https://www.myziyuan.com/
- 哆啦A梦的爸爸
- 推 荐系统的研究主要包括以下几个方面： （1）用户信息获取和建模。早期的推荐系统只需获取简单的用户信息，随着推荐系统 发展， 推荐系统由简单的信息获取转变为和用户交互的系统， 需要考虑用户多兴趣和用户兴 趣转变的情况，将数据挖掘应用到用户信息获取中，挖掘用户的隐性需求。 （2）推荐算法研究。要实现被顾客接受和认可的个性化推荐，设计准确、高效率的个 性化推荐算法是核心。基于内容的推荐和协同过滤是最主要的两种。为签名系统了克服各自的缺点， 可以将各种推荐方法混合使用，以提高推荐精度和覆盖率。同时，信息获取和人工智能，以 及模糊推荐等相关领域的引入扩宽了推荐算法的思路。 （3）推荐系统的评价问题。要使推荐系统为广大用户所接受，必须对推荐系统作出客 观综合的评价。 推荐结果的准确性和可信性是非常重要的两个方面。 如何对推荐结果的准确 性进行判定， 如何把推荐结果展示给用户以及如何获取用户对推荐结果的评价都是需要深入 研究的问题。 （4） 推荐系统的应用和社会影响研究。 需要建立推荐系统在其他应用领域的应用框架， 研究如何与企业其它信息系统的集成。
- 2021-12-16 23:36:10
- 1264737478
- 使用ASP技术和网络数据库原理，基于B / S模式开发新闻信息推荐系统。在此系统中，用户可以注册为会员，选择您最感兴趣的新闻类别，并积极推荐您的信息想要根据用户的选择，并积极推荐主动推荐的功能。
- 2021-12-16 23:35:00
- 外网
- 推荐系统的准确率召回率f值 在多少,在信息检索、统计分类、识别、预测、翻译等领域，两个最基本指标是准确率和召回率，用来评价结果的质量。准确率（Precision），又称“精度”、“正确率”、“查准率”，表示在检索到的所有文档中，检索到的相关文档所占的比例。召回率（Recall），又称“查全率”，表示在所有相关文档中，检索到的相关文档所占的比率。两者的公式为：准确率=检索到的相关文档数量/检索到的所有文档总数召回率=检索到的相关文档数量/系统中所有相关文档的总数图示如下：举例来说：一个数据库中有500个文档，其中有50个文档符合定义的问题。系统检索到75个文档，其中只有45个文档符合定义的问题。准确率=45/75=60%召回率=45/50=90%若将所有文档都检索到，这些指标有何变化：准确率=50/500=10%召回率=50/50=100%可见，准确率和召回率是相互影响的，理想情况下肯定是两者都高，但是一般情况下准确率高，召回率就低；召回率高，准确率就低；如果两者都低，那肯定是什么环节有问题了。比如，在检索系统中，如果希望提高召回率，即希望的相关文档被检索到，就要放宽“检索策略”，便会在检索中伴随出现一些不相关的结果，从而影响到准确率。如果希望提高准确率，即希望去除检索结果中的不相关文档时，就需要严格“检索策略”，便会使一些相关文档不能被检索到，从而影响到召回率。针对不同目的，如果是做搜索，那就是优先提高召回率，在保证召回率的情况下，提升准确率；如果做疾病监测、反垃圾，则是优先提高准确率，保准确率的条件下，提升召回率。那么，在两者都要求高的情况下，如何综合衡量准确率和召回率呢？一般使用F值。F-Measure是准确率（P）和召回率（R）的加权调和平均。公式为：当参数α=1时，就是最常见的F1，即可见F1综合了P和R的结果，可用于综合评价实验结果的质量。
- 2021-12-16 23:35:00
开通会员