导读:本文包含了用户多兴趣论文开题报告文献综述及选题提纲参考文献,主要关键词:用户,多兴趣,个性化,推荐算法
用户多兴趣论文文献综述
邓磊,古发辉,李海平[1](2019)在《用户多兴趣下的个性化推荐算法分析》一文中研究指出目前,客户关系管理的一项重要内容为电子的商务个性化推荐。协同过滤算法是运用范围最广的推荐技术,但传统协同过滤推荐算法不适合多兴趣用户的推荐,则在此基础上通过协同过滤、项目协同过滤算法等,计算目标项目相似集,并在目标相似集中运用协同过滤算法处理。基于此,剖析用户多兴趣下的个性化推荐算法,并结合用户多需求的特点,总结个性推荐算法的优势,旨在通过完善算法推荐,实现个性化推荐算法与传统算法的融合,提高用户的体验满意度,充分展现个性化推荐算法的应用价值。(本文来源于《信息与电脑(理论版)》期刊2019年03期)
罗海媛,章牧[2](2018)在《基于用户多属性加权和兴趣相似度的协同过滤算法研究》一文中研究指出[目的/意义]旨在为提高协同过滤算法推荐质量提供参考。[方法/过程]针对协同过滤算法存在的数据稀疏性、冷启动等问题,提出基于用户多属性加权和兴趣相似度的协同过滤算法。该算法通过征集专家意见,借助层次分析法得出用户在年龄、性别、职业和邮编相似度的最优权重,计算多维属性相似度;将皮尔逊相似度作为约束系数,融入Weight Slope one算法,提取用户隐式标签,计算用户兴趣相似度;动态调整多维属性相似度和兴趣相似度,从而选取最优参数。[结果/结论]该算法有效降低了推荐系统的MAE值,在近邻数目较少和数据较稀疏情况下仍具优越性,提高了推荐质量。(本文来源于《情报探索》期刊2018年05期)
滕少华,麦嘉俊,张巍,赵淦森[3](2016)在《一种基于混合相似度的用户多兴趣推荐算法》一文中研究指出针对传统协同过滤推荐数据稀疏会影响推荐质量,以及项目最近邻居集的计算忽略用户多兴趣及提高推荐的准确度问题,该文采用混合模型改进了相似性度量计算,综合Pearson相关系数与修正余弦相似性,提出了一种基于混合相似度的用户多兴趣推荐算法.实验表明:该推荐方法的相似度计算更高效,不仅提高推荐准确率,而且使用户有更好的推荐体验.(本文来源于《江西师范大学学报(自然科学版)》期刊2016年05期)
周杨[4](2015)在《基于用户多兴趣和社交网络的个性化推荐研究》一文中研究指出随着信息技术的发展和经济社会信息化进程的加快,电子商务进入繁荣发展时期。电子商务中的商品规模急剧增加,用户发现满意商品的困难增大,“信息过载”等问题日益严重。个性化推荐技术能够基于用户在网上的行为挖掘用户兴趣,从而主动地向用户推荐其可能感兴趣的商品。准确获取用户的兴趣,是个性化推荐的基础,在推荐系统中发挥着核心作用。用户兴趣一般不是单一的,而是呈现多样化状态。此外,随着社交网络的发展,有不少研究指出用户和其社交好友之间存在相似的兴趣,用户也更加信赖来自社交好友的推荐。如果能够结合社交网络信息,推荐性能可能会得到进一步的提升。本文结合用户多兴趣模型和社交网络相关理论,应用神经网络技术,针对用户兴趣建模展开研究。本文介绍了个性化推荐的原理与技术,综述了个性化推荐的研究现状;提出了一种用户兴趣模型,充分考虑用户的多种兴趣,将其与协同过滤算法进行结合后能够针对用户的不同兴趣分别进行推荐;在多兴趣模型的基础上,结合社交网络信息,引入社交好友兴趣来增强用户兴趣模型;在多个数据集上进行实验验证,实验结果表明本文算法推荐准确性较高、多样性较强,并且在一定程度上能够有效缓解用户冷启动问题。(本文来源于《天津大学》期刊2015-11-01)
