过户合同范文第1篇有关二手车过户合同卖方：住所：电话号码：买方：住所：电话号码：根据《中华人民共和国合同法》、《二手车流通管理办法》等有关法律、法规、规章的规定，就二手车的买卖事宜，买卖双方在平等、自下面是小编为大家整理的过户合同【五篇】,供大家参考。
过户合同范文第1篇
有关二手车过户合同
卖方：
住所：
电话号码：
买方：
住所：
电话号码：
根据《中华人民共和国合同法》、《二手车流通管理办法》等有关法律、法规、规章的规定，就二手车的买卖事宜，买卖双方在平等、自愿、协商一致的基础上签订本合同。
第一条
卖方依法出卖具备以下条件的旧机动车：
品牌型号：_________;车辆排量：_________;新旧状况：_________;是否事故车：_________;上牌时间：_________;车身颜色：_________;行驶公里_________;车辆使用性质：客运、货运、出租、租赁、非营运、是否事故车：_________;质量保证：保证原装车辆，可到4S店鉴定。二手车鉴定评估报告书。
第二条
车款及交验车
1.车款为_________元;大写：_________。买方购车应于提供相关资料，我公司安排到车管所登记机关受理车辆转移登记资料后买家先支付订金_________(现金、支票、汇票)元作为拖运费用，当天我司安排送车上门服务，次日车送到买家当地买家在支付剩余的车款_________元;大写：_________，
2.卖方应在收到第一笔车款后应当及时办理发货手续，并协助买方在3-5个工作日内办理完车辆过户、转籍手续。车辆过户、转籍过程中发生的税、费负担方式为买方承担。
3.相关文件包括：机动车行驶证、机动车登记证书、车辆购置附加费凭证、税讫证明、车辆年检证明、养路费缴付凭证、销售旧机动车委托书、_________。
第三条
双方权利义务
1.卖方应保证对出卖车辆享有所有权或处分权，且该车符合国家有关规定，能够依法办理过户、转籍手续。
2.卖方保证向买方提供的相关文件真实有效及其对车辆状况的陈述完整、真实，不存在隐瞒或虚假成分。
3.买方应按照约定的时间、地点与卖方当面验收车辆及审验相关文件，并按照约定支付车款。
4.卖方收取车款后，应开具合法、规范的收款凭证。
5.买方应持有效证件与卖方共同办理车辆过户、转籍手续。
6.车辆交付后办理过户、转籍过程中，因车辆使用发生的问题由使用者负责。
第四条
违约责任
1.第三人对车辆主张权利并有确实证据的，卖方应承担由此给买方造成的一切损失。
2.卖方未按照约定交付车辆或相关文件的，应每日按车款50%的标准支付违约金。
3.因卖方原因致使车辆在约定期限内不能办理过户、转籍手续的，买方有权要求卖方返还车款并承担一切损失;因买方原因致使车辆在约定期限内不能办理过户、转籍手续的，卖方有权要求买方返还车辆并承担一切损失。
4.买方未按照约定支付剩余车款的，卖方有权要求买方承担由此造成的一切损失。
第五条
合同争议的解决办法
本合同项下发生的争议，由双方当事人协商或申请调解解决;协商或调解解决不成的，按下列第_____种方式解决(以下两种方式只能选择一种)：
(一)提交_________仲裁委员会仲裁;
(二)依法向有管辖权的人民法院起诉。
第六条
其他
1._________。
2.本合同一式二份，买方一份，卖方一份。本合同在双方签字盖章后生效。合同生效后，双方对合同内容的变更或补充应采取书面形式，作为本合同的附件。附件与本合同具有同等的法律效力。
二手车过户合同范本
卖方：
住所：
身份证号码：
电话号码：
买方：
住所：
身份证号码：
电话号码：
根据《中华人民共和国合同法》、《二手车流通管理办法》等有关法律、法规、规章的规定，就二手车的买卖事宜，买卖双方在平等、自愿、协商一致的基础上签订本合同。
第一条 卖方依法出卖具备以下条件的旧机动车：
车主名称：_________;号牌号码：_________;厂牌型号：_________;初次登记日期：_________;发动机号：_________;车架号：_________;养路费缴付有效期从_________至_________;最近一次年检时间：_________;行使公里数：_________;车辆使用性质：客运、货运、出租、租赁、非营运、其他;车辆上(是/否)存在抵押权。其他状况：_________.
