【单选题】基于用户：通过用户对物品的偏好程度来计算出用户的在喜好上的近邻，从而根据近邻的喜好推测出用户的喜好并推荐（如下图）。请问，在Mahout中实现该算法的名称是？
选项：
A:分类
B:聚类
C:协同过滤
D:关联规则挖掘
发布时间：2024-06-04 18:55:27
请在 下方输入 要搜索的题目：
【单选题】基于用户：通过用户对物品的偏好程度来计算出用户的在喜好上的近邻，从而根据近邻的喜好推测出用户的喜好并推荐（如下图）。请问，在Mahout中实现该算法的名称是？
推荐参考答案 (
由 搜题小帮手 官方老师解答 )
答案：
以下文字与答案无关
提示：有些试题内容 显示不完整,文字错误 或者 答案显示错误等问题，这是由于我们在扫描录入过程中 机器识别错误导致,人工逐条矫正总有遗漏，所以恳请 广大网友理解。
相关试题
- 1.【单选题】基于用户：通过用户对物品的偏好程度来计算出用户的在喜好上的近邻，从而根据近邻的喜好推测出用户的喜好并推荐（如下图）。请问，在Mahout中实现该算法的名称是？ 选项：A、分类B、聚类C、协同过滤D、关联规则挖掘
- 2.（ ）一般采用最近邻技术，利用用户的历史喜好信息计算用户之间的距离来预测目标用户对特定商品的喜好程度，从而对目标用户进行推荐。 选项： A: 关联分析推荐 B: 基于计算平台推荐 C: 基于内容推荐 D: 协同过滤推荐
- 3.（ ）一般采用最近邻技术，利用用户的历史喜好信息计算用户之间的距离来预测目标用户对特定商品的喜好程度，从而对目标用户进行推荐。 选项： A: 关联分析推荐 B: 基于计算平台推荐 C: 基于内容推荐 D: 协同过滤推荐
- 4.利用用户的历史喜好信息计算用户之间的距离，然后 利用目标用户的最近邻居用户对商品评价的加权评价值来预测目标用户对特定商品的喜好程度，系统从而根据这一喜好程度来对目标用户进行推荐，一般称为什么技术 选项： A:最近邻技术 B:基于内容的过滤方法 C:基于内容的过滤方法 D:最小二乘法技术
- 5.利用用户的历史喜好信息计算用户之间的距离，然后 利用目标用户的最近邻居用户对商品评价的加权评价值来预测目标用户对特定商品的喜好程度，系统从而根据这一喜好程度来对目标用户进行推荐，一般称为什么技术 选项： A:最近邻技术 B:基于内容的过滤方法 C:基于内容的过滤方法 D:最小二乘法技术
- 6.基于内容的推荐采用最近邻技术，利用用户的历史信息计算用户之间的距离，然后利用目标用户的最近邻用户对商品的评价信息来预测用户对特定商品的喜好程度，最后根据这一喜好程度对目标用户进行推荐。
- 7.基于模型的协同过滤算法利用（）算法预测用户对物品的喜好程度。
- 8.什么是基于用户的推荐？ ----------- 根据不同用户对相同物品或内容数据的态度和偏好程度来计算用户之间的关系程度，在有相同喜好的用户之间进行商品推荐。 ( )】
- 9.个性化推荐的推荐系统需要挖掘哪种类别的数据？（ ）选项： A:挖掘关联关系—基于关联规则的推荐系统 B:挖掘用户兴趣—基于用户的协同过滤推荐系统 C:挖掘相似产品—基于商品的协同过滤推荐系统 D:挖掘用户隐私数据
- 10.以下推荐方法中，哪一个是协同过滤推荐？ 选项： A、是一种人工推荐，由资深的专业人士来进行物品的筛选和推荐 B、采用最近邻技术，利用与目标用户相似的用户已有的商品评价信息，来预测目标用户对特定商品的喜好程度 C、通过机器学习的方法去描述内容的特征，并基于内容的特征来发现与之相似的内容 D、通过发掘用户的行为记录，找到用户的个性化需求，发现用户潜在的消费倾向，将长尾商品准确地推荐给需要的用户
- 11.推荐系统中，以下哪个算法基于用户与物品之间的相似度来预测用户的偏好？ 选项： A:协同过滤； B:基于内容的过滤； C:混合过滤； D:以上都不是。
- 12.基于协同过滤（Collaborative Filtering Recommendation）的推荐算法是指（） 选项： A: 得到用户偏好特征，然后匹配相似物品 B: 为用户设计一个效用函数，综合考虑产品的可靠性和可得性 C: 对商品评价的加权评价值来预测对商品的喜好 D: 以关联规则为基础，把已购商品作为规则头，规则体为推荐对象
- 13.协同过滤不包含（ ）。选项： A:基于用户的协同过滤; B:基于物品的协同过滤; C:基于关联规则的推荐; D:隐语义模型
- 14.下列关于基于用户的协同过滤算法的说法中，错误的是（) 选项：A、基于用户的协同过滤算法相对于基于物品的协同过滤算法来说更个性化，反映了用户自己的兴趣传承B、随着网站的用户数目越来越大，计算用户兴趣相似度矩阵将越来越困难C、新用户刚加入系统时，基于用户的协同过滤算法没有办法马上对该用户进行个性化推荐D、基于用户的协同过滤算法可以使用余弦相似度来评测两个用户之间的联系
- 15.协同过滤分析用户兴趣,在用户群中找到指定用户的( )用户,综合这些用户对某一信息的评价,形成系统对该指定用户对此信息的喜好程度(D),并将这些用户喜欢的项推荐给有相似兴趣的用户。 选项：A、 相似B、相同C、推荐D、 预测
- 16.协同过滤分析用户兴趣,在用户群中找到指定用户的( )用户,综合这些用户对某一信息的评价,形成系统对该指定用户对此信息的喜好程度(D),并将这些用户喜欢的项推荐给有相似兴趣的用户。 选项： A: 相似 B:相同 C:推荐 D: 预测
- 17. 协同过滤分析用户兴趣，在用户群中找到指定用户的（ ）用户，综合这些用户对某一信息的评价，形成系统对该指定用户对此信息的喜好程度相同，并将这些用户喜欢的项推荐给有相似兴趣的用户。选项： A:相似; B:相同; C:推荐; D:预测
- 18. 协同过滤分析用户兴趣，在用户群中找到指定用户的（ ）用户，综合这些用户对某一信息的评价，形成系统对该指定用户对此信息的喜好程度相同，并将这些用户喜欢的项推荐给有相似兴趣的用户。 选项： A、相似 B、相同 C、推荐 D、预测
- 19. 协同过滤分析用户兴趣,在用户群中找到指定用户的相似用户,综合这些用户对某一信息的评价,形成系统对该指定用户对此信息的喜好程度（）,并将这些用户喜欢的项推荐给有相似兴趣的用户。 选项：A、 相似B、相同C、推荐D、预测
- 20.协同过滤分析用户兴趣，在用户群中找到指定用户的（ ）用户，综合这些用户对某一信息的评价，形成系统对该指定用户对此信息的喜好程度相同，并将这些用户喜欢的项推荐给有相似兴趣的用户。 选项：A、推荐 B、相似 C、相同 D、预测
