推薦系統(tǒng)
- 基于用戶反饋和對話歷史的對話式推薦技術(shù)研究
仁杰關(guān)鍵詞：推薦系統(tǒng);對話式推薦;強化學習;圖表示學習0 引言（Introduction）隨著互聯(lián)網(wǎng)技術(shù)的迅猛發(fā)展，人們逐漸從信息匱乏的時代走入了信息過載的時代，因此如何應(yīng)對信息過載問題成為一個迫切需要解決的問題。推薦系統(tǒng)的出現(xiàn)有效地緩解了這一問題。然而，傳統(tǒng)的推薦方法在處理新用戶冷啟動和充分利用用戶反饋問題時仍面臨挑戰(zhàn)。相較之下，對話式推薦系統(tǒng)（Conversational Recommender System， CRS）通過與用戶直接交互收集“顯式反饋
軟件工程 2024年1期2024-01-29
- 短視頻推薦方法與模型研究
短視頻推薦是推薦系統(tǒng)中的一個重要領(lǐng)域，其目標是根據(jù)用戶的興趣和偏好，為用戶推薦個性化的短視頻內(nèi)容，該研究具有重要的理論和實踐意義。該文旨在對短視頻推薦方法進行綜述和研究，通過分析比較不同推薦方法，深入探討和研究不同方法的優(yōu)缺點，進行模型優(yōu)化與設(shè)計。該研究可以為短視頻推薦系統(tǒng)的設(shè)計和優(yōu)化提供指導(dǎo)和參考，為短視頻推薦系統(tǒng)的改進和優(yōu)化提供有力支持，提高用戶的滿意度和體驗。關(guān)鍵詞：短視頻；推薦系統(tǒng)；深度學習中圖分類號：TP37? ? ? ? 文獻標識碼：A文章編號
電腦知識與技術(shù) 2023年34期2024-01-24
- 基于協(xié)同過濾知識圖譜的圖書推薦
為了緩解圖書推薦系統(tǒng)準確率低、可解釋性差和數(shù)據(jù)稀疏等問題，本文將圖書評分和圖書標簽數(shù)據(jù)相結(jié)合，實現(xiàn)圖書的精準推薦。首先通過圖書與圖書標簽之間的關(guān)系構(gòu)建圖書知識圖譜，提取出圖書與圖書之間的關(guān)系，通過前文提到的算法模型計算推測出讀者的讀書偏好，還可以利用圖書和讀者之間的交互信息，通過協(xié)同過濾算法計算出讀者偏好，綜合上述兩種方法得到推薦列表進行最終的TopK推薦。關(guān)鍵詞：圖書；推薦系統(tǒng)；協(xié)同過濾；知識圖譜1概述進入21世紀以來，互聯(lián)網(wǎng)技術(shù)的快速發(fā)展、計算能力的快
科技風 2023年36期2024-01-07
- 基于圖神經(jīng)網(wǎng)絡(luò)的注意力因子分解機推薦系統(tǒng)
? 要：針對推薦系統(tǒng)中的數(shù)據(jù)稀疏問題，提出一種基于圖神經(jīng)網(wǎng)絡(luò)的注意力因子分解機模型，利用注意力因子分解機對用戶和項目中不同鄰域的特征信息進行二階交互，注意力機制可以對二階交互進行權(quán)重參數(shù)的重分配，一定程度上緩解了數(shù)據(jù)的稀疏性問題，提高了推薦系統(tǒng)的性能。在4個不同數(shù)據(jù)集上的評分預(yù)測實驗表明，該文所提算法的均方根誤差（RMSE）相較于目前比較優(yōu)秀的算法分別提升了2.2%、4.3%、10.6%、2.6%。關(guān)鍵詞：圖神經(jīng)網(wǎng)絡(luò)；因子分解機；評分預(yù)測；推薦系統(tǒng)中圖分類
現(xiàn)代信息科技 2023年15期2023-09-18
- 個性化跨域推薦系統(tǒng)中的用戶隱私保護研究綜述
性化；跨域；推薦系統(tǒng)；用戶隱私保護一、引言隨著社會信息產(chǎn)業(yè)的發(fā)展，電影、音樂、網(wǎng)購等行業(yè)的交易量不斷增長。相比之下，個人很難體驗到一個又一個龐大的產(chǎn)品和服務(wù)。為了實現(xiàn)產(chǎn)品的精準銷售，提高個人服務(wù)質(zhì)量，需要有一個好的算法來給出個人推薦。推薦方法的準確性不僅決定了個人的生活體驗，也決定了商業(yè)效益。但同時，在個性化的推薦中，重點做好用戶隱私的保護工作，就成為個性化推薦系統(tǒng)研發(fā)和升級中必須考量的問題。結(jié)合既有的推薦系統(tǒng)用戶隱私保護現(xiàn)狀來看，仍舊存在一些漏洞，導(dǎo)致用
中國新通信 2023年13期2023-09-17
- 電子商務(wù)推薦系統(tǒng)公平性研究進展
的快速發(fā)展，推薦系統(tǒng)作為大數(shù)據(jù)環(huán)境下解決“信息過載”問題的有效工具已廣為使用。受數(shù)據(jù)、算法、人為干預(yù)等因素的影響，推薦系統(tǒng)可能會為具有某些屬性的消費群體提供不公平的推薦結(jié)果從而導(dǎo)致各種問題。近年來，研究者們提出各種解決推薦系統(tǒng)公平性問題的方法。文章總結(jié)了近幾年的研究成果，從兩個方面總結(jié)歸納了造成電子商務(wù)推薦系統(tǒng)公平性問題的主要原因，并給出五種主要的解決方案；介紹了當前可供研究的數(shù)據(jù)集及工具，也對電子商務(wù)推薦系統(tǒng)公平性研究尚存的問題及未來的研究方向進行了探討
現(xiàn)代信息科技 2023年14期2023-09-06
- 基于改進的深度興趣網(wǎng)絡(luò)推薦系統(tǒng)研究
? 要：針對推薦系統(tǒng)中用戶興趣度標簽消失問題，在排序?qū)犹岢鲆环N改進的深度興趣網(wǎng)絡(luò)模型。首先，將深度興趣網(wǎng)絡(luò)模型應(yīng)用于視頻推薦領(lǐng)域，并在改進的模型中加入平衡因子，有效地解決了在訓(xùn)練過程中用戶興趣度標簽消失問題。其次針對推薦系統(tǒng)整體召回率問題，在召回層提出一種混合推薦模型。使用Item2vec模型和貝葉斯個性化排序模型組合成一種混合推薦模型。實驗結(jié)果顯示：改進后的深度興趣網(wǎng)絡(luò)和混合模型應(yīng)用在視頻推薦系統(tǒng)中很好地提高了推薦效果。關(guān)鍵詞：深度興趣網(wǎng)絡(luò)；混合模型；I
現(xiàn)代信息科技 2023年12期2023-08-21
- 基于Pairwise策略優(yōu)化的雙塔召回算法模型研究