第二条 车款及交验车
1.车款为(不含税费)_________元;大写：_________.买方应于_________年_________月_________日在_________(地点)同卖方当面验收车辆及审验相关文件，并以_________(现金、支票、汇票)的方式自验收审验无误之日起___________日内向卖方支付车款_________元;大写：_________，待办理完过户手续后再即时支付剩余车款。
2.卖方应在收到第一笔车款后_________日内交付车辆及相关文件，并协助买方在15个工作日内办理完车辆过户、转籍手续。车辆过户、转籍过程中发生的税、费负担方式为：_________.
3.相关文件包括：机动车行驶证、机动车登记证书、车辆购置附加费凭证、税讫证明、车辆年检证明、养路费缴付凭证、销售旧机动车委托书、_________.
第三条 双方权利义务
1.卖方应保证对出卖车辆享有所有权或处分权，且该车符合国家有关规定，能够依法办理过户、转籍手续。
2.卖方保证向买方提供的相关文件真实有效及其对车辆状况的陈述完整、真实，不存在隐瞒或虚假成分。
3.买方应按照约定的时间、地点与卖方当面验收车辆及审验相关文件，并按照约定支付车款。
4.卖方收取车款后，应开具合法、规范的收款凭证。
5.买方应持有效证件与卖方共同办理车辆过户、转籍手续。
6.车辆交付后办理过户、转籍过程中，因车辆使用发生的问题由使用者负责。
7._________.
第四条 违约责任
1.第三人对车辆主张权利并有确实证据的，卖方应承担由此给买方造成的一切损失。
2.卖方未按照约定交付车辆或相关文件的，应每日按车款_________%的标准支付违约金。
3.因卖方原因致使车辆在约定期限内不能办理过户、转籍手续的，买方有权要求卖方返还车款并承担一切损失;因买方原因致使车辆在约定期限内不能办理过户、转籍手续的，卖方有权要求买方返还车辆并承担一切损失。
4.买方未按照约定支付剩余车款的，卖方有权要求买方承担由此造成的一切损失。
5._________.
第五条 合同争议的解决办法
本合同项下发生的争议，由双方当事人协商或申请调解解决;协商或调解解决不成的，按下列第_____种方式解决(以下两种方式只能选择一种)
(一)提交_________仲裁委员会仲裁;
(二)依法向有管辖权的人民法院起诉。
第六条 其他
1._________.
2.本合同一式二份，买方一份，卖方一份。本合同在双方签字盖章后生效。合同生效后，双方对合同内容的变更或补充应采取书面形式，作为本合同的附件。附件与本合同具有同等的法律效力。
卖方：
(签章)
卖方开户银行：
帐号：
户名：
买方：
(签章)
买方开户银行：
帐号：
户名：
签订地点：
签订日期：
年 月 日
车辆过户协议书阅读
卖方(以下简称甲方):**住址：**身份证号：**联系电话：**
买方{以下简称乙方}：**住址：**身份证号：**联系电话：**
根据中华共和国《旧机动车交易管理规定》。《二手车流通管理办法》，甲。乙双方本着自愿。公平。诚实信用之原则，就车辆交易事宜，双方协商一致，签订本合同。
一甲方同意将车出售给乙方。厂牌型号车身颜色发动机号卖方{以下简称甲方}：**住址：**车牌号码**首次落籍时间**车架号**
二甲方同意将此车以人民币_________________小写____________转让给乙方。
三甲方将下列手续，随车证件一起交给乙方。【机动车登记证书行车证购置附加费养路费保险单身份证复印件】
四车辆过户由________负责办理。过户费用由_________负责，_______无条件协助办理。甲方保证此车无盗抢，及任何经济问题，将车款全额返还给乙方，将车收回，并包赔全部经济损失。
五此合同书签字生效之日起，以前此车涉及的交通违章事故，所欠费用及经济纠纷由甲方负责，并即日结清。以后此车所有事务由乙方负责。
六违约责任①;第三人交易车俩主张权利致使过户，甲方应承担由此给乙方造成的一切损失。②;甲方不履行本合同，双倍返还定金给乙方;乙方不履行本合同，无权要求返还定金。
过户合同范文第2篇
房屋买卖未过户的，合同有效。
根据《民法典》第二百一十五条，当事人之间订立有关设立、变更、转让和消灭不动产物权的合同，除法律另有规定或者合同另有约定外，自合同成立时生效;未办理物权登记的，不影响合同效力。
