混合推荐

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： 推荐系统中的协同过滤算法和基于内容推荐算法都能够进行相关推荐,但是算法中存在的不足会导致推荐结果不准确。为提高推荐准确度,本文提出一种混合模式的推荐算法,建立用户的兴趣模型,对目标用户进行个性化的物品推荐。最后利用Movies Lens数据集进行训练并评估基于用户和基于内容的混合模式推荐算法的准确度。

摘要： 随着信息技术的发展,图书馆传统的推荐方式难以满足广大读者的个性化需求,单一的推荐算法在海量数据处理面前的缺陷也愈发明显,协同过滤是解决图书推荐问题的重要方法。文章分析了基于用户和基于物品的两种协调过滤算法,借助XGBoost梯度树状开源框架对协同过滤结果持续优化,提出了一种融合用户和物品的混合推荐模型,并利用中国传媒大学图书馆的借阅数据进行了仿真实验,与单一基于用户的协调过滤算法对比,混合推荐模型提升了推荐的精准率、召回率和F1值,验证了推荐模型的有效性。

摘要： 针对传统协同过滤推荐算法普遍存在的数据稀疏性问题以及寻找相似用户时存在局限性,提出一种融合狼群算法和模糊聚类的混合推荐算法。在数据处理过程中,根据基于项目的协同过滤算法充分挖掘项目间的数据关系,填充原始矩阵的零值以降低数据稀疏性;从用户的角度出发,根据模糊聚类隶属度的大小筛选出相关邻居集合,扩大相关用户的寻找范围;将狼群算法引入模糊聚类,借助狼群算法全局搜索的优势,提高寻找相似用户的准确度。在真实的数据集上进行对比实验,结果表明,所提算法缓解了数据稀疏的问题,推荐误差明显减小,和传统的推荐算法相比有着良好的推荐效果。

摘要： 高考志愿填报是影响学生未来发展的一个至关重要的阶段,为帮助考生更好的进行高考志愿填报,中国的高考志愿填报和录取机制进行了一系列的改进,从“估分填报”到“知分填报”,从“梯度志愿”向“平行志愿”,但“高分低录”“高分落榜”及未能选择到自己喜欢的专业等问题仍然存在。针对上述问题在调研文献的基础上对近年来高考志愿填报使用的算法进行了综述。

摘要： 用户在电影网站观看电影时,大多数电影网站给用户推荐的电影会出现单一化的问题,导致用户在寻找心仪的电影和尝试观看其他电影时较为困难。同时,当新用户在进行注册时,由于缺少新用户的观看信息,从而会产生推荐内容不对口的问题。文章利用协同过滤算法并融合电影类型及用户评分数据,实现了个性化影视推荐系统,该系统能够向新老用户精准推荐影视作品。

摘要： 首先介绍了基于电影类型偏好特征的推荐算法的实现过程,分析了用户特征与电影评分之间的关联,同时根据用户偏好关系和电影与电影类型的关联程度进行建模;然后通过计算不同电影之间的相似度,来预测用户对未知电影的感兴趣程度;最后介绍了混合推荐的总体流程、实验中使用到的电影数据集和评估指标,并将混合推荐模型与FM、DeepFM、NCF、xDeepFM算法模型进行比较,从实验结果中发现混合推荐模型比其他模型在排序精度和推荐精度上要略胜一筹。

摘要： 针对传统单一推荐算法难以兼顾用户冷启动、数据高维稀疏、算法准确性与可扩展性等方面的问题,提出一种基于多源数据聚类和奇异值分解的混合推荐算法。该算法首先利用TF-IDF公式对用户—项目评分矩阵和项目特征矩阵进行处理,生成用户—项目偏好矩阵;然后结合用户特征矩阵、评分矩阵作为算法输入,利用改进K-means聚类算法划分用户类簇;接着采用融合时间衰减函数的BiasSVD算法对每个用户类簇对应的评分矩阵进行分解降维,并利用随机梯度下降法重新预测评分填充评分矩阵;最后从高到低对用户的预测评分向量进行排序,产生推荐列表。在MovieLens数据集上的实验结果证明,该算法的精确率和召回率相较于传统基于SVD的协同过滤推荐算法分别提升5.4%和6.8%,表现出更好的准确性和推荐性能,改善了用户冷启动问题。所提方法对目前混合推荐算法具有一定的参考与借鉴价值。

摘要： 推荐技术已经应用到各行各业,然而在水利行业信息推荐的应用很少.提出一种基于混合策略的水利门户信息推荐模型.根据水利业务特点对水利门户信息分类,构建水利门户信息分类器.将基于时间和地理位置的热点门户信息推荐、基于信息内容的推荐、基于用户与信息类别的协同过滤推荐的结果线性加权混合,解决信息推荐的冷启动、数据稀疏性等问题.通过爬虫获取各水利门户信息以及调查获取用户行为数据来构建实验数据,将混合推荐方法与三种单一推荐方法对比,其准确率、召回率、F1-score等指标都有所提高.利用该推荐模型设计水利门户信息推荐原型系统的基本框架和功能.