率。關(guān)鍵詞：推薦系統(tǒng)；召回；雙塔模型；負樣本；Pairwise一、背景介紹推薦系統(tǒng)的技術(shù)階段一般包括召回、排序和重排序。其中，召回模型是推薦系統(tǒng)的核心技術(shù)之一。推薦系統(tǒng)可以被看作一個用于人與物的匹配系統(tǒng)。其最終目的是通過實現(xiàn)千人千面，將最符合用戶興趣的物品展示給用戶，并按照用戶偏好對每個物品進行匹配分值排序。為了實現(xiàn)這一目的，可以將推薦系統(tǒng)抽象為如下的框架：用戶請求推薦引擎時，使用一個排序算法將所有的物品與該用戶計算出一個匹配分值，然后按照該分值從高到低在
中國新通信 2023年11期2023-08-10
- 融合相似用戶、物品的矩陣分解推薦算法研究
呂昊宸摘要：推薦系統(tǒng)中傳統(tǒng)的協(xié)同過濾算法和基于矩陣分解的推薦算法都單獨地進行相關(guān)推薦，但兩種方法獨立運行，都存在一定的不足，導(dǎo)致推薦質(zhì)量不佳。為了進一步提升推薦算法性能來提高推薦準確度，文章提出一種融合相似用戶、物品的矩陣分解推薦算法，在矩陣分解模型的基礎(chǔ)上，結(jié)合協(xié)同過濾思想來挖掘目標用戶的個性化候選物品推薦。文章采用MoviesLens數(shù)據(jù)集進行模型訓(xùn)練并評估其性能，與原有的方法相比，推薦準確度獲得了進一步提升。關(guān)鍵詞：推薦系統(tǒng)；協(xié)調(diào)過濾；矩陣分解中圖分
無線互聯(lián)科技 2023年8期2023-06-26
- 消費者異質(zhì)性對推薦系統(tǒng)的影響研究與仿真
要：現(xiàn)有商品推薦系統(tǒng)的研究大多通過改進推薦算法以提升推薦效果。很少有研究從消費者視角，探究當面對同一推薦系統(tǒng)，消費者異質(zhì)性對推薦效果的影響?；谏疃葟娀瘜W習算法，構(gòu)建細粒度感知消費者行為的推薦系統(tǒng)；從消費者屬性和行為模型兩個角度刻畫消費者異質(zhì)性；基于多Agent技術(shù)組合推薦系統(tǒng)Agent與消費者Agent，構(gòu)建商品推薦仿真模型。仿真結(jié)果表明，消費者異質(zhì)性對企業(yè)利潤、消費者滿意度、點擊率均能產(chǎn)生較大影響。關(guān)鍵詞：推薦系統(tǒng)； 消費者異質(zhì)性； 多Agent技術(shù)；
電腦知識與技術(shù) 2023年13期2023-06-25
- 基于經(jīng)典名方煎法的中藥復(fù)方煎煮方案推薦系統(tǒng)研究
開發(fā)煎煮方案推薦系統(tǒng)。系統(tǒng)實現(xiàn)中藥復(fù)方煎煮方案推薦，并完成數(shù)據(jù)信息無縫接入、檢索、批量管理、統(tǒng)計分析、方劑相似度計算等。系統(tǒng)不僅提供了經(jīng)典名方的檢索統(tǒng)計等功能，而且為患者提供了中藥復(fù)方科學煎煮推薦服務(wù)。關(guān)鍵詞：煎煮信息模型；煎煮方案推薦；推薦系統(tǒng)中圖分類號：TP311? ? 文獻標識碼：A? 文章編號：2096-4706（2023）05-0098-05Research on the Recommendation System of Decoction Sc
現(xiàn)代信息科技 2023年5期2023-06-22
- 基于用戶畫像的課程學習視頻推薦系統(tǒng)研究與設(shè)計
程學習視頻的推薦系統(tǒng)。由于線上學習資源冗雜繁多，且缺乏規(guī)范化構(gòu)建和系統(tǒng)化管理，學習者難以精準獲取滿足其個性化需求的課程學習視頻。文章通過數(shù)據(jù)挖掘技術(shù)獲取用戶數(shù)據(jù)后構(gòu)建用戶畫像并進行相似用戶群體識別，再利用推薦算法實現(xiàn)課程學習視頻與用戶之間的精準匹配。實驗結(jié)果表明，該文推薦系統(tǒng)可以有效解決人們在選擇學習資源時產(chǎn)生的“信息迷航”和“信息過載”等問題，能夠有效滿足用戶個性化學習需求并為用戶提供個性化學習路線。關(guān)鍵詞：課程學習視頻；用戶畫像；個性化推薦；推薦系統(tǒng)中
現(xiàn)代信息科技 2023年9期2023-06-21
- 商品推薦系統(tǒng)中的效用估計
度，通常希望推薦系統(tǒng)的推薦產(chǎn)品能使商家的收益最大化。在以期望收益最大化為目標的產(chǎn)品組合優(yōu)化模型中，商品效用是必不可少的參數(shù)。論文主要探究推薦系統(tǒng)中商品效用的估計方法，通過評估由商品效用計算得到的商品被點擊概率，來驗證效用估計的準確性。通過數(shù)值試驗，將單值排序模型預(yù)估的點擊概率與通過MNL模型估計商品效用計算的點擊概率進行對比，結(jié)果證明MNL模型估計的商品效用具備與單值排序模型相當?shù)臏蚀_率。此外，論文進一步構(gòu)建了神經(jīng)網(wǎng)絡(luò)模型估計商品效用，并且另外構(gòu)建了一個直
上海管理科學 2023年2期2023-06-21
- 基于社區(qū)結(jié)構(gòu)的推薦系統(tǒng)中冷啟動問題研究
? 要：由于推薦系統(tǒng)中數(shù)據(jù)稀疏性和冷啟動問題日益嚴重，傳統(tǒng)的算法無法有效地解決這些問題，現(xiàn)有的改進算法由于穩(wěn)定性差，仍然需要預(yù)先確定具體的參數(shù)。文章提出了一種基于社區(qū)結(jié)構(gòu)的冷啟動算法以改善推薦系統(tǒng)中的冷啟動問題，通過計算用戶和項目節(jié)點的相似度投影二分網(wǎng)絡(luò)，利用改進的Louvain算法對投影單模式網(wǎng)絡(luò)進行社區(qū)檢測，使新記錄更新到社區(qū)，然后進行對用戶社區(qū)組推薦。與其他冷啟動算法相比，該算法在推薦準確率和運行效率有明顯提升。關(guān)鍵詞：社區(qū)檢測；冷啟動；二分投影網(wǎng)絡(luò)
現(xiàn)代信息科技 2023年1期2023-06-21
- 基于大數(shù)據(jù)平臺的推薦系統(tǒng)研究與實現(xiàn)
