìn)一步提升大學(xué)生的選課效率，文章提出一種改進(jìn)的LFM隱語(yǔ)義模型推薦算法，首先構(gòu)造選課評(píng)分?jǐn)?shù)據(jù)的相似矩陣，通過(guò)譜聚類(lèi)進(jìn)行初始分類(lèi)，然后分類(lèi)別構(gòu)建LFM模型并計(jì)算合理的推薦算法。通過(guò)在某高校的選課數(shù)據(jù)集上的對(duì)比實(shí)驗(yàn)，證明了本文算法具有較高的預(yù)測(cè)精度和較低的空間復(fù)雜度。關(guān)鍵詞：推薦算法;隱語(yǔ)義模型;譜聚類(lèi)算法中圖分類(lèi)號(hào)：TP391? ? ? 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：2096-4706（2020）01-0014
現(xiàn)代信息科技 2020年1期2020-04-10
- 個(gè)性化學(xué)習(xí)資源精準(zhǔn)推薦系統(tǒng)設(shè)計(jì)研究
介紹了主流的推薦算法及其實(shí)現(xiàn)原理，并采用混合推薦模式和不同的推薦策略，設(shè)計(jì)出個(gè)性化學(xué)習(xí)資源精準(zhǔn)推薦系統(tǒng)的系統(tǒng)模型，以期助力學(xué)習(xí)者的個(gè)性化學(xué)習(xí)。關(guān)鍵詞：精準(zhǔn)推薦;個(gè)性化學(xué)習(xí)資源;推薦算法;教育大數(shù)據(jù)中圖分類(lèi)號(hào)：TP311? ? ? 文獻(xiàn)標(biāo)識(shí)碼：A文章編號(hào)：1009-3044（2020）02-0057-021 學(xué)習(xí)資源推薦系統(tǒng)的現(xiàn)狀1.1 教育領(lǐng)域中缺少高質(zhì)量的資源推薦應(yīng)用以“淘寶”“今日頭條”等商業(yè)應(yīng)用為代表的個(gè)性化內(nèi)容推薦軟件已經(jīng)廣為人知，但是內(nèi)容推薦在教
電腦知識(shí)與技術(shù) 2020年2期2020-03-16
- 基于個(gè)性化推薦算法的全方位入職服務(wù)平臺(tái)設(shè)計(jì)
的核心是職位推薦算法，爬取算法，相似度算法算法，實(shí)現(xiàn)職位的最大效率化推薦，讓用戶(hù)僅通過(guò)該軟件就可獲得豐富的求職及相關(guān)資源信息。關(guān)鍵詞：就業(yè)服務(wù);爬蟲(chóng);大數(shù)據(jù)技術(shù);推薦算法中圖分類(lèi)號(hào)：TP311 ? ? ?文獻(xiàn)標(biāo)識(shí)碼：A文章編號(hào)：1009-3044（2020）34-0001-02Abstract： Providing students with employment services is a key task of many colleges with a
電腦知識(shí)與技術(shù) 2020年34期2020-01-26
- 基于TF-IDF和互信息的推薦算法研究
互信息的方劑推薦算法。其核心思想是根據(jù)TF-IDF算法的原理，確定核心藥物;再計(jì)算核心藥物和方劑間的互信息來(lái)確定二者相關(guān)性，以此確定最有效的方劑。對(duì)名老中醫(yī)治療肺癌的542首方劑，共計(jì)342味藥物進(jìn)行數(shù)據(jù)挖掘，通過(guò)該算法獲得核心藥物71味，推薦方劑126首。采用該算法獲得名老中醫(yī)治療肺癌的核心方劑的結(jié)果表明，該算法通用性強(qiáng)，效率高。由于不僅探索了藥物層面的規(guī)律，還挖掘了方劑層面的信息，故該算法有較高的實(shí)用價(jià)值。關(guān)鍵詞： TF–IDF; 有向含權(quán)網(wǎng)絡(luò); 互信
計(jì)算機(jī)時(shí)代 2019年12期2019-12-23
- 基于旅游用戶(hù)數(shù)據(jù)和評(píng)論的推薦系統(tǒng)的設(shè)計(jì)
