暂无评论
针对协同过滤算法存在的问题进行改进，以提高评分预测和推荐结果的准确性。传统的相似度度量方法只考虑用户评分，过于简单，在皮尔森相似度的基础上引入用户评分时间和商品流行度对用户评分进行加权处理，并与基于共
一种基于混合相似度的协同过滤算法，胡芳燚，姚文斌，协同过滤是个性化推荐中使用最广泛的方法之一。该方法中最重要的一步是通过使用评分信息来获得用户之间的相似性，以便系统可以预
基于差分隐私的SlopeOne协同过滤推荐算法，王辉，何杰，SlopeOne算法是一种简洁高效且推荐精度高的协同过滤推荐算法，然而其很难提供一个严格的隐私保证。潜在攻击者可以通过观察用户的推
针对传统协同过滤算法存在冷启动、数据稀疏、运行效率低下等问题，分析了较传统协同过滤算法更加高效准确的SlopeOne算法的优点、原理及流程。针对SlopeOne算法未考虑用户兴趣变化和用户相似性这两方
针对传统协同过滤算法稀疏矩阵和推荐精度不高的问题，根据一种社会心理学模型提出了基于群体动力学的协同过滤算法。该算法综合考虑了个体因素和环境因素对用户评分行为的影响，以此来调整传统的评分预测方法，然后为
一种基于标签改进的协同过滤推荐算法，刘金鑫，张成文，为解决传统协同过滤算法存在的数据稀疏性问题以及用户模型过于简单对推荐质量造成的负面影响，本文在传统协同过滤算法的基础上,��
在算法领域的高级版本中，我们聚焦于协同过滤和K-means聚类的卓越表现。协同过滤，作为推荐系统的核心组成部分，通过分析用户行为模式，实现个性化推荐。同时，K-means聚类算法的引入为协同过滤注入了
摘要 摘 要 互联网的普及和物联网的迅速发展使得数据已进入自动产生阶段随之人类进入了大 数据时代如何高效地处理和利用这些数据成为了挑战推荐系统的出现有效缓解了信息 过载带给人们的困扰推荐算法是推荐系统
传统的基于项目的协同过滤算法离线计算项目相似性，提高了在线推荐速度，但该算法仍然不能解决数据稀疏性所带来的问题，计算出的项目相似性准确度较差，影响了推荐质量。针对这一问题，提出了一种结合类别偏好信息的
提出一种新的热点轨迹聚类算法（LSHT），结合社交网络中的位置属性和社交特征，利用基于位置的社交网络（LBSN）用户中的好友关系特征，引入用户亲密度和用户活跃度，对用户之间的联系进行分析；提出对用户轨
暂无评论