摘要： 传统的基于点数据的混合推荐算法鉴于用户偏好信息难以统筹而不能够从用户的角度建立模型,推荐的质量与效率受到影响.为能够更加具体的表征用户模型,以分布式符号数据为基础,建立用户积极子模型和消极子模型,通过分布式符号数据的距离度量计算出用户间的积极相似度和消极相似度,最后采用协同过滤算法为目标项目进行评分预测.将这种全新的混合推荐算法与传统推荐算法进行对比实验,结果表明,在一定的实验条件下,基于分布式符号数据的混合推荐算法优于传统的推荐算法.

摘要： 在基于云服务平台的个性化业务流程定制环境中,如何把成功定制的结果推荐给不同的租户以提高租户的定制效率与体验度,如何选择一种推荐算法用于寻找可信租户以提高个性化推荐的精准度,是一系列具有挑战性的问题.针对这些问题,本文提出了一种基于云服务平台适用于个性化业务流程定制环境的混合推荐方案,这种方案先优化协同过滤用于寻找活动租户的相似租户;再通过基于内容的过滤构建活动租户与相似租户间的偏好模型并筛除“伪邻居”;最后把计算获得的候选服务推荐给活动租户选择.通过实验研究证实,本文提出的方案提高了个性化推荐的精准度,同时也提高了租户的定制效率与体验度.

摘要： 提出了一种混合推荐技术,它综合了基于内容的过滤和基于单值分解的协同过滤两种推荐算法,通过加权得到最后推荐结果并通过用户的反馈调整权重.两种推荐算法都有不足之处,混合推荐技术使两种算法互为补充,适用范围更广.实验证明,该推荐技术能有效解决数据稀疏性问题并能提高推荐质量.

摘要： 近年来基于矩阵分解的协同过滤算法在评分预测上取得的显著成果,但冷启动、数据稀疏等问题仍然未能得到很好的解决,因此如何将评论信息引入推荐系统以缓解上述问题,开始成为研究的热点之一.另一方面深度学习在图像处理、自然语言处理等领域已经发挥重要作用,其对文本的编码与分析能力恰好适应推荐领域当前正在研究的问题.本文尝试基于深度学习来加强个性化推荐,提出将层叠降噪自动编码器(SDAE)与隐含因子模型(LFM)相结合的混合推荐方法,综合考虑评论文本与评分,以提升推荐模型对潜在评分预测的准确性.在常用大规模公开数据集Amazon上进行的测试结果表明,与传统推荐模型相比,所提出方法可有效提高评分预测的准确性,最高可达到64.43％的性能提升.

摘要： 本发明公开了一种基于混合神经网络的项目推荐模型的构建方法及装置、项目推荐方法，其中的构建方法首先对评论信息进行过滤，并对过滤后的评论信息进行预处理，然后利用卷积神经网络学习预处理后的评论信息中与项目相关的上下文特征、评分信息中的用户特征与项目特征；接着将用户‑项目评分信息中的项目特征与评论信息中与上下文特征进行融合和交互，再将学习后的用户特征与融合后的项目特征整合至多任务学习框架中，联合训练得到基于混合神经网络的项目推荐模型。本发明通过将评分信息和评论信息这两种异构数据整合到一个统一的模型中，能够更加准确地学习用户和项目的隐式特征向量，从而达到提高推荐系统性能、改善推荐效果的目的。

摘要： 本发明基于网络协同制造技术资源服务平台提供了一种基于混合推荐算法的技术资源及服务推荐系统，包括数据预处理模块、用户语义描述模块、个性化技术资源推荐模块、企业相似度计算模块、个性化服务推荐模块、技术资源及服务潜在组合挖掘模块。所述数据预处理模块包括对用户浏览与购买记录、企业注册信息等数据的预处理；所述用户语义描述模块对用户可能感兴趣的领域信息进行建模；所述个性化技术资源推荐模块向用户推荐技术资源；所述企业相似度计算模块包括两种相似度计算方法。本发明充分利用平台数据，通过多种数据分析算法混合，全方位向用户推荐技术资源及企业服务，达到提高网络协同制造程度的目的。

摘要： 本发明公开了一种基于混合推荐算法的学术会议推荐系统，能够从用户个人邮件及公开会议发布网站上获取学术会议信息，通过内容过滤及有效信息提取处理原始信息生成会议信息摘要，并根据用户的历史行为及基于TF‑IDF和词向量的学术会议文本表示方法使用融合基于用户的协同过滤及基于内容的混合推荐算法实现学术会议信息的个性化推荐，并通过基于WEB的展示和网盘归档两种方法实现信息的推送。该学术会议推荐系统有助于提高科研人员处理信息的效率，有效地改善学术会议过多选择问题。

