简介：

简介：传统的协同过滤推荐算法倾向于热门项目的推荐,而对处于长尾位置的冷门项目推荐能力不足;针对这一问题,提出了一种新的缓解推荐偏好的协同过滤TopN推荐算法,该算法充分考虑用户活跃程度的影响,根据用户活跃度不同化作相应比重引入项目相似度计算以及推荐列表过程中;考虑项目种类多样的影响,对得出的项目相似度矩阵经行归一化处理,实验结果表明,改进后的算法推荐准确度有明显的提升,且降低了平均流行度提高了推荐结果的新颖度,大大提高了冷门项目的推荐力度。

简介：协同过滤挖掘是利用具有相似喜好的读者或相似的物品来实现相关推荐的信息挖掘。通过深入挖掘图书馆书籍借阅中记录的信息，提出了一个基于用户协同过滤技术的图书推荐系统的设计与实现方案。实验结果表明该系统具有较为准确的预测功能，对图书推荐工作具有较好的参考价值。

简介：对教育资源按照学科进行分类,结合学习者的兴趣偏好集中、稳定等特性,提出一种基于用户类别兴趣度的协同过滤推荐算法。在该算法中,首先根据条件概率的方法计算用户类别兴趣度的相似性,然后将其融合到相关相似性计算公式中,提高用户相似性的准确度,实验表明提高了推荐质量。

简介：本文阐述了基于内容的推荐算法、协同过滤推荐算法，分析这两种推荐算法的优缺点，提出一种基于这两种推荐方法的个性化推荐算法，能同时拥有协同过滤推荐算法和给予内容推荐算法的优点，又能一定程度的避免基于内容或协同过滤推荐算法各自的缺点。将本推荐算法应用到用户在线学习资源系统中，更适合在实际推荐系统中应用。

简介：摘要:本文针对在邻居用户协同评分识别数据极端稀疏的大环境下运行传统应用协同推荐过滤度量推荐评分算法可能存在的一些弊端,从如何提高不同邻居之间用户评分识别率的准确性角度出发,对目前传统用户相似性平均度量推荐方法特点进行大胆改进,在此方法基础上创新提出一种基于用户相关性平均值的协同推荐过滤算法。实验分析结果表明,该分析算法不仅能有效增强居民邻居推荐用户在居民推荐结果中的品牌影响力,有效帮助提高邻居推荐结果精度,改善邻居推荐结果质量。

简介：摘 要 针对传统推荐算法未考虑项目类型和时间变化对用户兴趣的影响。为解决这个问题，提出一种基于用户偏好变化和时间权重的协同过滤算法ATCF（interests and time collaborative filtering）。实验表明，ATCF算法不仅能较好地反映用户偏好的变化，还能提高推荐精确度。

简介：

简介：摘要：目前影视平台的研究热点依旧是智能影视推荐平台，基于关联规则的电影推荐方式并未考虑到多个因素，无法提供准确的内容。因此，提高智能化水平的关键在于如何更有效地运行推荐算法。本文结合现实情况对协同过滤算法的作用进行分析，按照研究视角的不同对智能电影推荐算法的流程进行详细的描述，以便学生们的理解。

简介：

简介：摘要：当前，随着我国经济的快速发展，以及人们生活水平的提高，使得人们的个性化需求增多。而利用协同过滤算法所制定的电影个性化推荐系统，是网络技术与计算机技术在电影服务中的成功应用。对此本文提出电影推荐系统以协同过滤算法计算用户相似度来帮助人们寻找自己喜欢的电影，协同过滤算法的优点是适用范围广重复使用率高，不使用数据的专业知识，实现效果明显。

简介：   摘要：针对传统的相似度计量方法根据用户评分信息矩阵来计算物品或者用户相似度，需要考虑所有用户反馈的历史信息，提出一种改进的协同过滤推荐算法。首先，将所有物品度的平均值作为一个阈值，选出高密度阈值物品。其次，使用可变网格的聚类方法将有共同兴趣是用户聚为同一类。最后，在类内用推荐算法对用户进行物品推荐。实验结果表明新算法在一定程度上提高了推荐系统的推荐精度和质量。