（来源：文章屋网 ）
过户合同范文第3篇
关键词：推荐系统；
用户特征；
协同过滤；
数据稀疏
中图分类号：TP311 文献标识码：A 文章编号：1009-3044（2016）31-0157-03
S着互联网的发展，电子商务也得到了飞速发展。电子商务规模的不断扩大，使得用户一方面可以方便地获得丰富的信息，另一方面则要面临过量信息伴随着的信息过载问题[1]。在此背景下，电子商务推荐系统应运而生，国内外越来越多的电子商务网站应用推荐技术用户进行个性化推荐。例如淘宝、京东、亚马逊等大型网站[2]都有自己的推荐模块，用于提升其销售量。亚马逊（Amazon）是美国最大的在线电子商务网站，就实现了基于协同过滤的混合类型推荐。
协同过滤推荐算法是研究和应用最为广泛的一种算法[3]，常用的协同过滤推荐算法是基于用户的协同过滤算法，其基本原理是利用已知用户的历史评分数据找到目标用户的相似用户，根据相似用户的评分数据对目标用户产生推荐。但是由于商品信息成千上万，每个用户真正购买的商品却很少，所以评分信息往往更少，数据稀疏[4]问题明显。常用的协同过滤算法只是对用户――项目评分信息进行分解，没有充分利用数据信息[5]，没有考虑到用户的性别特征、年龄特征和购买特征等用户特征，而利用这些特征数据能有效地提高协同过滤的推荐精度，并且这些数据简单易得，数据量也明显比评分数据量大，为此本文提出对用户特征数据进行建模，利用用户购买、收藏和浏览特征对用户-项目评分矩阵中的值进行预测和填充，能够缓解数据集的稀疏问题，并综合用户自身属性相似度和评分相似度进行相似度计算，实验表明，该算法缓解了评分矩阵的稀疏问题，提高了推荐质量。
1 常用协同过滤推荐方法
1.1 常用协同过滤推荐方法的一般步骤
1） 收集用户评分数据，进行清理、转换等，得到一个用户-项目评分矩阵，m代表用户数量，n代表项目数量，代表用户u对项目的评分，取值范围为0到5之间的整数， 0表示未评分，分值越大，喜好程度越大。
2） 利用相似度计算方法计算用户-项目评分矩阵中目标用户与其他用户的相似度，找到用户的相似邻居。通常采用K近邻方法[6]，获得目标用户相似度最高的K个用户作为目标用户的相似邻居。
3） 按照给定计算方法，通过用户相似邻居对目标用户未评分项目的评分数据，对目标用户未评分项目进行评分预测，最终选择Top-N作为目标用户的推荐集合，推荐给目标用户。
1.2 相似度计算
用表示用户和用户的相似性，设表示用户、的共同评分项目集合，向量分别表示用户、在上的评分，用户、在n维项目空间上的评分分别用，表示，、分别表示用户和用户对已评分项目的平均评分。
1.3 常用协同过滤算法存在的问题
随着用户和项目规模不断扩大，常用的协同过滤算法面临着数据稀疏性、可拓展性和冷启动的问题。用户和商品在不断增加的过程中，用户评过分的商品只占非常小的一部分，这就造成了评分数据的稀疏性，影响推荐效果。针对这个问题，本文发现通过结合用户的特征数据和协同过滤算法，可以构建出填充过的用户-项目评分矩阵，从而缓解稀疏性，提高协同过滤推荐的质量。同时，由于用户的属性特征较为稳定，购买、收藏和浏览特征也存在一定规律，上述的计算过程可以离线进行，对推荐效率影响较小。
2 基于用户特征的协同过滤推荐方法
2.1 用户特征定义
通常将电子商务网站的用户特征分为属性特征和喜好特征，属性特征一般通过用户的基本属性即用户登录和注册时主动提供的信息得到，一般用户比较愿意提供性别、生日等不敏感的信息，而喜好特征即通过对用户购买行为、收藏行为和浏览行为等分析出的用户喜好，即用户对商品的购买、收藏和浏览以及它们的次数能不同程度的反应用户的喜好，因此本文定义用户的属性特征包括用户的性别特征和年龄特征，用户的喜好特征包括用户的购买、收藏和浏览特征。
2.2 方案设计
基于用户特征的协同过滤推荐方案采用离线计算推荐结果的方式，将计算结果保存在数据库中，用户登录后直接在线读取数据库中已经计算好的数据即可，这样的方式虽然对存储空间有一定牺牲，但是保证了在线推荐的效率，当用户和商品增加时，推荐的可拓展性也可以得到保证，对推荐效率影响较小。推荐的整体流程见图1。
从图1可以看出离线计算的部分，首先，通过计算用户的年龄相似度和性别相似的加权综合，得到用户的属性相似度；
