协同过滤推荐

摘要： 大数据技术已经广泛应用在生产、生活过程中。在现在的视频在线、音乐在线、网络社交、电子商务等领域,智能推荐系统变得越来越重要,通过使用大数据技术对用户信息进行分析、预测以更好地服务用户服务。目前,根据算法的不同推荐方式有专家推荐、基于统计推荐、基于内容推荐、协同过滤推荐、混合推荐等多种形式。

摘要： 为帮助用户快速、准确地获取所需的网络资源为目的,提出基于深度学习的网络资源优先协同过滤推荐方法。首先分析推荐过程的组成架构,将其划分为信息处理、用户建模、推荐算法等多个功能模块。然后通过共现关系分别描述网络资源与用户之间的关联性,从而建立资源-用户特征矢量模型,获取表示全面特征的目标函数。将能够反映丰富物理量的张量引入到神经网络中,合并一阶张量与二阶张量,得出神经网络的输出信号,再采用反向传播算法对神经网络做深度学习,获得输出层、隐含层与输入层误差。计算整体损失函数的偏导数,直到损失函数收敛,结束学习过程,从而生成优先协同过滤推荐结果。仿真结果证明,上述方法可以更有效的获取资源与用户特征,可为用户推荐合适的网络资源。

摘要： 目的:研究并构建“互联网+慢病数字化管理”服务生态系统,促进慢病管理服务相关产业链、服务链、创新链的整合与协同优化。方法:从慢病数据管理角度,采用“互联网+”理论和技术构建慢病数字化管理服务生态系统架构,并提出相应的构建方法和策略。结果:在慢病数字化管理服务推荐仿真应用中,服务生态系统和协同过滤推荐算法能够更加准确地对接用户与产品和服务资源。结论:“互联网+慢病数字化管理”服务生态系统能够更好地整合资源,提高慢病管理水平和服务效率。

摘要： 针对单一推荐模型在电影推荐过程中无法同时利用推荐系统中的隐式信息和显式信息所导致的推荐不准确以及冷启动等问题,提出了一种基于最小二乘法的混合推荐模型。该模型首先通过基于内容的推荐算法和协同过滤推荐算法分别进行单一模型的推荐,然后对单一推荐模型所产生的推荐结果动态地调整权重进行数据拟合,再将所产生的拟合数据进行最小二乘运算,减小整体预测误差,从而得到最终的推荐结果。最后使用MovieLens 100k和MovieLens 1M这两种公开的电影数据集对该模型进行验证并与其他几种模型进行比较。实验结果表明,所提出的基于最小二乘法的混合推荐模型在精确率、召回率和F值等评价指标上都优于目前几种传统的推荐模型,所造成的预测误差相较于目前几种传统推荐模型也更小。

摘要： 为了改进时间事件上的输入扰动或者攻击可能导致系统推荐性能大幅下降的问题,提出一种基于对抗性训练改进模型鲁棒性的协同过滤推荐算法。通过构建微小扰动对推荐模型进行训练,调整改进网络结构参数,从而提高系统的推荐准确度和抗干扰能力。通过在亚马逊数据集上的实验,并与几个基线模型进行不同Top-K推荐目标下的NDCG性能对比,结果表明:经过对抗训练的改进算法提升了系统鲁棒性,并且在中等扰动情况下可减少性能下降15%以上。

摘要： 因当前方法在划分用户行为时参考指标单一,导致推断结果误差较大.为解决上述问题,基于协同过滤推荐,对社交网络行为推断方法展开研究.根据不同形式的社交网络推荐模式,架构用户之间的信任关系,随后将信任值替换为相似度,采用协同过滤算法获取推荐列表,基于社交网络信息的组成部分,利用线性融合方法将其结合,创建用户相似度模型,推导出推荐函数表达式;扩展用户社交网络行为和普遍采集物品行为,构建用户采集物品行为事件所含模块,依据事件行为序列中潜在行为,构建用户行为序列形式,根据潜在行为动态偏好空间与行为推断参数集合,解得用户行为发生概率,计算行为事件对数似然函数,得到各候选物品采集概率,降序排序后便获得可能性最大的行为结果.仿真结果表明,所提方法不仅能够有效推断用户行为,而且在不同平台上均具有显著优越性.