要：個性化推薦系統(tǒng)作為人工智能一個落地場景，在社交平臺、電商、生活服務(wù)等領(lǐng)域有著廣泛的應(yīng)用。為了把優(yōu)選的商品提供給有需要的客戶，對用戶行為進行數(shù)據(jù)采集、數(shù)據(jù)清洗與存儲、用戶物品推薦建模、模型評估等內(nèi)容進行了研究。數(shù)據(jù)采集通過客戶端頁面埋點技術(shù)來記錄用戶瀏覽、點擊、關(guān)注等行為以及頁面停留時長等數(shù)據(jù)，通過flume、kafka、hive、spark等大數(shù)據(jù)相關(guān)組件與技術(shù)完成數(shù)據(jù)采集、ETL相關(guān)操作，將用戶評分表、物物余弦相似度等數(shù)據(jù)通過ALS、item-ba
現(xiàn)代信息科技 2023年1期2023-06-21
- 基于推薦系統(tǒng)的網(wǎng)上書城的研究進展綜述
森超關(guān)鍵詞：推薦系統(tǒng)；網(wǎng)上書城；互聯(lián)網(wǎng)中圖分類號：TP311 文獻標識碼：A文章編號：1009-3044（2023）02-0063-031 引言在書籍線上銷售發(fā)展的二十年里，從前10年起步階段占據(jù)線上銷售主要份額的兩大電商當當和亞馬遜，到近10年隨著京東、天貓等電商的加入，以及進行傳統(tǒng)線下圖書售賣的國營新華書店和民營渠道開始增添線上業(yè)務(wù)，線上書籍銷售的總額及占比逐年增長。2015年的線上銷售金額占書籍總銷售金額的45%，2016年線上銷售金額占比超過50%
電腦知識與技術(shù) 2023年2期2023-05-30
- 數(shù)據(jù)稀疏背景下基于協(xié)同過濾的推薦算法綜述
夢婷關(guān)鍵詞：推薦系統(tǒng)；協(xié)同過濾；數(shù)據(jù)稀疏；相似度1引言隨著移動互聯(lián)網(wǎng)的迅速發(fā)展，人們獲取大量信息十分便捷。與此同時，如何從海量信息中高效篩選出所需內(nèi)容變得十分困難。推薦系統(tǒng)能夠在用戶需求不明確或是信息量過大時，根據(jù)用戶的行為判斷其興趣，提供個性化的信息以滿足用戶需求。另外，為提高轉(zhuǎn)化率，推薦系統(tǒng)還能主動將有效信息推送至目標用戶。因此，推薦系統(tǒng)既是引導(dǎo)用戶獲取需要信息的助手，又是公司驅(qū)動業(yè)務(wù)發(fā)展的重要動力。推薦系統(tǒng)最早被應(yīng)用于電子商務(wù)網(wǎng)站，通常是根據(jù)用戶的訂
計算機應(yīng)用文摘 2023年9期2023-05-30
- 數(shù)據(jù)稀疏背景下基于協(xié)同過濾的推薦算法綜述
夢婷關(guān)鍵詞：推薦系統(tǒng)；協(xié)同過濾；數(shù)據(jù)稀疏；相似度1引言隨著移動互聯(lián)網(wǎng)的迅速發(fā)展，人們獲取大量信息十分便捷。與此同時，如何從海量信息中高效篩選出所需內(nèi)容變得十分困難。推薦系統(tǒng)能夠在用戶需求不明確或是信息量過大時，根據(jù)用戶的行為判斷其興趣，提供個性化的信息以滿足用戶需求。另外，為提高轉(zhuǎn)化率，推薦系統(tǒng)還能主動將有效信息推送至目標用戶。因此，推薦系統(tǒng)既是引導(dǎo)用戶獲取需要信息的助手，又是公司驅(qū)動業(yè)務(wù)發(fā)展的重要動力。推薦系統(tǒng)最早被應(yīng)用于電子商務(wù)網(wǎng)站，通常是根據(jù)用戶的訂
計算機應(yīng)用文摘·觸控 2023年9期2023-05-10
- 一個資訊推薦系統(tǒng)評測方案的設(shè)計
宜霞關(guān)鍵詞：推薦系統(tǒng)；模型離線實驗；A/B Test在線實驗0 引言在互聯(lián)網(wǎng)信息爆炸式增長的今天，人們通過多種渠道隨時隨地能接收到各種類型的新聞資訊信息，呈現(xiàn)給所有用戶一樣資訊內(nèi)容的方式已經(jīng)不適應(yīng)于當前時代，發(fā)展個性化推薦是提升內(nèi)容消費用戶體驗和業(yè)務(wù)指標的重要手段，面對浩如煙海的信息，如何更加精準地將用戶感興趣的資訊推薦給用戶，提高用戶黏度，做到“千人千面”的推薦，這就需要研發(fā)團隊提高推薦系統(tǒng)的效果[1]。但是與傳統(tǒng)評測有所不同，推薦系統(tǒng)采用的不是傳統(tǒng)意義
電腦知識與技術(shù) 2023年9期2023-05-08
- 基于二叉樹結(jié)構(gòu)采樣預(yù)估的召回模型框架
：在廣告或者推薦系統(tǒng)的召回階段，通常會包含百萬到億級別的候選集，采樣和預(yù)估就成為很重要的問題；傳統(tǒng)的召回模型會做隨機負采樣，這種方法采樣的數(shù)據(jù)分布和整體樣本分布可能存在不一致，影響模型訓(xùn)練效果，在預(yù)估服務(wù)時線上infer性能也是嚴峻的考驗；針對這兩個問題，我們提出了基于樹結(jié)構(gòu)的采樣預(yù)估服務(wù)，把全量候選集通過層次聚類構(gòu)建到一顆二叉樹中，所有物料掛在的樹的葉子結(jié)點，通過二叉樹采樣可能無偏的來到所有物料，并且線上infer時間復(fù)雜度從O（n）降低到O（log（n
中國新通信 2022年16期2022-11-22
- 基于策略記憶的深度強化學習序列推薦算法研究
杜軍威摘要：推薦系統(tǒng)旨在從用戶-項目的交互中進行建模，為用戶推薦感興趣的內(nèi)容，從而提高用戶體驗.然而大多數(shù)用戶-項目的序列并不總是順序相關(guān)的，而是有更靈活的順序甚至存在噪聲.為解決這一問題，提出一種基于策略記憶的深度強化學習序列推薦算法，該算法將用戶的歷史交互存入記憶網(wǎng)絡(luò)，使用一個策略網(wǎng)絡(luò)將用戶當前的行為模式更細致地劃分為短期偏好、長期偏好以及全局偏好，并引入注意力機制，生成相應(yīng)的用戶記憶向量，利用深度強化學習算法識別對未來收益較大的項目.在用戶和項目的交
湖南大學學報·自然科學版 2022年8期2022-11-14
- 基于時間權(quán)重因子的隱私保護推薦算法
變化的，若對推薦系統(tǒng)中所有時間段的數(shù)據(jù)均采用同等程度的隱私保護，容易引入不必要的噪聲，降低數(shù)據(jù)效用.為此，提出一種基于時間權(quán)重因子的差分隱私保護推薦算法.首先，設(shè)計時間權(quán)重因子，用于衡量數(shù)據(jù)重要性.然后，根據(jù)時間權(quán)重因子劃分隱私預(yù)算，對不同時間段的數(shù)據(jù)施加不同強度的隱私保護.在此基礎(chǔ)上，構(gòu)建基于差分隱私的概率矩陣分解模型，用于完成個性化推薦.實驗結(jié)果表明，該算法在滿足隱私保護的條件下，能夠更有效地保留數(shù)據(jù)效用，提高推薦結(jié)果的準確性.關(guān)鍵詞：推薦系統(tǒng)；矩陣分