其次，利用用户的喜好特征对用户-项目评分矩阵进行有效的填充后得到用户的评分相似度；
最后，加权综合得到更为准确的用户综合相似度。其中，加权系数均可通过实验分析得到最优值，将在实验结果与分析中加以阐述。
根据以上流程，下面对离线的基于用户特征的协同过滤推荐方法进行详细阐述，分为用户属性相似度建模，用户评分相似度建模，综合相似度计算，最后推荐产生。
1） 用户属性特征相似度建模
a） 性别相似度
用户性别不同选择商品的喜好会有很大差别，例如女性用户比较注重商品细节和外观，而男性用户则侧重商品的实用性，因此本文将用户性别作为区分用户特征的一个方面，对于用户u和用户v，若同性别则相似系数的值为1，反之，相似系数为0。设用户u的性别为，设用户v的性别为，则用户u和用户v的性别相似度可以表示为：
2） 用户评分相似度建模
由于用户的评分十分稀疏，仅通过评分信息对用户进行分析其结果不太准确，因此利用用户的购买特征、浏览特征和收藏特征对用户喜好的表示程度不同，对用户未评分的商品进行评分预测，对用户-项目评分矩阵进行填充，将预测的用户产品评分和原始的显性产品评分相互结合，可以最大程度的表示用户喜好。方案如下：
4） 推荐产生
通过式（4）的计算公式对目标用户未评分商品进行评分预测，最终选择与测评分最后高的top-n个视为最终推荐结果推荐给用户。
3 结果与分析
3.1 数据来源
本文实验基于实验室与某手机运营商联合开发的礼品商城项目，所有用户和商品数据均来源于该礼品商城。实验用数据包含500个用户的注册记录，以及他们对1000件商品的评分记录、购买记录、收藏记录和浏览记录。其中，每个用户至少对15个商品进行了评分，购买至少10件商品，收藏20件商品，浏览30件商品。选取该数据库中100000条评分数据和这些数据中的所有用户的购买、收藏和浏览记录。
采用的数据集按照 80% 和 20% 的比例分成训练集和测试集[7]。分别使用常用协同过滤算法和本文提出的基于用户特征的协同过滤算法对训练集中的评分数据进行预测。
3.2 算法评价标准
3.3 实验结果分析
实验一 ：对权值系数和λ进行取值确定。其中，是用户性别权重系数，（1-）是用户年龄权重系数，由于用户性别和年龄肯定会对用户相似度产生影响，并且两者对用户相似度的区分相差不大，所以的取值范围为{0.3，0.4，0.5，0.6，0.7}。λ是用户属性特征权重系数，相应的（1-λ）即橛没评分相似系数。因此实验当取值不同时，λ取值从0到1之间时，观察MAE的值，得到实验结果如图2所示。
由实验结果可以看出，当=0.6时MAE的值较其他取值时都小，即推荐精度最高，与此同时，当λ=0.3时MAE取得最小值，因此，通过实验可以得出，本算法中用户性别权重系数=0.6，用户属性特征权重系数λ=0.3时推荐精度最高，效果最好，因此确定了推荐算法相似度计算公式。
实验二 ：当用户最近邻居个数分别取10，20，30，40，50时，将常用的协同过滤算法和本文提出的基于用户特征的协同过滤算法的推荐结果进行比较，（=0.6、λ=0.3）的实验结果比较如图3所示：
从图3可以看出，当（=0.6、λ=0.3）时本文提出的基于用户特征的协同过滤算法较之常用的协同过滤有所改进，推荐效果好于常用协同过滤算法，本文的算法不仅综合了用户属性特征，发现用户更多相似性，而且用户喜好特征对用户-项目评分矩阵进行了有效填充，从而缓解了数据稀疏，提高了推荐精度。
4 结语
本文针对常用的协同过滤算法目前存在的数据稀疏性问题提出了基于用户特征的协同过滤推荐方法，充分利用用户属性特征和喜好特征，建立用户属性相似度模型和评分相似度模型，对用户-项目评分矩阵进行了填充，并对用户相似度计算进行了综合。实验表明，该方法能够提高推荐精确度，同时，虽然目前的实验数据还不充足，但是由于采用离线计算，当数据量增大时会虽然会牺牲一小部分存储空间，但对在线推荐性能和效率影响较小，用户体验良好。最后，由于本文用到的用户特征较用户实际拥有的特征还只是一小部分，接下来的工作将探究如何结合用户其他有效信息，更加有效地挖掘用户特征和潜在喜好，这将涉及多数据挖掘的相关技术，这些问题都是我们接下来要研究的内容。
参考文献：
[1] 柯良文，王靖.基于用户特征迁移的协同过滤推荐[J].计算机工程，2015，41（1）：37-43