史庆霞[5](2013)在《基于用户多兴趣的协同过滤个性化推荐算法研究》一文中研究指出随着网络的普及,互联网信息总量的日益剧增带来了信息超载问题。个性化推荐系统作为解决“信息过载”问题的技术,已经成为电子商务的重要组成部分。近年来,个性化推荐系统理论研究和实际应用得到了很大的发展,几乎所有的商务网站都应用了个性化推荐系统,为用户提供个性化服务,使其享受更好的用户体验。协同过滤个性化推荐是推荐系统领域最重要的技术之一。协同过滤个性化推荐的目标就是为用户提供更准确的项目列表。常识告诉我们,用户的兴趣往往是多样性的,对不同类型的商品喜好程度不同。现有的协同过滤个性化推荐还没有很好地解决这一问题。本文主要研究的内容是在用户兴趣多样性下,如何准确地为用户提供符合其兴趣的个性化推荐服务。本文的研究内容与创新性工作主要体现在以下几个方面:(1)对现有的协同过滤个性化推荐算法进行了深入的研究与分析,指出用户多兴趣问题对协同过滤个性化推荐算法的影响。(2)对用户多兴趣问题,提出一种新颖的相似度计算方法。用权重系数6平衡项目相似度与用户兴趣度之间的比重。适当的调整δ值,计算出更符合用户某类兴趣的最近邻居。在计算预测评分时,以用户兴趣度所占权重作为系数进行加权平均,使预测评分更准确。(3)针对用户多兴趣引出的类型内数据稀疏性问题,提出先采用基于用户的协同过滤个性化推荐对目标项目未评分的用户进行一次预测评分。这样改善了数据稀疏性问题,并且将基于用户的协同过滤技术应用到基于项目的协同过滤技术上,避免了基于项目推荐算法不能推荐潜在兴趣项目的弊端。本文在matlab环境下,对提出的基于用户多兴趣的协同过滤个性化推荐改进算法进行了模拟实验,并考虑到时间复杂度,将平均运行时间MRT作为一种评价标准。通过与已有算法对比,验证了本文提出的改进算法在推荐准确性和实时性等方面优于已有算法,从而有利于提供更加个性化的推荐服务。(本文来源于《天津师范大学》期刊2013-06-30)
杨长春,孙婧[6](2012)在《用户多兴趣信任度的个性化推荐》一文中研究指出目前大多数推荐技术是针对用户单方面兴趣进行的。提出了一种用户多面(multi-faced)兴趣信任度的推荐算法,以适应博客、维客、新闻文章等涉及用户多种兴趣下的推荐。新算法以一种协调的方式将传统的协同过滤算法和基于信任度的推荐算法相结合。实验结果表明,该算法不仅能适应用户多种兴趣下的推荐,而且能有效解决冷启动问题,大大提高了推荐效果。(本文来源于《计算机工程与应用》期刊2012年32期)
徐红,彭黎,郭艾寅,徐云剑[7](2011)在《基于用户多兴趣的协同过滤策略改进研究》一文中研究指出协同过滤机制利用用户之间的相似性来推荐信息,能够为用户发现新的感兴趣的内容,它作为一种行之有效的技术被应用到很多领域中。但传统的协同过滤算法不能反映用户的多个兴趣及兴趣更新情况。基于此不足,在用户聚类协同过滤算法的基础上进行了改进,其基本思想是在基于用户聚类的基础上研究用户多兴趣的表示。针对用户兴趣偏好及更新情况引入基于时间的数据阈值、兴趣类型和用户项目兴趣权重的概念和公式。在此基础上将它们有机结合,融入基于用户聚类的协同过滤算法的推荐过程中。实验表明,改进后的算法比传统协同过滤算法在推荐准确度上有明显提高。(本文来源于《计算机技术与发展》期刊2011年04期)
陶思明[8](2009)在《基于语义的用户多兴趣挖掘与个性化服务系统》一文中研究指出随着信息技术的发展,特别是因特网应用的普及,出现了“信息超载”和“知识迷向”等问题。如何管理互联网上的大量信息,以适应用户不断增长的个性化的信息需求,是研究人员面临的新课题,个性化服务技术已经成为当前信息服务领域的研究热点之一。用户建模作为个性化服务的关键技术,逐步成为研究的重点。结合科技文献共享服务的特点,通过构建计算机领域词汇的语义集成本体,建立基于语义的用户多兴趣模型来挖掘用户兴趣,并进行个性化服务。语义集成本体以语义涵盖树为主体,记载着与主词节点的相关词汇和相似词汇。