文基于個(gè)性化推薦算法的研究，將用戶(hù)信息，用戶(hù)評(píng)論，用戶(hù)行為，用戶(hù)歷史訂單，用戶(hù)未來(lái)訂單等多項(xiàng)數(shù)據(jù)作為算法的訓(xùn)練測(cè)試集，對(duì)功能性需求進(jìn)行分析，開(kāi)發(fā)了基于用戶(hù)數(shù)據(jù)的推薦系統(tǒng)。關(guān)鍵詞： 旅游數(shù)據(jù);推薦算法;數(shù)據(jù)挖掘【Abstract】： With the improvement of the living standards of the people and the booming tourism industry， the combination of to
軟件 2019年11期2019-12-19
- 大數(shù)據(jù)個(gè)性化推薦分析
大數(shù)據(jù)個(gè)性化推薦算法的發(fā)展歷程進(jìn)行分析的基礎(chǔ)上，研究了大數(shù)據(jù)個(gè)性化推薦的各種算法，對(duì)比分析了算法的優(yōu)缺點(diǎn)及適用場(chǎng)合，探討了大數(shù)據(jù)個(gè)性化推薦在數(shù)據(jù)、算法、用戶(hù)、冷啟動(dòng)及推薦多樣性方面存在的問(wèn)題，并展望了其在教育、醫(yī)療、電子商務(wù)及互聯(lián)網(wǎng)金融等領(lǐng)域的應(yīng)用趨勢(shì)。關(guān)鍵詞：大數(shù)據(jù);個(gè)性化推薦;興趣愛(ài)好;推薦算法;協(xié)同過(guò)濾;混合推薦中圖分類(lèi)號(hào)：TP39文獻(xiàn)標(biāo)識(shí)碼：A文章編號(hào)：2095-1302（2019）11-00-030 引 言大數(shù)據(jù)背景下的信息過(guò)載問(wèn)題越來(lái)越嚴(yán)重，基
物聯(lián)網(wǎng)技術(shù) 2019年11期2019-12-11
- 幾種電商推薦算法概述
法，以不同的推薦算法對(duì)用戶(hù)數(shù)據(jù)進(jìn)行分析、篩選，最后預(yù)測(cè)出用戶(hù)可能感興趣的商品。推薦系統(tǒng)中的算法作為核心，本文就電商中常用的幾種推薦算法進(jìn)行介紹。關(guān)鍵詞：網(wǎng)購(gòu);數(shù)據(jù);機(jī)器學(xué)習(xí);推薦算法1.基于CF的推薦算法1.1算法簡(jiǎn)介CF（協(xié)同過(guò)濾）的推薦原理很簡(jiǎn)單，就是利用用戶(hù)對(duì)商品的興趣相投。其主要分為兩大類(lèi)的協(xié)同過(guò)濾算法，要么基于用戶(hù)，要么基于商品，本文主要介紹的是基于物品的協(xié)同過(guò)濾算法。總結(jié)：不同的消費(fèi)者在逛網(wǎng)上商城時(shí)，有意向的商品都是不一樣的，而如何通過(guò)推薦商品
科學(xué)與財(cái)富 2019年8期2019-10-21
- 基于標(biāo)簽的自助教育資源推薦算法研究
自主教育資源推薦算法的應(yīng)用意義，從學(xué)習(xí)環(huán)境構(gòu)建、學(xué)習(xí)資源完善以及信息檢索速度提升三方面進(jìn)行。其次重點(diǎn)論述在標(biāo)簽基礎(chǔ)上構(gòu)建自助教育資源推薦算法的有效措施，以及實(shí)現(xiàn)自助教育資源推薦的關(guān)鍵流程控制，可以作為教育資源推薦算法應(yīng)用的理論參照。關(guān)鍵詞：標(biāo)簽;自助教育;推薦算法中圖分類(lèi)號(hào)：TP393.09 ? ? 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：2096-4706（2019）12-0013-03Abstract：Firstly，the paper analyses the a
現(xiàn)代信息科技 2019年12期2019-10-21
- 基于Ambari的協(xié)同過(guò)濾推薦算法的研究
最廣泛的一種推薦算法，但是由于CF存在稀疏性、冷啟動(dòng)等問(wèn)題，所以本文提出了基于mahout的CF算法。結(jié)果表明，相比較傳統(tǒng)的兩種CF算法，使用基于mahout的CF算法能夠提升推薦時(shí)間和推薦精度。關(guān)鍵詞：協(xié)同過(guò)濾;mahout;推薦算法;Taste引擎中圖分類(lèi)號(hào)：TP312 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1007-9416（2019）06-0133-020 引言目前，由百度、谷歌所推出的推薦引擎已經(jīng)被廣泛應(yīng)用，但是推薦引擎是大眾性的，不具有個(gè)性化特點(diǎn)。所以推薦