湖南大學學報·自然科學版 2022年8期2022-11-14
- 基于Spark的電影推薦系統(tǒng)設(shè)計與實現(xiàn)
ark的電影推薦系統(tǒng)設(shè)計與實現(xiàn)，針對個性化推薦系統(tǒng)更新取得極大的改變，使得本文所設(shè)計的個性化推薦算法具有重要的意義。關(guān)鍵詞：Spark；推薦系統(tǒng)；互聯(lián)網(wǎng)；個性化一、Spark概述Spark一般通常指Apache Spark ，作為計算機通用計算引擎主要應(yīng)用于海量的數(shù)據(jù)處理，與Hadoop相似都是美國加州大學伯克利分校開源的通用并行框架，其與Hadoop MapReduce 相比而言，更多的繼承了Hadoop所存在的優(yōu)點，如優(yōu)化了HDFS再次之前存在的不足，
客聯(lián) 2022年11期2022-07-06
- 基于互信息的魯棒跨域推薦系統(tǒng)
的出現(xiàn)，跨域推薦系統(tǒng)已經(jīng)成為解決推薦系統(tǒng)冷啟動問題的關(guān)鍵。然而，現(xiàn)有的跨域推薦系統(tǒng)都假設(shè)其訓(xùn)練數(shù)據(jù)中不存在任何的錯誤標注，但是在現(xiàn)實情況下，該假設(shè)很難得到滿足，這就導(dǎo)致了跨域推薦系統(tǒng)在相當多的真實推薦場景下的表現(xiàn)很難令人滿意。為了減少現(xiàn)實情況下錯誤標注對跨域推薦系統(tǒng)的影響，提高真實推薦場景下跨域推薦系統(tǒng)推薦結(jié)果的準確性，本文提出了一種基于互信息的魯棒跨域推薦系統(tǒng)，該推薦系統(tǒng)由域分離網(wǎng)絡(luò)和互信息魯棒風險兩個模塊構(gòu)成。域分離網(wǎng)絡(luò)模塊很好地解決了源域與目標域差異
貴州大學學報（自然科學版） 2022年4期2022-07-06
- 一種便捷式的智能菜譜推薦系統(tǒng)的設(shè)計與實現(xiàn)
攜式智能菜譜推薦系統(tǒng)。該系統(tǒng)主要包括智能推薦模塊、智能語音模塊以及用戶管理模塊。智能推薦系統(tǒng)會通過用戶的瀏覽記錄及其口味偏好，向用戶推薦菜譜。極大程度上便利了用戶動手制作的過程，在提高用戶的生活質(zhì)量上具有很強的應(yīng)用價值。關(guān)鍵詞：智能菜譜;Android平臺;推薦系統(tǒng)中圖分類號：TP311? ? ? 文獻標識碼：A文章編號：1009-3044（2022）11-0055-031 引言隨著社會的發(fā)展，快節(jié)奏的生活席卷全國，在大中城市的人們加班開始增多，時間緊張，
電腦知識與技術(shù) 2022年11期2022-05-31
- 基于協(xié)同過濾的美食店鋪推薦算法
：協(xié)同過濾；推薦系統(tǒng)；混合算法；美食店鋪；美食推薦中圖分類號：TP311? ? ? 文獻標識碼：A文章編號：1009-3044（2022）30-0051-03開放科學（資源服務(wù)）標識碼（OSID）：1 引言如今，隨叫隨到的外賣服務(wù)非常流行。食客可以瀏覽在線餐廳市場，選擇餐廳并預(yù)訂他們喜歡的食物或飲料。但是面對網(wǎng)絡(luò)數(shù)據(jù)的爆炸增長，使得用戶難以在海量的數(shù)據(jù)中快速地找到適合自己的美食，具有一定的盲目性。通過對現(xiàn)有美食App的調(diào)查發(fā)現(xiàn)，美食數(shù)據(jù)排行過于籠統(tǒng)，不能有
電腦知識與技術(shù) 2022年30期2022-05-30
- 基于深度學習的推薦系統(tǒng)研究
解決的問題。推薦系統(tǒng)是解決這一問題的有效途徑，而如何把深度學習這項技術(shù)融入推薦系統(tǒng)，是目前的研究熱點。文章分析了傳統(tǒng)的推薦系統(tǒng)存在的問題，提出了相應(yīng)的解決方法和對策，使系統(tǒng)模型與用戶的需求結(jié)合更加緊密，用戶的滿意度得到進一步提升，并對基于深度學習的推薦系統(tǒng)的未來發(fā)展趨勢進行了闡述?！娟P(guān)鍵詞】推薦系統(tǒng);深度學習;神經(jīng)網(wǎng)絡(luò);多源異構(gòu)數(shù)據(jù);上下文推薦【中圖分類號】TP391.3 【文獻標識碼】A 【文章編號】1674-0688（2022）02-0034-03
企業(yè)科技與發(fā)展 2022年2期2022-05-12
- 基于專家協(xié)同過濾與混合策略的推薦算法
歡的物品，而推薦系統(tǒng)能有效處理該問題。文章針對推薦系統(tǒng)中存在常見的噪聲用戶和冷啟動問題，提出了基于專家用戶協(xié)同過濾和奇異值分解（SVD）的混合推薦算法。先對用戶進行專家用戶人工篩選降噪，再利用SVD算法分解后填充專家評分矩陣，同時在計算用戶與專家的相似度時加入時間權(quán)重，最終選擇最優(yōu)項目進行推薦。最后使用MovieLens數(shù)據(jù)集將本文算法與傳統(tǒng)算法進行實驗分析對比，證明了該算法的有效性。關(guān)鍵詞：推薦系統(tǒng);專家用戶;SVD;冷啟動;噪聲用戶;混合推薦算法中圖分
電腦知識與技術(shù) 2022年9期2022-05-10
- 基于知識的推薦系統(tǒng)綜述
基于知識; 推薦系統(tǒng); 領(lǐng)域知識; 應(yīng)用場景中圖分類號：G350? ? ? ? ? 文獻標識碼：A? ? ?文章編號：1006-8228（2022）04-13-04A review of knowledge-based recommendation systemsLiu Yuanchen（School of Information Management， Central China Normal University， Wuhan， Hubei 43007
計算機時代 2022年4期2022-04-12
- 基于自適應(yīng)布谷鳥聚類搜索的推薦系統(tǒng)算法的研究