摘要： 本发明请求保护一种基于混合推荐算法的歌曲推荐方法，其包括以下步骤：用户进行播放歌曲请求，获取用户的歌曲播放日志，得到用户—歌曲评分矩阵，从预设的用户属性项集合中确定出与所述播放歌曲请求的目标属性项，并利用建立的用户—歌曲评分矩阵，进行歌曲的初步推荐；根据歌曲播放日志，计算所述歌曲播放日志中每首歌曲的用户偏好度；确定推荐列表，并将所述推荐列表推荐给的用户；若和歌曲初步推荐结果有一半一样则按此推荐，若不一样则选取评分第二高的歌曲作为目标歌曲，重复以上步骤进行填充，直到超过一半相同则推荐歌曲歌单给用户。本发明混合推荐方法可以提高歌曲推荐的准确性。

摘要： 本发明提出了一种基于用户评论的深度情感分析和多源推荐视图融合的混合推荐方法，包括如下步骤：S1，通过挖掘用户评论的情感倾向，实现基于用户综合评分的协同过滤推荐模型；S2，利用词向量和卷积神经网络实现对物品内容信息进行相似度计算；S3，利用协同训练的策略实现对多源推荐视图的融合，构建混合推荐模型。为利用用户评论等短文本信息挖掘情感倾向，解决用户评分的真实性问题提供解决方案；为解决对物品内容短文本描述的理解，多个视图的推荐模型的融合提供理论基础和技术手段。

摘要： 本发明公开了一种基于混合推荐的二手交易平台资源推荐方法。算法包括通过基于内容的推荐算法根据用户的历史偏好，计算用户对某个项目的偏好程度；其次通过基于物品的协同过滤算法，计算项目间的相似度，得到某个项目与用户喜好的项目间的相似程度；由于二手平台的特殊性，用户既可以是买家，也可以是卖家，因此，在前面的基础上，融合了用户间的社交关系：信任度，即用户对某个特定用户的信任程度，由直接信任和间接信任组成；综合偏好程度，相似度，用户对卖家用户的信任程度，得到用户对某个项目的推荐系数；最后根据推荐系数和项目的已知平均得分，计算得到项目的预测评分，根据预测评分的高低进行项目的最终推荐。该资源推荐方法，在一定程度上缓解了协同过滤算法中用户项目评分矩阵稀疏的问题，新项目的冷启动问题，提高了推荐的精准度。

摘要： 一种基于知识混合推荐的数字化图书馆推荐方法，包括：图书数据库、借阅人信息库，其中：通过对图书馆图书的信息录入，得到图书效能数据，通过对借阅人在校专业信息交互，得到借阅人初始状态时的初始需求主题，之后借阅人初始需求主题与图书效能数据共同进入到图书馆偏好库中，发明通过大量公开数据和大数据采集、分析挖掘技术构建图书馆效能特征，同时基于主题模型构建借阅人需求的主题库；然后通过神经网络方法，对历史上图书馆与借阅人的数据进行训练，将研究主题和图书馆数据库映射到他们潜在的关联表示中，建立借阅人主题合作倾向模型。

摘要： 本发明公开了一种基于混合推荐算法的保险产品精准推荐方法，利用TF‑IDF模型计算新客户保障项目需求与保险条款相关度M，得到包含高相关度的保险条款集的保险产品集合A；利用余弦相似度方法在已有客户信息资料库中寻找相似客户集合和相似用户选购的保险产品集合B；构建“客户‑保障项目‑保险产品”保险数据三阶评分张量，利用Tucker张量分解算法预测新客户对保险产品的评分，获得保险产品集合C；利用Personal Rank算法输出新客户兴趣度较高的保险产品集合V，得到新客户既感兴趣又符合需求的保险产品集合Z。本发明考虑保险条款对保障项目的限制，利用TF‑IDF关键词提取方法，将真正符合客户保障需求的保险产品推荐给用户，降低客户基于主观判断，错选保险产品的概率。

摘要： 本发明提供一种推荐个数模型的训练方法、混合内容推荐方法及装置，所述训练方法包括：获取基于混合推荐列表进行内容推荐时，用户对指定类型内容的行为反馈；根据所述行为反馈及所述混合列表中指定类型内容的实际推荐个数，确定指定类型内容的期望推荐个数；对所述用户的属性信息、内容推荐时用户所处的上下文信息和所述用户对指定类型内容的历史操作信息中至少一种进行特征提取；将提取的特征作为推荐个数模型的输入，以输出所述期望推荐个数为目标，调整所述推荐个数模型的参数。利用本发明提供的方法，可以训练用于确定混合推荐列表中指定类型内容的推荐个数的推荐个数模型，以合理的进行混合内容推荐，提高用户体验。

摘要： 本发明公开了一种基于多类型学术成果画像及混合推荐策略的个性化推荐方法，包括：为用户和学术成果画像，以及对每种学术成果采用合适的推荐策略；所述为用户和学术成果画像包括用户画像、论文画像、期刊画像、学者画像、学科画像与基金画像；对每种学术成果采用合适的推荐策略包括基于项目协同过滤推荐及基于内容推荐。