數(shù)字技術(shù)與應(yīng)用 2019年6期2019-09-25
- 基于SVD的協(xié)同過(guò)濾推薦算法研究
文在協(xié)同過(guò)濾推薦算法的研究基礎(chǔ)上，對(duì)協(xié)同過(guò)濾推薦算法進(jìn)行了優(yōu)化，并設(shè)計(jì)了基于SVD的協(xié)同過(guò)濾推薦算法。經(jīng)過(guò)系統(tǒng)檢驗(yàn)，該算法能有效地改善傳統(tǒng)協(xié)同過(guò)濾推薦算法稀疏性的缺陷，提升了推薦精度和推薦效率，對(duì)提升用戶(hù)體驗(yàn)度有較大幫助。關(guān)鍵詞： 協(xié)同過(guò)濾;SVD;推薦算法中圖分類(lèi)號(hào)：TP3? ? ? ? 文獻(xiàn)標(biāo)識(shí)碼：A文章編號(hào)：1009-3044（2019）21-0009-02開(kāi)放科學(xué)（資源服務(wù)）標(biāo)識(shí)碼（OSID）：Abstract： At present， most
電腦知識(shí)與技術(shù) 2019年21期2019-09-24
- 面向用戶(hù)個(gè)性需求的教育資源混合式推薦模型
、對(duì)象建模與推薦算法進(jìn)行詳細(xì)論述。[關(guān)鍵詞]智慧教育;智能學(xué)習(xí)系統(tǒng);模型構(gòu)建;混合式推薦;推薦算法[中圖分類(lèi)號(hào)] G64 [文獻(xiàn)標(biāo)識(shí)碼] A [文章編號(hào)] 2095-3437（2019）09-0014-03當(dāng)前互聯(lián)網(wǎng)信息技術(shù)的迅猛發(fā)展悄然改變著人們的生活習(xí)慣、工作方式、交流途徑以及認(rèn)知思維模式等，傳統(tǒng)的教學(xué)模式愈加暴露出其時(shí)效性、針對(duì)性不強(qiáng)等弊端。物聯(lián)網(wǎng)、大數(shù)據(jù)、云計(jì)算技術(shù)的成熟以及各種智能終端的涌現(xiàn)，為推崇具有“數(shù)字化、網(wǎng)絡(luò)化、智能化、多媒體化”典型特征
大學(xué)教育 2019年9期2019-09-20
- 用戶(hù)興趣建模支持下的行為推薦算法特性分析
支持下的行為推薦算法特性分析，基于特征維度的選擇，以及特性影響因子的求解，完成了推薦算法特性分析影響因子的計(jì)算;基于行為推薦算法樣本集的確定，實(shí)現(xiàn)了行為推薦算法的特性分析，試驗(yàn)數(shù)據(jù)表明，提出的推薦算法特性分析較傳統(tǒng)分析方法，分析準(zhǔn)確率提高13.68%。適用于不同用戶(hù)興趣建模支持下的行為推薦。關(guān)鍵詞：興趣建模;用戶(hù)行為;推薦算法;特性分析中圖分類(lèi)號(hào)：TP301. 6? ? ? ?文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：2096-4706（2019）09-0011-030?
現(xiàn)代信息科技 2019年9期2019-09-10
- 基于游客和景區(qū)信息的推薦算法研究
和景區(qū)信息的推薦算法進(jìn)行研究，利用關(guān)系拓?fù)浣Y(jié)構(gòu)為新用戶(hù)智能推薦有效旅游導(dǎo)覽信息，根據(jù)用戶(hù)地理位置信息對(duì)推薦內(nèi)容進(jìn)行智能篩選，從而達(dá)到精準(zhǔn)推送效果，滿(mǎn)足了自由行游客的智慧旅游需求。關(guān)鍵詞：旅游;智慧旅游;推薦算法;游客;景區(qū)中圖分類(lèi)號(hào)：TP391.3 ? ? ?文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1003-2177（2019）12-0122-030 引言目前，人們的經(jīng)濟(jì)水平與日俱增，對(duì)旅游的要求越來(lái)越趨向精準(zhǔn)化個(gè)性化。本文提出了一種基于游客和景區(qū)信息的推薦算法，為智慧
海外文摘·學(xué)術(shù) 2019年12期2019-09-10
- 基于圖書(shū)管理系統(tǒng)的推薦算法的研究