摘要： 目的:借助"互联网+"优势提升传统医疗服务行业的品质和服务水平,为广大慢病患者提供安全、可靠、持续的健康管理服务.方法:提出了"互联网+三师共管"的高血压数字诊疗系统架构,并提出一种协同过滤推荐算法.结果:在远程诊疗服务推荐应用中,基于用户兴趣聚类协同过滤推荐算法的用户预测评分误差较小,推荐准确率最高.结论:所提出的基于"互联网+三师共管"的高血压慢病管理系统,能够更大程度地提高慢病管理服务水平和远程医疗效率.

摘要： 个性化推荐系统是帮助用户发现内容,克服信息过载的重要工具.为了提高推荐算法的准确率和效率,综合协同过滤推荐算法和K-means聚类算法,设计了一种基于用户特征和评分的精准推荐策略.该策略一方面针对新用户冷启动问题,引入K-means聚类算法对全体用户特征进行聚类,将新用户所属类中其他用户喜好的物品中的Top N个推荐给新用户;另一方面根据物品数和用户数的大小关系,或者不同推荐算法所得Fl值的大小关系,来决定选择将哪种推荐算法产生的结果推荐给老用户.在Movielens和FilmTrust数据集上的实验结果表明,这种基于用户特征和评分的精准推荐策略能够有效地针对新用户和老用户做出准确的最佳推荐.

摘要： 随着信息的海量增长,推荐系统有效缓解了信息爆炸带来的问题,其中协同过滤作为主流技术之一受到了广泛的关注.针对用户的兴趣偏好研究主要是基于商品标签的有监督数据集进行研究,忽略了无监督数据集,同时,在计算用户的兴趣偏好过程中也未能考虑到信任用户对用户兴趣的影响.为此,文中首先在无监督的项目数据集上采用矩阵分解模型得到项目的潜在特征向量,据此对项目进行聚类以表示项目的类别信息;然后,结合用户的信任关系和用户-项目评分矩阵构造用户的兴趣偏好矩阵;最后,为提高推荐效率,在用户的兴趣偏好矩阵上对用户进行聚类,在每个聚类簇内计算用户之间的相似度,从而实现推荐.在公开数据集上的实验结果表明,该算法能有效改善推荐结果的精确性,提升推荐质量.

摘要： 设计了一个农业信息资讯推荐系统,系统包括3﹑个模块:农业信息资讯获取模块个性化信息个性化推荐模块和前台农业信息展示模块,分别能够实现对农业资讯的实时获取、农业资讯个性化推荐以及对农业信息资讯的展示与交互.农业信息资讯推荐系统页面采用HTML语言+Thymeleaf框架进行开发;后台服务采用MVC架构模式,使用Java语言结合SpringBoot、Mybatis架构封装;推荐系统采用前沿的协同过滤推荐作为推荐系统技术,并且实现了推荐算法的参数调优.

摘要： “三通工程”是国家“十三五”期间教育信息化的主要任务,而“人人通”是其核心工程.随着云计算技术的发展与应用,促进了基于云计算的网络学习空间——学习云空间的产生.为了解决学习者在海量资源中的“学习迷航”和“个性化不足”的问题,本文分析了学习云空间的六大要素;将学习云空间的六大要素与自适应模型核心要素有机结合,构建了基于学习云空间的学生自适应学习模型,提出了基于用户的协同过滤推荐算法的自适应机制;最后总结本研究并提出了三条自适应学习应用策略,有效地解决传统的网络学习空间中的个性化不足的问题.

