简介：研究了时间窗口对基于10种用户相似性指标的个性化推荐算法的影响。在标准数据集MovieLens上的实验结果表明,只采用大约12.56%的用户近期历史记录,所得到的推荐结果准确性可以平均提高27.17%,而推荐列表多样性可以平均提高3.28%,极大地降低大规模数据所带来的计算复杂性问题。
简介：利用Git代码库中文件提交信息统计开源软件中的单次提交的文件数量分布，并且利用网络模体分析方法将单次提交的少量文件之间的相互依赖关系进行了分析。发现每个项目中程序员单次提交的文件数量基本服从幂律分布，并且程序员单次提交的少量文件之间通常会存在显著的相互依赖关系。通过对程序员单次提交文件之间的关系分析，可以帮助现有的推荐系统预测程序员下一步可能修改的文件，从而提高程序员的工作效率。
时间窗口对个性化推荐算法的影响研究
开源软件库中程序员提交文件模体分析