该模型将用户浏览和下载的信息当作挖掘对象,从用户使用系统的过程中挖掘出用户的兴趣主题。用户兴趣文本经预处理后,提取出用户兴趣特征词,通过该语义集成本体扩展出同义词和相关词,使模型更加全面准确地描述用户兴趣,并从语义上理解用户的兴趣主题和查询要求。模型将用户兴趣细分为稳定和临时兴趣,并划分多个类别,采用“用户-兴趣类别-兴趣特征”树形结构来表示用户兴趣,构建多兴趣类别的用户模型。模型中引入时间因子,并赋予相应的兴趣特征和兴趣类别合适的权值,适时获取用户兴趣特征,并分门别类进行管理。采用自适应动态更新算法对模型不断的更新与优化,参照遗忘规律对用户的历史兴趣区分兴趣类别实施非线性的淘汰,逐步明确用户的兴趣主题。在个性化服务中,根据获取的用户兴趣,检索出用户感兴趣的内容推荐给用户,完成个性化信息推荐服务。最后通过收集用户信息和访问记录,模拟用户和用户浏览行为来测试用户模型的建立和更新,通过个性化信息推荐和查询的结果验证了系统的有效性。(本文来源于《华中科技大学》期刊2009-05-01)
张富国[9](2008)在《用户多兴趣下基于信任的协同过滤算法研究》一文中研究指出协同过滤技术是目前电子商务推荐系统最为有效的信息过滤技术之一.最近的研究尝试在推荐过程中引入信任模型来提高推荐的准确性和抵御"托"攻击.但在用户多兴趣的情况下,属于不同主题的项目需要不同的可信赖人员来推荐,传统的概貌级信任模型已不再适用.本文提出主题级信任计算模型以及基于主题级信任的协同过滤算法.一系列的实验结果表明,该算法在不牺牲鲁棒性的同时,有效地提高了推荐的准确性.(本文来源于《小型微型计算机系统》期刊2008年08期)
温会平[10](2008)在《基于项目类别相似性与用户多兴趣的个性化推荐算法的研究》一文中研究指出随着互联网的普及和电子商务的发展,电子商务系统在为用户提供越来越多选择的同时,其结构也变得更加复杂,用户经常会迷失在大量的商品信息空间中,无法顺利找到自己需要的商品。电子商务推荐系统直接与用户交互,模拟商店销售人员向用户提供商品推荐,帮助用户找到所需商品,从而顺利完成购买过程。在日趋激烈的竞争环境下,电子商务推荐系统能有效保留用户、防止用户流失,提高电子商务系统的销售。电子商务推荐系统在理论和实践上都得到了很大发展,特别是推荐方法的研究是其核心部分,采用哪种推荐方法对于推荐系统的效果和效率至关重要。推荐方法包括:知识工程、基于内容的推荐方法、协同过滤推荐方法、混合推荐方法、数据挖掘方法。目前协同过滤方法是最成功的推荐方法。电子商务系统规模的日益扩大,协同过滤推荐方法也面临诸多挑战:推荐质量、扩展性、数据稀疏性、冷启动问题等等。本文对电子商务推荐系统中推荐算法设计进行了有益的探索和研究。本文的研究内容主要包括电子商务推荐算法推荐质量和“冷启动”研究。本文的主要研究成果如下:1.提出了一种基于项目类别属性的项目相似性计算方法,因为在大型电子商务系统中,用户评分数据极端稀疏,传统的相似性度量方法是在整个用户空间上度量项目之间的相似性,没有考虑项目所属类别对项目相似性的影响,因而计算结果不够准确,本文提出的类别相似性度量算法首先运用模糊聚类技术对用户进行聚类,将单个用户对项目的评分转化为用户相似群体对项目的评分,构造密集的用户模糊簇—项目的评分矩阵,并结合项目自身的类别属性特征对项目相似性计算的影响最终完成项目相似性的计算,将结果保存在数据库中,这一步可采用离线周期的进行,不会影响推荐系统的实时性,实验结果表明,项目类别属性对相似性准确度的计算有很大的影响。2.