摘要： 本文主要研究将遗传模糊聚类算法应用于协同过滤推荐技术,从而提高电子商务推荐系统的效率。利用模糊聚类可以有效地对协同过滤推荐中的数据进行柔性划分。模糊聚类与遗传算法的结合则是为发挥遗传算法的全局搜索能力,加快收敛速度,取得最优解。

摘要： 最近邻居协同过滤是目前比较好的推荐技术,它是根据最近邻居的评分对目标用户产生推荐.随着电子商务系统中用户数量和项目数量的快速增长,传统的协同过滤方法已经很难满足实时性和扩展性的需求.本文提出一种基于项目平滑和聚类的推荐算法,首先分别对用户和项目进行聚类,对用户未评分的项目进行平滑处理;根据平滑后的用户项目矩阵寻找目标项目的最近邻居,最后根据用户对最近邻居的评分来预测其对目标项目的评分.实验结果表明本文提出的方法能够有效解决用户评分数据稀疏问题,提高推荐质量。

摘要： 本发明提供一种协同过滤方法、协同过滤装置及系统，属于房屋信息处理技术领域。所述方法包括：确定第一房源集合，将第一房源集合中房源的偏好数据形成与选定用户对应的第一偏好数据集合；确定位置区域范围，并根据位置区域范围，选定部分用户，再确定第二房源集合，将第二房源集合中房源的偏好数据形成与部分用户对应的第二偏好数据集合；通过第二偏好数据集合获取已训练向量分解模型，利用第二偏好数据集合和已训练向量分解模型，获得与第二房源集合中房源对应的特征向量集合，计算特征向量集合的相似度，在计算完成后形成相似度集合。本发明用于通过相似计算确定具有用户偏好特征的推荐房源。

摘要： 一种协调过滤系统以及协调过滤方法。当不存在对项目(X)和项目(Z)的双方均进行了评价的用户的评价值时，信息处理中心(10a)的运算处理部(30)的间接相似度计算部(32)使用项目(Y)的评价值来间接地计算项目(X)与项目(Z)的相似度，该项目(Y)为，存在对项目(X)和项目(Y)的双方均进行了评价的用户的评价值、且存在对项目(Y)和项目(Z)的双方均进行了评价的用户的评价值的项目。预测评价值计算部(33)使用间接相似度计算部(32)计算出的项目(X)与项目(Z)的相似度，和对项目(X)以及项目(Z)的评价值，来计算对项目(X)和项目(Z)中的某一个未进行评价的用户的预测评价值。由此，能够计算出不能直接计算的、项目(X)和项目(Z)的预测评价值。由此，能够扩大可通过协同过滤而对评价值进行预测的项目的范围。

摘要： 本发明公开了一种基于图卷积协同过滤的推荐预测系统以及推荐预测方法，系统包括输入层、图卷积模型层和特征交互层，图卷积模型层构建有图卷积模型，图卷积模型以用户输入向量集合和项目输入向量集合作为输入数据，输出经过L层传播后的用户多重嵌入向量组和项目多重嵌入向量组；特征交互层使用外积对用户多重嵌入向量组和项目多重嵌入向量组进行交叉建模，构建交互体，通过CNN网络模型对交互体进行学习，最终得到用户节点对项目节点的预测结果。本发明使用外积对用户多重嵌入向量组和项目多重嵌入向量组进行交叉建模，构建交互体，利用CNN网络提取交互体的多维度关系和深层次交互关联，从理论上提升预测结果的有效性，从而提升推荐精确度。

摘要： 本发明提供一种协同过滤方法、协同过滤装置及系统，属于房屋信息处理技术领域。所述方法包括：确定第一房源集合，将第一房源集合中房源的偏好数据形成与选定用户对应的第一偏好数据集合；确定位置区域范围，并根据位置区域范围，选定部分用户，再确定第二房源集合，将第二房源集合中房源的偏好数据形成与部分用户对应的第二偏好数据集合；通过第二偏好数据集合获取已训练向量分解模型，利用第二偏好数据集合和已训练向量分解模型，获得与第二房源集合中房源对应的特征向量集合，计算特征向量集合的相似度，在计算完成后形成相似度集合。本发明用于通过相似计算确定具有用户偏好特征的推荐房源。

