协同过滤推荐
协同过滤推荐的相关文献在2004年到2022年内共计345篇,主要集中在自动化技术、计算机技术、信息与知识传播、无线电电子学、电信技术
等领域,其中期刊论文101篇、会议论文3篇、专利文献291359篇;相关期刊74种,包括科学技术与工程、中国数字医学、现代电子技术等;
相关会议3种,包括2007年北京地区高校研究生学术交流会、第二十三届中国数据库学术会议(NDBC2006)、第22届全球华人计算机教育应用大会等;协同过滤推荐的相关文献由898位作者贡献,包括任永功、张志鹏、焦李成等。
协同过滤推荐—发文量
专利文献>
论文:291359篇
占比:99.96%
总计:291463篇
协同过滤推荐
-研究学者
- 任永功
- 张志鹏
- 焦李成
- 刘静
- 罗辛
- 邹丽
- 马文萍
- 夏云霓
- 崔晓松
- 张全贵
- 张斌
- 杨博
- 杨帆
- 丁立新
- 僧德文
- 刘国丽
- 刘若辰
- 吴健
- 吴磊
- 尹建伟
- 张宇
- 张蕾
- 慕彩红
- 文诗琪
- 朱虎明
- 李莹
- 李鑫
- 李阳阳
- 熊涛
- 王刚
- 王成
- 王颖
- 程久军
- 苏芳芳
- 贺巩山
- 赵东星
- 赵永梅
- 邓水光
- 郭雪梅
- 钟必能
- 陈亮
- 陈叶旺
- 陈维斌
- 陈鹏
- 马晶晶
- 万年红
- 万振
- 乐光学
- 于丽梅
- 于敬
-
-
朱卫东;
李子龙;
乔良才
-
-
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。
-
-
佘学兵;
黄沙;
刘承启
-
-
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。
-
-
彭宇明;
朱小燕;
鲁俊红
-
-
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。
-
-
钟志峰;
周冬平;
张艳;
夏一帆
-
-
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。
-
-
黄大巧;
朱健军;
曹俊卓
-
-
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。
-
-
王慧颖;
王文乐
-
-
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.
-
-
彭宇明;
张铁军
-
-
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.
-
-
傅金京;
李玲娟
-
-
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.
-
-
邵超;
宋淑米
-
-
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.
-
-
王保
-
-
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.
-
-
罗雯;
刘博;
胡杏
- 《第22届全球华人计算机教育应用大会》
| 2018年
-
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.
-
-
李丹丹
- 《2007年北京地区高校研究生学术交流会》
| 2008年
-
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。
-
-
陶红亮;
王明文;
曹瑛
- 《第二十三届中国数据库学术会议(NDBC2006)》
| 2006年
-
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。