对用户最近邻居的搜索方法进行了改进,首先采用新型的项目相似性计算方法,利用Item-Based协同过滤推荐算法,对目标用户未评分的项目进行初步预测评分,以降低数据的稀疏性,提高用户评分矩阵的数据密度;另外考虑到用户本身存在多兴趣的问题,因此在计算目标用户对目标项目的最终预测评分时,目标用户邻居用户的选择与待预测的项目的类别属性有关,即:改变传统的在整个项目空间上计算用户相似性,而是把项目空间缩小到待预测项目邻居集合的空间上来计算用户相似性,这样不仅提高了用户相似性计算的准确度,而且对整个项目空间进行了有效的降维,提高了算法的推荐精度,以提高用户最终预测评分的准确性。通过实验验证本文提出方法的正确性和有效性。(本文来源于《太原理工大学》期刊2008-05-01)
用户多兴趣论文开题报告
(1)论文研究背景及目的
此处内容要求:
首先简单简介论文所研究问题的基本概念和背景,再而简单明了地指出论文所要研究解决的具体问题,并提出你的论文准备的观点或解决方法。
写法范例:
[目的/意义]旨在为提高协同过滤算法推荐质量提供参考。[方法/过程]针对协同过滤算法存在的数据稀疏性、冷启动等问题,提出基于用户多属性加权和兴趣相似度的协同过滤算法。该算法通过征集专家意见,借助层次分析法得出用户在年龄、性别、职业和邮编相似度的最优权重,计算多维属性相似度;将皮尔逊相似度作为约束系数,融入Weight Slope one算法,提取用户隐式标签,计算用户兴趣相似度;动态调整多维属性相似度和兴趣相似度,从而选取最优参数。[结果/结论]该算法有效降低了推荐系统的MAE值,在近邻数目较少和数据较稀疏情况下仍具优越性,提高了推荐质量。
(2)本文研究方法
调查法:该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法:用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法:通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法:通过调查文献来获得资料,从而全面的、正确的了解掌握研究方法。
实证研究法:依据现有的科学理论和实践的需要提出设计。
定性分析法:对研究对象进行“质”的方面的研究,这个方法需要计算的数据较少。
定量分析法:通过具体的数字,使人们对研究对象的认识进一步精确化。
跨学科研究法:运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法:这是社会科学用来分析社会现象的一种方法,从某一功能出发研究多个方面的影响。
模拟法:通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
用户多兴趣论文参考文献
[1].邓磊,古发辉,李海平.用户多兴趣下的个性化推荐算法分析[J].信息与电脑(理论版).2019
[2].罗海媛,章牧.基于用户多属性加权和兴趣相似度的协同过滤算法研究[J].情报探索.2018
[3].滕少华,麦嘉俊,张巍,赵淦森.一种基于混合相似度的用户多兴趣推荐算法[J].江西师范大学学报(自然科学版).2016
[4].周杨.基于用户多兴趣和社交网络的个性化推荐研究[D].天津大学.2015
[5].史庆霞.基于用户多兴趣的协同过滤个性化推荐算法研究[D].天津师范大学.2013
[6].杨长春,孙婧.用户多兴趣信任度的个性化推荐[J].计算机工程与应用.2012
[7].徐红,彭黎,郭艾寅,徐云剑.基于用户多兴趣的协同过滤策略改进研究[J].计算机技术与发展.2011
[8].陶思明.基于语义的用户多兴趣挖掘与个性化服务系统[D].华中科技大学.2009
[9].张富国.用户多兴趣下基于信任的协同过滤算法研究[J].小型微型计算机系统.2008
[10].温会平.基于项目类别相似性与用户多兴趣的个性化推荐算法的研究[D].太原理工大学.2008