摘要： 一种协调过滤系统以及协调过滤方法。当不存在对项目(X)和项目(Z)的双方均进行了评价的用户的评价值时，信息处理中心(10a)的运算处理部(30)的间接相似度计算部(32)使用项目(Y)的评价值来间接地计算项目(X)与项目(Z)的相似度，该项目(Y)为，存在对项目(X)和项目(Y)的双方均进行了评价的用户的评价值、且存在对项目(Y)和项目(Z)的双方均进行了评价的用户的评价值的项目。预测评价值计算部(33)使用间接相似度计算部(32)计算出的项目(X)与项目(Z)的相似度，和对项目(X)以及项目(Z)的评价值，来计算对项目(X)和项目(Z)中的某一个未进行评价的用户的预测评价值。由此，能够计算出不能直接计算的、项目(X)和项目(Z)的预测评价值。由此，能够扩大可通过协同过滤而对评价值进行预测的项目的范围。

摘要： 本发明公开了一种改进了协同过滤推荐算法的推荐系统，属于推荐系统技术相关领域。该推荐系统包括输入模块、推荐算法和输出模块三个部分，输入模块用于输入用户个人基本信息、用户对项目的评分和用户历史信息等；推荐算法根据输入信息分析用户兴趣爱好，寻找最相似用户和项目，给出预测的评分结果；输出模块依据用户输入请求，输出相应的推荐项目。其中改进部分是对推荐算法中冷启动问题进行优化。针对新用户、新项目和新系统不同的冷启动问题，提出了优化解决方法。

摘要： 本发明公开了一种基于协同过滤推荐算法用于案例推荐的方法与系统，该方法包括以下步骤：S1、用户输入；S2、对用户选择项进行相似度计算，发现最近邻居；S3、根据用户相似度计算产生推荐数据集；S4、构建并利用标签给用户推荐相似案例。有益效果：通过运用协同过滤算法及对其进行改进，能够提高推荐案例的准确性，在用户选择输入项后，会根据系统推荐的案例选择不相关、基本相关、非常相关，从而能够有效地提高用户对案例的理解程度，降低民众维权的专业性限制；同时本方法通过改进现有推荐算法能够根据用户的选择项直接判断是否为相似输入，甚至找到相同输入，从而减少现有算法中的数据矩阵构建，提高效率与推荐的准确率。

摘要： 本申请公开了一种用于协同过滤的距离计算方法以及装置、协同过滤推荐方法、装置。该用于协同过滤的距离计算方法包括计算物品ID对应的数据结构的储存位置，并将所述物品ID转化到所述数据结构中储存；计算任一两个物品之间的数据关系，其中，数据关系是指所有用户中同时拥有两个物品的人数和所有用户中分别拥有两个物品其中之一的人数根据所述数据关系得到距离结果。本申请解决了协同过滤的处理效果不佳的技术问题。通过本申请减少了数据存储空间的同时还加快了距离计算的过程。

摘要： 本申请提供一种基于协同过滤推荐模型的物品推荐方法及装置，方法包括：获取目标用户的历史行为数据，基于所述历史行为数据构建数据序列，所述数据序列中包括与所述目标用户交互的多个物品的初始向量表示；将所述数据序列输入物品推荐模型中，确定所述目标用户的用户向量表示，并基于相似物品选择策略和基于注意力机制的向量融合方法确定目标物品的增强式向量表示；基于所述目标物品的增强式向量表示和所述目标用户的用户向量表示，确定所述目标用户对所述目标物品的喜爱程度预测值，并基于所述喜爱程度预测值对所述目标物品进行推荐，实现更精准地计算用户对物品的喜好程度，提高了物品推荐模型的推荐效果。

摘要： 本发明公开了一种基于协同过滤推荐算法用于案例推荐的方法与系统，该方法包括以下步骤：S1、用户输入；S2、对用户选择项进行相似度计算，发现最近邻居；S3、根据用户相似度计算产生推荐数据集；S4、构建并利用标签给用户推荐相似案例。有益效果：通过运用协同过滤算法及对其进行改进，能够提高推荐案例的准确性，在用户选择输入项后，会根据系统推荐的案例选择不相关、基本相关、非常相关，从而能够有效地提高用户对案例的理解程度，降低民众维权的专业性限制；同时本方法通过改进现有推荐算法能够根据用户的选择项直接判断是否为相似输入，甚至找到相同输入，从而减少现有算法中的数据矩阵构建，提高效率与推荐的准确率。