胡安明摘要：推薦系統(tǒng)本質(zhì)是一種信息檢索技術(shù)，能根據(jù)用戶喜好在海量數(shù)據(jù)中檢索出合適數(shù)據(jù)推薦給用戶，傳統(tǒng)推薦系統(tǒng)一般使用協(xié)同過濾推薦算法，協(xié)同過濾推薦算法主要通過挖掘用戶的歷史行為數(shù)據(jù)進行推薦，但傳統(tǒng)推薦算法存在著稀疏矩陣、冷啟動、實時性等問題困擾[1];因此，本文提出一種基于自適應(yīng)布谷鳥聚類搜索的改進推薦系統(tǒng)算法，首先對推薦數(shù)據(jù)進行聚類處理，然后利用布谷鳥算法較強的全局搜索能力，提升推薦系統(tǒng)的準確度，實驗結(jié)果表明，引入自適應(yīng)布谷鳥聚類搜索能對傳統(tǒng)協(xié)同過濾算法
電腦知識與技術(shù) 2022年6期2022-04-09
- 個性化推薦系統(tǒng)在高職計算機通識課教學中的應(yīng)用探究
詞：個性化；推薦系統(tǒng)；高職院校；計算機中圖分類號：G642 文獻標識碼：A文章編號：1009-3044（2022）36-0157-031 引言計算機已廣泛應(yīng)用在各行各業(yè)，并與相關(guān)生產(chǎn)活動進行了高度的融合，使社會的生產(chǎn)效率得到了極大的提升，這也對當代大學生的計算機水平提出了更高的要求，因此計算機通識課成了關(guān)鍵的必修課之一[1-3]。高職院校傳統(tǒng)的教學方法是以教師為中心，以線下課堂為主，講課內(nèi)容固定單一，學生被動接受。高職學生普遍缺乏學習的積極性、創(chuàng)新思維和適
電腦知識與技術(shù) 2022年36期2022-02-22
- 算法競賽題目推薦系統(tǒng)的設(shè)計與實現(xiàn)
；算法競賽；推薦系統(tǒng)中圖分類號：TP391? ? ? 文獻標識碼：A文章編號：1009-3044（2022）34-0054-031 引言隨著“互聯(lián)網(wǎng)+教育”模式的快速發(fā)展，以程序在線評測技術(shù)為基礎(chǔ)而構(gòu)建的在線編程學習平臺在計算機教育領(lǐng)域得到了廣泛的應(yīng)用。目前，很多高校和教育機構(gòu)根據(jù)自己的實際需求開發(fā)了各自的在線評測系統(tǒng)，如國內(nèi)外的比較著名的ACM訓(xùn)練平臺HDUOJ、ZOJ、POJ、Codeforces、UVA、TopCoder、AtCoder等，還有?？汀?/div>
電腦知識與技術(shù) 2022年34期2022-02-20
- 語法試題個性化推薦系統(tǒng)的研究
高試題個性化推薦系統(tǒng)對語法試題推薦的有效性，定義了韓語語法點矩陣、得分模型、潛在學習特征向量等，建立了學習態(tài)勢算法，設(shè)計了試題智能推薦的整體框架。該系統(tǒng)以學習者的態(tài)勢計算為基礎(chǔ)，對學習者語法學習能力估算，再進行試題推薦。通過兩組學習者對比，根據(jù)系統(tǒng)的平均使用時間、成績提高率、答卷正確率和試題推薦精準率等指標進行評估，結(jié)果顯示，該推薦系統(tǒng)對學習者有顯著的助學效果。關(guān)鍵詞： 試題; 推薦系統(tǒng); 語法; 學習態(tài)勢; 框架中圖分類號：TP399? ? ? ? ?計算機時代 2021年12期2021-12-28
- 基于BasicSVD算法的在線課程管理推薦系統(tǒng)設(shè)計
在線課程管理推薦系統(tǒng)，其目的在于簡化修讀學分的自我管理流程，結(jié)合學校中的課程大數(shù)據(jù)以及學生選課情況做出學分管理和課程個性化推薦。關(guān)鍵詞：學分管理;課程管理;推薦系統(tǒng);BasicSVD;個性化中圖分類號：TP391 ? ? ?文獻標識碼：A文章編號：1009-3044（2021）31-0073-03Design of Online Course Management Recommendation System Based on BasicSVD Algori電腦知識與技術(shù) 2021年31期2021-12-18
- 推薦系統(tǒng)綜述
偉摘 要： 推薦系統(tǒng)是信息過濾系統(tǒng)領(lǐng)域的一個重要研究方向。隨著信息技術(shù)的發(fā)展，推薦系統(tǒng)在提升用戶體驗和增加企業(yè)效益等方面發(fā)揮著越來越重要的作用。主流的推薦系統(tǒng)大多基于矩陣分解模型和深度學習模型，近年來又提出了基于記憶網(wǎng)絡(luò)和集成學習的推薦系統(tǒng)為用戶精確地推薦物品。本文將對基于矩陣分解、基于深度學習、基于記憶網(wǎng)絡(luò)和基于集成學習的推薦系統(tǒng)進行分析和總結(jié)，展望未來的研究方向。關(guān)鍵詞： 推薦系統(tǒng); 矩陣分解; 神經(jīng)網(wǎng)絡(luò); 記憶網(wǎng)絡(luò); 集成學習文章編號： 2095-2智能計算機與應(yīng)用 2021年7期2021-12-07
- 基于序列特征提取的個性化推薦
序列的推薦是推薦系統(tǒng)研究的熱點，序列中包含許多重要信息，如物品的點擊規(guī)律和用戶的興趣，有效利用序列信息是提高推薦準確率的關(guān)鍵。為了有效提取序列信息，提出了ACRec推薦系統(tǒng)模型，利用多頭自注意力機制和卷積神經(jīng)網(wǎng)絡(luò)從動態(tài)和靜態(tài)兩個方面提取序列信息，并利用矩陣分解增強模型中用戶與序列的語義關(guān)系。在MovieLen-1M和Video_Games兩大公開數(shù)據(jù)集上實驗證明，相比于其他基線模型，ACRec提高了推薦的準確率，Hit@10分別提高了1.03%和18.4%智能計算機與應(yīng)用 2021年7期2021-12-07
- 基于序列特征提取的個性化推薦
序列的推薦是推薦系統(tǒng)研究的熱點，序列中包含許多重要信息，如物品的點擊規(guī)律和用戶的興趣，有效利用序列信息是提高推薦準確率的關(guān)鍵。為了有效提取序列信息，提出了ACRec推薦系統(tǒng)模型，利用多頭自注意力機制和卷積神經(jīng)網(wǎng)絡(luò)從動態(tài)和靜態(tài)兩個方面提取序列信息，并利用矩陣分解增強模型中用戶與序列的語義關(guān)系。在MovieLen-1M和Video_Games兩大公開數(shù)據(jù)集上實驗證明，相比于其他基線模型，ACRec提高了推薦的準確率，Hit@10分別提高了1.03%和18.4%智能計算機與應(yīng)用 2021年7期2021-12-07
