Please wait a minute...
Advanced Search
数据分析与知识发现  0, Vol. Issue (): 1-     https://doi.org/10.11925/infotech. 2096-3467.2019.1332
  本期目录 | 过刊浏览 | 高级检索 |
基于并行协同过滤算法的领域知识推荐模型研究
杨恒,王思丽,祝忠明,刘巍,王楠
(中国科学院西北生态环境资源研究院文献情报中心 兰州 730000)
Research on Domain Knowledge Recommendation Model Based on Parallel Collaborative Filtering Algorithm
Yang Heng,Wang Sili,Zhu Zhongming,Liu Wei,Wang Nan
(Literature and Information Center of Northwest Institute of Eco-Environment and Resources, Chinese Academy of Sciences, Lan Zhou 730000, China)
全文: PDF (576 KB)  
输出: BibTeX | EndNote (RIS)      
摘要 

[目的]通过技术的方式从海洋平台数据中过滤出用户想要的信息,并能够及时准确地推荐给用户。[方法]通过基于内容的推荐算法和基于物品的协同过滤算法筛选候选集,采用并行MapReduce的方式来提高系统对数据的并行挖掘能力;使用机器学习算法提高推荐候选准确度,真正为用户做到精准匹配、个性化推荐的效果。[结果]能有效的根据用户点击的文章生成推荐列表,模型评估准确度为78.5%,均方根误差为0.22。[局限]对于用户特征以及文本特征还需深度挖掘;实验过程中多次使用分词工具,对其的准确度有所依赖。模型训练算法还需优化。[结论]根据实验结果模型的准确度一定程度上满足对用户的个性化推荐,可以为平台建设提供良好的支持。

服务
把本文推荐给朋友
加入引用管理器
E-mail Alert
RSS
作者相关文章
关键词 推荐系统协同过滤MapReduce机器学习算法     
Abstract

[Objective] Filter out the information the user wants from the data of the offshore platform through technical methods, and can recommend it to users in a timely and accurate manner.[Methods] Screen the candidate set through content-based recommendation algorithm and item-based collaborative filtering algorithm, and use parallel MapReduce to improve the system's parallel data mining ability; use machine learning algorithms to improve the accuracy of recommendation candidates and truly achieve precision for users Matching, personalized recommendations.[Results] A recommendation list can be effectively generated based on the article clicked by the user. The model evaluation accuracy is 78.5%, and the root mean square error is 0.22.[Limitations] The user features and text features need to be deeply mined; the word segmentation tool is used many times during the experiment, and its accuracy depends on it. The model training algorithm needs to be optimized.[Conclusions] According to the accuracy of the experimental results, the accuracy of the model basically meets the personalized recommendations for users, and can provide good support for platform construction.

Key words recommendation system    collaborative filtering    MapReduce    machine learning
     出版日期: 2020-04-23
ZTFLH:  TP391  
引用本文:   
杨恒, 王思丽, 祝忠明, 刘巍, 王楠. 基于并行协同过滤算法的领域知识推荐模型研究 [J]. 数据分析与知识发现, 0, (): 1-.
Yang Heng, Wang Sili, Zhu Zhongming, Liu Wei, Wang Nan. Research on Domain Knowledge Recommendation Model Based on Parallel Collaborative Filtering Algorithm . Data Analysis and Knowledge Discovery, 0, (): 1-.
链接本文:  
http://manu44.magtech.com.cn/Jwk_infotech_wk3/CN/10.11925/infotech. 2096-3467.2019.1332      或      http://manu44.magtech.com.cn/Jwk_infotech_wk3/CN/Y0/V/I/1
[1] 杨恒,王思丽,祝忠明,刘巍,王楠. 基于并行协同过滤算法的领域知识推荐模型研究*[J]. 数据分析与知识发现, 2020, 4(6): 15-21.
[2] 苏庆,陈思兆,吴伟民,李小妹,黄佃宽. 基于学习情况协同过滤算法的个性化学习推荐模型研究*[J]. 数据分析与知识发现, 2020, 4(5): 105-117.
[3] 郑淞尹,谈国新,史中超. 基于分段用户群与时间上下文的旅游景点推荐模型研究*[J]. 数据分析与知识发现, 2020, 4(5): 92-104.
[4] 丁勇,陈夕,蒋翠清,王钊. 一种融合网络表示学习与XGBoost的评分预测模型*[J]. 数据分析与知识发现, 2020, 4(11): 52-62.
[5] 温彦,马立健,曾庆田,郭文艳. 基于地理信息偏好修正和社交关系偏好隐式分析的POI推荐 *[J]. 数据分析与知识发现, 2019, 3(8): 30-39.
[6] 焦富森,李树青. 基于物品质量和用户评分修正的协同过滤推荐算法 *[J]. 数据分析与知识发现, 2019, 3(8): 62-67.
[7] 李珊,姚叶慧,厉浩,刘洁,嘎玛白姆. 基于ISA联合聚类的组推荐算法研究 *[J]. 数据分析与知识发现, 2019, 3(8): 77-87.
[8] 张怡文,张臣坤,杨安桔,计成睿,岳丽华. 基于条件型游走的四部图推荐方法*[J]. 数据分析与知识发现, 2019, 3(4): 117-125.
[9] 李杰, 杨芳, 徐晨曦. 考虑时间动态性和序列模式的个性化推荐算法*[J]. 数据分析与知识发现, 2018, 2(7): 72-80.
[10] 王道平, 蒋中杨, 张博卿. 基于灰色关联分析和时间因素的协同过滤算法*[J]. 数据分析与知识发现, 2018, 2(6): 102-109.
[11] 王永, 王永东, 郭慧芳, 周玉敏. 一种基于离散增量的项目相似性度量方法*[J]. 数据分析与知识发现, 2018, 2(5): 70-76.
[12] 花凌锋, 杨高明, 王修君. 面向位置的多样性兴趣新闻推荐研究*[J]. 数据分析与知识发现, 2018, 2(5): 94-104.
[13] 刘东苏, 霍辰辉. 基于图像特征匹配的推荐模型研究*[J]. 数据分析与知识发现, 2018, 2(3): 49-59.
[14] 薛福亮, 刘君玲. 基于用户间信任关系改进的协同过滤推荐方法*[J]. 数据分析与知识发现, 2017, 1(7): 90-99.
[15] 覃幸新, 王荣波, 黄孝喜, 谌志群. 基于多权值的Slope One协同过滤算法*[J]. 数据分析与知识发现, 2017, 1(6): 65-71.
Viewed
Full text


Abstract

Cited

  Shared   
  Discussed   
版权所有 © 2015 《数据分析与知识发现》编辑部
地址:北京市海淀区中关村北四环西路33号 邮编:100190
电话/传真:(010)82626611-6626,82624938
E-mail:jishu@mail.las.ac.cn