摘要：为解决中药智能推荐存在的稀疏性和扩展性问题,设计基于大数据分析的中医药信息个性化推荐系统。首先采集患者中药历史用药数据,并保存到存储器当中,利用处理器运行改进后的协同过滤算法,检索相关中医药信息,最后将结果反馈给目标用户,实现针对目标用户的个性化推荐。结果表明:设计系统的推荐覆盖指数较高,说明稀疏性问题得到了改善,提高了个性化推荐质量;随着最近邻居个数增加,系统中改进后个性化推荐算法的执行时间复杂度减小,说明扩展性问题得以改善。

摘要：由于评分矩阵存在稀疏性问题和冷启动问题,传统的推荐系统大多通过分析上下文环境来增强推荐系统的性能,导致计算复杂度提高,并影响推荐的准确率。针对这种情况,提出基于神经网络和社区发现的高维数据推荐系统。利用神经网络识别影响力大的上下文维度,提高预测的准确率;设计社区检测算法将用户分组,降低数据维度并解决稀疏性问题;采用张量模型处理包含丰富附加信息的用户评分矩阵,根据张量值预测用户对项目的偏好。仿真实验结果表明,该系统有效地提高了高维数据推荐系统的性能。

摘要：针对大数据推荐系统中推荐准确率与效率较低的问题,设计一种基于社交关系与多上下文因素的大数据推荐系统。基于活动用户的社交网络,构建一个社交关系的张量模型;通过张量分解获得用户的上下文因素;基于候选集的相似性产生一个推荐列表。基于用户的反馈预测社交关系的范围,有效地减少推荐系统的计算量。真实数据集的实验结果证明,该算法提高了推荐系统的推荐精度,有效地缓解了稀疏性问题与冷启动问题,并且实现了较快的响应时间。

摘要：为了提高协同过滤推荐系统的推荐效率和准确性,更好地向用户提供个性化的推荐服务,提出一种用户评分和属性相似度的推荐算法。首先分析当前协同过滤推荐研究的现状,设计评分相似度、兴趣倾向相似度、置信度等作为评分标准,使得用户相似度的计算更加准确、有区分度,然后根据用户属性来衡量用户之间的相似度,最后利用Movie Lens数据集和Book-Crossing数据集做对比试验,对比精度、通用性和不同稀疏度及冷启动情况下的性能。实验结果表明,本文算法不仅提高了推荐精度,而且明显优于其它协同过滤推荐算法,具有更高的实际应用价值。

摘要：为了提高协同过滤推荐系统的推荐效率和准确性,更好地向用户提供个性化的推荐服务,提出一种用户评分和属性相似度的推荐算法。首先分析当前协同过滤推荐研究的现状,设计相似度、兴趣倾向相似度、置信度等指标作为评分标准,使得用户相似度的计算更加准确、有区分度。然后根据用户属性来衡量用户之间的相似度,利用Movie Lens数据集和Book-Crossing数据集做对比实验,对比精度、通用性和不同稀疏度及冷启动情况下的性能。实验结果表明,本文算法不仅提高了推荐精度,而且明显优于其他协同过滤推荐算法,具有更高的实际应用价值。

摘要：本文为了解决传统协同过滤推荐算法的数据稀疏性、冷启动问题,现针对传统协同过滤算法存在的问题,提出一种基于知识图谱的过滤推荐算法,并对其应用思想和应用流程进行详细介绍,同时,采用知识表示学习法,构建项目相似性矩阵,并在综合考虑用户行为数据的基础上,按照一定的比例,精确计算和统计项目相似度权重,为后期评分预测以及推荐列表的生成提供重要的依据和参考。最后,采用实验的方式,对基于知识图谱的过滤推荐算法的可靠性和有效性进行验证,结果表明:基于知识图谱的过滤推荐算法在实现用户信息过滤,提高推荐性能发挥出重要作用。希望通过这次研究,为相关人员提供有效的借鉴和参考。