- 基于用戶效用的隱式反饋推薦系統(tǒng)研究
用的隱式反饋推薦系統(tǒng)，在不干擾客戶購物的情況下，為客戶提供合適的商品。論文首先采用隱式數(shù)據(jù)，設(shè)計出商品效用值，然后根據(jù)用戶的付出成本，計算出用戶的收益值，最后把收益值最大的商品作為推薦品。經(jīng)過測試集的計算，模型準確率為90.2%?！続bstract】Online product advertisements flood e-commerce users like an "information explosion"， which reduces users中小企業(yè)管理與科技·下旬刊 2021年11期2021-11-23
- 基于注意力機制的圖神經(jīng)網(wǎng)絡(luò)的電商知識圖譜推薦
圖卷積網(wǎng)絡(luò);推薦系統(tǒng);可解釋性引言海量商品數(shù)據(jù)的推薦在電商系統(tǒng)中是一項復(fù)雜的任務(wù)，商品數(shù)據(jù)的積累使得信息的篩選變得十分困難，用戶難以在短時間里從龐大的商品庫中找到最適合的商品，而個性化推薦算法的運用就是為了解決這個問題。推薦算法能從用戶行為和商品數(shù)據(jù)中挖掘到有用的信息，幫助用戶更精準地找到自己需要的商品。推薦算法還能學習記錄到用戶的歷史行為，作為推薦數(shù)據(jù)的補充。目前在電商推薦系統(tǒng)中，協(xié)同過濾是一種經(jīng)典的技術(shù)，其思想可以理解為相似的用戶往往青睞同一種類型的商科技信息·學術(shù)版 2021年26期2021-11-18
- 精準動態(tài)信息推薦算法在智慧校園中的應(yīng)用
;信息冗余;推薦系統(tǒng);協(xié)同過濾1引言當前，教育環(huán)境復(fù)雜，教育信息化和智慧化必需兼顧環(huán)境多樣性、受眾復(fù)雜性、需求變化性等因素，借助移動通信技術(shù)與人工智能技術(shù)發(fā)展新型教育對位于戰(zhàn)略興國的重要基礎(chǔ)化建設(shè)。智慧化教育必須打破原來數(shù)字教育資源建設(shè)的傳統(tǒng)觀念和思想壁壘，除了包涵傳統(tǒng)的教育課件之外，其主體應(yīng)當是伴隨著教學過程中產(chǎn)生的大數(shù)據(jù)以及伴隨對關(guān)于教育所有因素分析產(chǎn)生的相關(guān)數(shù)據(jù)內(nèi)容及其衍生信息。因此如何有效的獲取眾多信息中的關(guān)鍵有效信息成為系統(tǒng)能否生存、教育成本、學快樂學習報·教師周刊 2021年15期2021-11-11
- 基于智慧校園的智能推薦系統(tǒng)的應(yīng)用研究
需要的。智能推薦系統(tǒng)對當前智能推薦的主要方式以及推薦算法進行了研究，通過對系統(tǒng)的設(shè)計與分析，運用H5技術(shù)中的WebSocket技術(shù)實現(xiàn)了管理平臺和移動客戶端應(yīng)用程序，給用戶帶來了便捷、精準獲取信息的服務(wù)體驗。關(guān)鍵詞：信息推送;智能推薦;推薦系統(tǒng);個性化;智慧校園中圖分類號：TP391.3? ? ? 文獻標識碼：A 文章編號：2096-4706（2021）08-0153-03Application Research of Intelligent Recomm現(xiàn)代信息科技 2021年8期2021-11-03
- 融入用戶長短期興趣的推薦算法多樣性優(yōu)化
多樣性; 推薦系統(tǒng)中圖分類號：TP391? ? ? ? ? 文獻標識碼：A? ? ?文章編號：1006-8228（2021）10-44-05Diversity optimization of recommendation algorithm integratinguser's long-short-term interestXia Ruiling1， Li Guoping2， Wang Guozhong2（1. College of Electrical計算機時代 2021年10期2021-10-24
- 一種基于長短期偏好序列的推薦模型
系。關(guān)鍵詞：推薦系統(tǒng);自注意力機制;序列推薦1.引言隨著互聯(lián)網(wǎng)的發(fā)展，數(shù)據(jù)變得越來越多，如何從如此之多的數(shù)據(jù)中選擇有效的信息，成為用戶當前需要考慮的一個重大問題，而推薦系統(tǒng)的誕生就是為了解決此類信息過載的問題[1]and EvaluationsarXiv preprint arXiv：1905.01997 a 商業(yè)2.0-市場與監(jiān)管 2021年11期2021-10-14
- NEG-MF：一種針對推薦系統(tǒng)的矩陣分解圖嵌入模型
圖嵌入; 推薦系統(tǒng); 負采樣中圖分類號：TP311? ? ? ? ? 文獻標識碼：A? ? ?文章編號：1006-8228（2021）09-06-04Abstract： The traditional matrix factorization graph embedding model does not consider a large number of unknown relationships， so that its performance fa計算機時代 2021年9期2021-10-08
- 基于Spark大數(shù)據(jù)處理的電影推薦系統(tǒng)設(shè)計與實現(xiàn)
式。關(guān)鍵詞：推薦系統(tǒng);混合推薦;協(xié)同過濾;Spark;ALS;機器學習0?引言隨著網(wǎng)絡(luò)碎片化管理視頻的時代到來，不斷產(chǎn)生的用戶數(shù)據(jù)，促使基于用戶的智能推薦影片的系統(tǒng)的實現(xiàn)非常重要。一個完善的推薦系統(tǒng)能夠為用戶提供實時需要的信息，正是如此推薦系統(tǒng)面對海量產(chǎn)生的數(shù)據(jù)信息，從中快速推薦出滿足用戶喜好的物品，對于一些“選擇恐懼癥”和沒有明確需求的人是一道福音。以電影網(wǎng)站作為業(yè)務(wù)應(yīng)用場景，實現(xiàn)基于統(tǒng)計的推薦、基于LFM的離線推薦、基于模型的實時推薦、基于內(nèi)容的推薦等無線互聯(lián)科技 2021年11期2021-09-13