本文通過(guò)介紹推薦算法的概念入手，根據(jù)推薦算法的劃分分類(lèi)，從分類(lèi)中選擇4中推薦算法應(yīng)用到圖書(shū)管理系統(tǒng)中進(jìn)行對(duì)比，發(fā)現(xiàn)組合推薦技術(shù)避免或彌補(bǔ)其他推薦技術(shù)的弱點(diǎn)，更適合應(yīng)用系統(tǒng)中，最后本文總結(jié)了4方法的優(yōu)劣，提供大家更準(zhǔn)確的選擇推薦算法，形成組合推薦算法。關(guān)鍵詞：推薦算法;圖書(shū)管理系統(tǒng);組合推薦1.推薦算法的概念推薦算法通過(guò)一些數(shù)學(xué)算法，推測(cè)出用戶(hù)可能喜歡的東西，目前應(yīng)用推薦算法比較好的地方主要是網(wǎng)絡(luò)。所謂推薦算法就是利用用戶(hù)的一些行為，通過(guò)一些數(shù)學(xué)算法，推測(cè)出
- 利用讀者行為的協(xié)同過(guò)濾推薦方法的研究
于協(xié)同過(guò)濾的推薦算法，利用讀者借閱行為（預(yù)約、借書(shū)、還書(shū)）數(shù)據(jù)進(jìn)行分析，構(gòu)建出讀者行為評(píng)分矩陣、圖書(shū)相似矩陣，再利用兩個(gè)矩陣進(jìn)行推薦的方法。結(jié)合廣西壯族自治區(qū)圖書(shū)館業(yè)務(wù)數(shù)據(jù)測(cè)試，該方法確實(shí)可以。關(guān)鍵詞：協(xié)同過(guò)濾 讀者行為 公共圖書(shū)館 推薦算法引言在當(dāng)今大數(shù)據(jù)時(shí)代下，數(shù)據(jù)驅(qū)動(dòng)使得服務(wù)模式發(fā)生變化。公共圖書(shū)館的服務(wù)策略應(yīng)該由傳統(tǒng)的被動(dòng)式服務(wù)轉(zhuǎn)變成主動(dòng)式服務(wù)，而主動(dòng)提供服務(wù)的其中一個(gè)特征就是提供推送式推薦服務(wù)。協(xié)同過(guò)濾推薦算法是推薦算法中的經(jīng)典，其實(shí)現(xiàn)通常依賴(lài)于
數(shù)碼世界 2019年5期2019-09-09
- 融入項(xiàng)目屬性相似度的矩陣分解算法
;協(xié)同過(guò)濾;推薦算法中圖分類(lèi)號(hào)：TP181 文獻(xiàn)標(biāo)識(shí)碼：A文章編號(hào)：1009-3044（2019）16-0198-01開(kāi)放科學(xué)（資源服務(wù)）標(biāo)識(shí)碼（OSID）：1 引言隨著大數(shù)據(jù)時(shí)代的到來(lái)，人們很難快速在網(wǎng)上捕捉自己需要的信息。因此出現(xiàn)了個(gè)性化的推薦系統(tǒng)。近期有許多學(xué)者提出了改進(jìn)算法。針對(duì)基于改進(jìn)矩陣分解的推薦算法，盛偉等人[1]提出了根據(jù)用戶(hù)的評(píng)分行為將原始評(píng)分?jǐn)?shù)據(jù)矩陣進(jìn)行分群操作，然后對(duì)相似的用戶(hù)群評(píng)分矩陣進(jìn)行分解并產(chǎn)生推薦?？紤]到語(yǔ)義的相似度問(wèn)題，王陽(yáng)
電腦知識(shí)與技術(shù) 2019年16期2019-08-12
- 基于用戶(hù)聚類(lèi)的圖書(shū)推薦算法設(shè)計(jì)與實(shí)現(xiàn)
?要：個(gè)性化推薦算法中一直存在新用戶(hù)的冷啟動(dòng)問(wèn)題，文章通過(guò)引入ID3算法來(lái)預(yù)測(cè)、分析新用戶(hù)的類(lèi)別選擇。首先，根據(jù)實(shí)驗(yàn)數(shù)據(jù)特征對(duì)ID3算法加以改進(jìn);其次，根據(jù)分析數(shù)據(jù)表中各字段的屬性確定試驗(yàn)參數(shù);最后，得出實(shí)驗(yàn)結(jié)果。關(guān)鍵詞：推薦算法;冷啟動(dòng);決策樹(shù);聚類(lèi)分析推薦系統(tǒng)是一種向目標(biāo)用戶(hù)建議可能感興趣物品的軟件和技術(shù)，主要服務(wù)于缺乏經(jīng)驗(yàn)和能力的用戶(hù)，他們通常無(wú)法從大量可供選擇的物品中選取感興趣的物品，如無(wú)法從某網(wǎng)站中選取感興趣的商品。目前，電商的推薦大多是個(gè)性化的
無(wú)線(xiàn)互聯(lián)科技 2019年10期2019-08-06