近年来关于基于用户的协同过滤的推荐算法的中文参考文献

以下是近年来关于基于用户的协同过滤的推荐算法的中文参考文献：

1. 黄宁等. 基于用户协同过滤推荐算法研究[J]. 计算机应用研究, 2018, 35(3): 837-840.

2. 杨军, 焦旭峰. 基于用户协同过滤的推荐算法研究[J]. 光电子·激光, 2016, 27(7): 1491-1495.

3. 刘鹏, 陈汉宁. 基于用户协同过滤推荐算法的研究与改进[J]. 计算机工程与设计, 2016, 37(6): 1722-1726.

4. 邓红兵, 陈国良. 基于用户协同过滤算法的推荐系统研究[J]. 计算机工程与应用, 2015, 51(6): 132-137.

5. 李婷婷等. 基于用户协同过滤的电影推荐算法研究[J]. 计算机科学, 2015, 42(10): 214-216.

6. 王腾飞, 王博. 基于用户协同过滤的推荐算法研究综述[J]. 计算机科学, 2014, 41(9): 1-5.

7. 刘丽娅, 王志勇. 基于用户协同过滤的推荐算法研究综述[J]. 现代图书情报技术, 2013, 29(10): 1-7.

8. 李瑞峰, 刘晓娟. 基于用户协同过滤的推荐算法研究[J]. 计算机科学与探索, 2011, 5(5): 368-376.

9. 王超, 陈强, 谢芳. 基于用户协同过滤的推荐算法研究[J]. 计算机科学, 2010, 37(7): 147-149.

10. 陈燕, 贺一航. 基于用户协同过滤的推荐算法研究[J]. 计算机应用, 2010, 30(4): 907-910.

相关问题

新闻推荐系统文献综述

根据引用[1]和引用，推荐系统是一个新兴的研究领域，它结合了数据挖掘、预测算法、机器学习等多种学科，旨在为用户提供个性化的推荐服务。新闻推荐系统是推荐系统的一个重要应用领域，它可以根据用户的兴趣爱好、历史行为等信息，为用户推荐最相关的新闻内容。

根据引用中提到的文献，推荐系统的研究可以分为三个阶段：基于内容的推荐、协同过滤推荐和混合推荐。其中，基于内容的推荐是根据物品的属性和用户的历史行为等信息，为用户推荐与其兴趣相关的物品；协同过滤推荐是根据用户之间的相似性，为用户推荐其他用户感兴趣的物品；混合推荐则是将基于内容的推荐和协同过滤推荐相结合，为用户提供更加准确的推荐服务。

此外，近年来，随着深度学习技术的发展，基于深度学习的推荐系统也逐渐成为研究热点。深度学习技术可以自动地从大量的数据中学习到用户和物品之间的复杂关系，从而提高推荐系统的准确性和效率。