- 面對智能分診的個性化推薦算法
;協(xié)同過濾;推薦系統(tǒng) 中國人口數(shù)量與醫(yī)療資源之間的巨大反差使得醫(yī)療資源日趨不足，短期內(nèi)增加醫(yī)療資源的總量幾乎是不可能的，因此有效整合和合理分配現(xiàn)有的醫(yī)療資源，緩解就診壓力，提升就醫(yī)質(zhì)量，有著很大的實用價值與社會意義。智能導(dǎo)診根據(jù)患者的主訴為患者自動推薦相應(yīng)的醫(yī)院和醫(yī)生，對合理分診起著重要作用。從數(shù)據(jù)的角度看，智能導(dǎo)診是針對患者主訴和基本信息對醫(yī)院和醫(yī)生的推薦。一、相關(guān)工作分析 近年來國內(nèi)外與醫(yī)療領(lǐng)域推薦相關(guān)的研究很多，M.L6pez-Nores等[1]客聯(lián) 2021年2期2021-09-10
- 基于lightGBM的聯(lián)通話費購推薦系統(tǒng)研究
GBM算法的推薦系統(tǒng)。通過分析用戶行為，構(gòu)建用戶、商品的動態(tài)特征，用協(xié)同過濾召回的基礎(chǔ)上，利用lightGBM算法做精準排序，預(yù)測用戶對于商品的購買率。經(jīng)過實際驗證表明，推薦的召回率達到82.3%，下單轉(zhuǎn)化率為30.9%，有效提高了用戶的點擊付費轉(zhuǎn)化?！娟P(guān)鍵詞】? ? 推薦系統(tǒng)? ? lightGBM? ? 特征工程? ? 集成學習一、項目背景聯(lián)通話費購商城是中國聯(lián)通提供的新型通信賬戶消費業(yè)務(wù)，是聯(lián)通用戶購買多種會員權(quán)益的專屬商城。為用戶提供話費計費和第三中國新通信 2021年12期2021-08-27
- 基于知識圖譜的學習評價與推薦系統(tǒng)設(shè)計與實現(xiàn)
的學習評價與推薦系統(tǒng)，提出使用學習路徑達成度來實現(xiàn)個性化的學習路徑規(guī)劃及學習資源推薦算法，闡述了系統(tǒng)總體架構(gòu)和系統(tǒng)資源本體模型的構(gòu)建方法，可以有效解決學生線上自主學習的信息過載與知識迷途問題。關(guān)鍵詞：知識圖譜;推薦系統(tǒng);個性化學習資源中圖分類號：TP399? ? ? ?文獻標識碼：A文章編號：1009-3044（2021）18-0001-02開放科學（資源服務(wù)）標識碼（OSID）：1引言互聯(lián)網(wǎng)+、人工智能、大數(shù)據(jù)等新型理念與技術(shù)強勢介入教育，教育教學環(huán)境發(fā)電腦知識與技術(shù) 2021年18期2021-08-18
- 基于動態(tài)權(quán)重的商品混合推薦系統(tǒng)
信摘? 要：推薦系統(tǒng)已經(jīng)在日常生活中扮演著舉足輕重的角色，單一的推薦系統(tǒng)往往會存在冷啟動、數(shù)據(jù)稀疏等問題，該文將各推薦服務(wù)的結(jié)果通過動態(tài)權(quán)重的方式加以調(diào)整并混合，避免單一算法帶來的問題，提升個性化推薦效果。將大數(shù)據(jù)技術(shù)和推薦算法結(jié)合，設(shè)計并實現(xiàn)基于大數(shù)據(jù)的商品混合推薦系統(tǒng)。最后使用Amazon的數(shù)據(jù)集進行系統(tǒng)測試，該文提出的動態(tài)權(quán)重混合方式比傳統(tǒng)線性混合擁有更好的性能。關(guān)鍵詞：推薦系統(tǒng)? 混合推薦? 動態(tài)權(quán)重? 個性化推薦中圖分類號：TP391.3? ?科技資訊 2021年10期2021-07-28
- 一種改進的缺失數(shù)據(jù)協(xié)同過濾圖書自動推薦模型研究
協(xié)同過濾自動推薦系統(tǒng)，因數(shù)據(jù)缺失對圖書推薦結(jié)果產(chǎn)生影響。該文借助廣東嶺南職業(yè)技術(shù)學院圖書館50萬條樣本數(shù)據(jù)，通過對部分變量缺失數(shù)據(jù)進行插值，設(shè)計一種改進的缺失數(shù)據(jù)協(xié)同過濾圖書自動推薦系統(tǒng)模型（xDeepFM-D）。試驗結(jié)果表明，在模型訓(xùn)練150輪后，測試集總損失為0.072 8，AUC（Area Under roc Curve）為0.927 4。對比常見推薦系統(tǒng)模型xDeepFM、DeepFM、FM&DNN以及FM，AUC分別提升了0.17%、0.64%、科技資訊 2021年10期2021-07-28
- 個性化新聞推薦系統(tǒng)中的“過濾氣泡”研究
氣泡；新聞；推薦系統(tǒng)；用戶視野中圖分類號 G2 文獻標識碼 A 文章編號 2096-0360（2021）05-0030-03隨著個性化推薦系統(tǒng)的發(fā)展與應(yīng)用，人們開始擔心推薦系統(tǒng)對用戶帶來的負面作用。其中一個越來越受人關(guān)注的便是“過濾氣泡”問題[1]，即推薦系統(tǒng)是否會因為總是推薦相似內(nèi)容而使得用戶視野被窄化。如Poulain通過對音樂平臺的研究發(fā)現(xiàn)了內(nèi)容多樣性的缺失[2]。然而也有研究對該問題進行了否定，如moller通過數(shù)據(jù)科學實驗更進一步地提出推薦系統(tǒng)不新媒體研究 2021年5期2021-07-27
- 中醫(yī)輔助診療推薦系統(tǒng)設(shè)計與實現(xiàn)