简介：为研究用户的相似性对协同过滤个性化推荐算法的影响,认为用户的有向相似性应该由邻居用户指向目标用户,而非由目标用户指向邻居用户。基于该思想,提出了一类改进的协同过滤算法。通过对Movielens数据集的实验分析,结果发现改变用户相似性的方向可大幅提高推荐结果的准确度和推荐列表的多样性。进一步,强化相似度高的用户的推荐强度可大幅提高推荐效果,算法的准确性可提高17.94%,达到0.0864,当推荐列表的长度为10时,推荐列表的多样性可达到0.8929,提高20.9%。该工作表明用户相似性的方向是否合理对推荐算法具有非常大的影响。

简介：针对高校图书推荐存在数据稀疏性和推荐结果质量不高的问题,提出了一种基于协同过滤的高校图书推荐算法.该算法利用图书分类号代替具体图书,应用改进的布尔型相似度计算方法,根据学院分组计算用户相似度,解决了数据稀疏性问题,提高了算法效率.通过定义课程计划、用户兴趣域和流行图书的影响力,建立了图书类别的评价模型.根据类别评价确定各类别推荐数量,提高了推荐结果的质量和多样性.实验结果表明,算法能够有效识别用户感兴趣的图书类别,并且图书推荐质量更好.

简介：摘要：混合推荐算法是一种将内容过滤和协同过滤相结合的推荐算法，旨在克服单一算法的局限性，提高推荐系统的准确性和个性化程度。本文对基于内容和协同过滤的混合推荐算法进行了研究和应用，并探讨了其在推荐系统领域的潜在价值和挑战。通过实验和案例分析，验证了混合推荐算法在提升推荐效果和用户满意度方面的优势。研究结果表明，混合推荐算法在实际应用中具有广泛的应用前景和实用性。

简介：针对目前快速增长的智能数字电视的点播直播节目，观众对感兴趣的节目选择困难的现状，本文提出一种面向智能数字电视的点播直播节目数字电视推荐系统，它基于改进的聚类和协同过滤组合推荐算法。系统统一了点播直播节目的节目标签，以便于用户点播直播历史数据统一打分，然后形成用户-评分矩阵表，再针对高维矩阵表进行基于PCA和K-means的分裂层次聚类算法聚类形成相似用户簇群。接着对用户所在的簇群进行基于协同过滤算法计算，得出用户对未观看节目的预测评分，给用户推送最佳节目。

简介：

简介：综合了经典的协同过滤算法和基于网络结构的个性化推荐算法。项目同其他所有项目的相似度之和被认为是项目在个性化推荐系统中的初始推荐资源,然后通过二部图的网络结构将这种资源进行重新分配。同时考虑两个项目之间的相互作用关系,提出了最终的推荐算法。最后,根据用户未曾收集项目最终所获得的资源进行排序,向用户推荐资源最多的项目。通过考察项目之间相互作用可以发现,推荐系统的算法衡量指标不能同时达到最优。同时为了进一步增强算法的可扩展性,引入了一个度指数来调节算法,这样在实际应用中就可以根据需要,通过调整项目之间的相互作用以及项目自身的度指数,达到最好的用户体验和系统多样性。

简介：摘要：由于协同过滤算法的推荐准确度较高，越来越多的智能推荐应用开始使用协同过滤算法来对用户进行推荐。而受限于评分矩阵的缺失，在论文推荐的领域中，多为基于内容的论文推荐，较少看到协同过滤算法的应用。本文利用 FP-growth算法挖掘论文关键词的频繁项集，根据相关参数设置了虚拟评分矩阵，实现了使用协同过滤算法对论文的智能推荐。

简介：为了解决网络由于宽带拥堵、内容冗长等引起信息资源的共享水平与共享效率下降的问题,设计了一种基于播存网络环境下的UCL（UniformContentLocator）协同过滤推荐方法。采用播存网络利用＂一点对无限点＂物理广播式方法,对共享信息资源进行分发,能够有效地解决这一问题。通过研究结果分析可知,相比于传统的方法,此种推荐方法不但推荐精度比较高,同时还能够为新的UCL赋予较高的推荐优先级,并且为UCL的时效性与热度提供重要保障。因此,更适合应用在播存网络环境下的UCL的推荐。