文献类型：期刊文章

作　　者：秦鹏[1] 贾洪杰[2] 霍兴瀛[1] 邓朝艳[3]

QIN Peng;JIA Hong-jie;HUO Xing-ying;DENG Zhao-yan(School of Mathematics and Computer Science,Liupanshui Normal University,Liupanshui Guizhou 553004,China;School of Computer Science and Co mmunication Engineering,Jiangsu University,Zhenjiang Jiangsu 212013,China;Library,Liupanshui Normal University,Liupanshui Guizhou 553004,China)

机构地区：[1]六盘水师范学院数学与计算机科学学院,贵州六盘水553004 [2]江苏大学计算机科学与通信工程学院,江苏镇江212013 [3]六盘水师范学院图书馆,贵州六盘水553004

出　　处：《计算机仿真》

基　　金：国家自然科学基金青年项目(61906077);六盘水市科技计划项目(52020-2018-04-04);贵州省教育厅基金项目(黔教合KY字[2019]125);贵州省教育厅基金项目(黔教合XY字[2020]127)。

年　　份：2022

卷　　号：39

期　　号：6

起止页码：355-358

语　　种：中文

收录情况：BDHX、BDHX2020、JST、ZGKJHX、核心刊

摘　　要：随着互联网络和信息技术的快速发展,人类获得信息的途径越来越多,然而如何在大量数据中获得符合用户喜好的信息,给用户带来更好的体验成为研究的重点,为此提出融合大数据挖掘的用户个性化POI推荐方法。首先通过对大数据推荐系统的分析,构建基于大数据用户个性化模型,并对操作平台的数据按照两层关联规则的方法进行数据挖掘,提高用户个性化网络数据的精度。然后生成LDA主题模型,采用分词处理和去停用词处理的方法对用户个性化输入数据进行预处理,利用困惑度Perplexity在拐点处的值作为评价指标衡量语言模型。最后通过JS距离公式作为衡量主题间匹配度的指标,实现POI与用户的匹配。实验结果表明,融合大数据挖掘的用户个性化POI推荐方法不仅具有较高的预测精度,还具有较高的覆盖率,能够为用户提供高质量的个性化推荐结果。

关 键 词：大数据挖掘  个性化模型  困惑度  

分 类 号：TP301]