中醫(yī)輔助診療推薦系統(tǒng)。方法? 以中醫(yī)歷史病案數(shù)據(jù)為基礎(chǔ)，利用數(shù)據(jù)挖掘技術(shù)和度量學習技術(shù)挖掘、整理中醫(yī)診療經(jīng)驗知識，建立病案相似度計算方法，設(shè)計中醫(yī)輔助診療推薦系統(tǒng)功能框架并開發(fā)應(yīng)用系統(tǒng)。結(jié)果? 設(shè)計并構(gòu)建了中醫(yī)輔助診療推薦系統(tǒng)，在四診識別階段為醫(yī)生推薦候選癥狀，在辨證論治階段為醫(yī)生推薦診療方案，從而輔助經(jīng)驗不足的醫(yī)生診療。結(jié)論? 該系統(tǒng)可以在臨床實踐中輔助醫(yī)生診療，從而降低中醫(yī)傳承難度、改善中醫(yī)傳承模式，更好地發(fā)展和利用中醫(yī)藥。關(guān)鍵詞：中醫(yī)輔助診療;推薦系中國中醫(yī)藥圖書情報 2021年3期2021-07-11
- 人工智能在圖書館特藏文獻資源建設(shè)中的應(yīng)用
于人工智能的推薦系統(tǒng)可以有效緩解信息過載，解決特藏文獻難發(fā)現(xiàn)、難收全的現(xiàn)實問題。本研究通過將深度學習技術(shù)融入推薦系統(tǒng)中，構(gòu)建圖書館特藏文獻需求模型，設(shè)計出特藏文獻自動識別系統(tǒng)，通過介紹其工作流程與效果，為圖書館開發(fā)個性化、高性能的特藏文獻推薦工具提供參考與借鑒。關(guān)鍵詞 深度學習 特藏文獻 推薦系統(tǒng) 人工智能分類號 G250DOI 10.16810/j.cnki.1672-514X.2021.05.008Artificial Intelligence App新世紀圖書館 2021年5期2021-06-22
- 基于個性化推薦系統(tǒng)的視頻App的設(shè)計
。基于個性化推薦系統(tǒng)的視頻App，融合了多種推薦方法。首先為了解決推薦系統(tǒng)的冷啟動問題，采用了基于統(tǒng)計學的推薦方式，同時，采用基于協(xié)同過濾的推薦算法，計算視頻和用戶間的隱藏特征，最后還有實時推薦模塊，能夠根據(jù)用戶近期的行為對推薦內(nèi)容進行調(diào)整。關(guān)鍵詞：android應(yīng)用;推薦系統(tǒng);協(xié)同過濾;ALS算法;實時推薦中圖分類號：TP391? ? ? 文獻標識碼：A文章編號：1009-3044（2021）08-0004-03Abstract： In recent y電腦知識與技術(shù) 2021年8期2021-04-22
- 基于協(xié)同過濾和標簽的混合音樂推薦算法研究
，為優(yōu)化音樂推薦系統(tǒng)提供參考方法。關(guān)鍵詞：協(xié)同過濾;標簽;音樂推薦;推薦系統(tǒng)中圖分類號：TP312? ? ?文獻標識碼：A文章編號：2096-1472（2021）-04-10-04Abstract： Traditional single recommendation algorithm cannot effectively solve the accuracy problem in music recommendation. In view of musi軟件工程 2021年4期2021-04-18
- 用戶畫像技術(shù)在產(chǎn)品營銷中的應(yīng)用
戶畫像技術(shù)的推薦系統(tǒng)就是目前所采用的有效方法之一。本文對互聯(lián)網(wǎng)環(huán)境下在產(chǎn)品的推廣和營銷過程中如何利用用戶畫像技術(shù)，有針對性地選擇推薦系統(tǒng)算法進行了探討和研究。關(guān)鍵詞：用戶畫像;推薦系統(tǒng);算法Abstract： With the continuous development of artificial intelligence and big data technology， the way of obtaining information is also電腦知識與技術(shù) 2021年5期2021-04-13
- 基于Spark和微服務(wù)架構(gòu)的電影推薦系統(tǒng)設(shè)計與實現(xiàn)
李險貴摘要：推薦系統(tǒng)廣泛應(yīng)用于人們生活的多個領(lǐng)域，日常生活中常見的有電商、電影、音樂和新聞推薦等。推薦系統(tǒng)根據(jù)用戶的歷史偏好主動推送相關(guān)的信息，節(jié)約了用戶的時間，極大地提升了用戶的體驗。隨著大數(shù)據(jù)技術(shù)的發(fā)展成熟，數(shù)據(jù)處理的速度變得更快。該文選取MovieLens電影數(shù)據(jù)集，并基于大數(shù)據(jù)分布式處理框架Spark和交替最小二乘法ALS等算法搭建數(shù)據(jù)處理平臺，然后再結(jié)合Spring Boot和Spring Cloud等搭建電影后臺服務(wù)，實現(xiàn)一個基于微服務(wù)架構(gòu)的電電腦知識與技術(shù) 2021年5期2021-04-13
- 推薦系統(tǒng)在檔案知識服務(wù)中的應(yīng)用研究
：論文探討了推薦系統(tǒng)用于提高檔案知識服務(wù)主動性、針對性與個性化中的價值問題，并依據(jù)推薦系統(tǒng)通用模型，構(gòu)建了推薦系統(tǒng)在檔案知識服務(wù)中的應(yīng)用模式，然后列舉推薦系統(tǒng)在檔案知識服務(wù)中的典型應(yīng)用。關(guān)鍵詞：推薦系統(tǒng);處理模型;用戶需求;檔案知識服務(wù);應(yīng)用研究Abstract： The paper discusses the value of the recommendation systems in solving the bottlenecks and improv檔案管理 2021年2期2021-04-06
- 層次聚類算法在實現(xiàn)高職教學推薦系統(tǒng)中的應(yīng)用
次聚類算法 推薦系統(tǒng) 輔助教學中圖分類號：G712文獻標識碼：ADOI：10.16400/j.cnki.kjdk.2021.29.012Application of Hierarchical Clustering Algorithm in Realizing Higher Vocational Teaching Recommendation SystemJIANG Haifeng（Guangdong Polytechnic of Science and T科教導(dǎo)刊 2021年29期2021-01-13
- 語法試題個性化推薦系統(tǒng)的研究