[2] 孟庆庆，张胜男，卢楚雍. 基于用户特征和商品特征的组合协同过滤算法[J]. 软件导刊，2015，14（3）：41-43
[3] 刘枚莲，刘同存，李小龙.基于用户兴趣特征提取的推荐算法研究[J]. 计算机应用研究，2011，28（5）：1664-1667
[4] 张怡文，岳丽.基于共同用户和相似标签的好友推荐方法[J].计算机应用，2013，33（8）：2273-2275.
[5] 刘慧婷，陈艳，肖慧慧. 基于用户偏好的矩阵分解推荐算法[J].计算机应用，2015，35（S2） ：
118-121.
过户合同范文第4篇
〔关键词〕相似传播；
情景聚类；
协同过滤；
推荐算法
DOI：10.3969/j.issn.1008-0821.2016.11.009
〔中图分类号〕G2062〔文献标识码〕A〔文章编号〕1008-0821（2016）11-0050-05
〔Abstract〕In the age of the Internet era，the personalized recommendation system gradually is applied to different fields and recommendation algorithm has become a research hot spot at present.Traditional recommendation algorithm，however，often has some problems，for example a cold start，sparse data.In this paper，on the basis of researches on traditional recommendation algorithm，this paper proposed a collaborative filtering recommendation algorithm based on similarity propagation and context puting the similarity between user for user clustering，then the paper found more nearest neighbors of target users，according to the similarity propagation to finally，it recommended projects according to the forecast target users ratings.With the help of online public data，the paper implemented the proposed algorithm and verified the effectiveness of the proposed algorithm on Matlab.experiment showed that the accuracy of the proposed algorithm compared with the traditional algorithm was higher，and the proposed algorithm relieved the problems of traditional recommendation algorithm，such as the cold start and sparse data，etc.
〔Key words〕similarity propagation；
context clustering；
collaborative filtering；
recommendation algorithm
如今，互联网已经成为人们获取信息的重要途径。然而，随着网络上信息量越来越大，信息过载的问题也越来越严重，这对人们在网上快速查找精确信息造成了很大的困难。个性化推荐系统能够根据用户的兴趣偏好、项目、需求甚至通过感知用户的情景来向用户推荐信息，这不仅很好地解决了信息过载的问题，同时还满足了用户的个性化需求。在实际应用方面，亚马逊、当当等大型电商网站都开发出了自己的推荐系统。在学术研究领域，个性化推荐方面的研究也逐渐进入学者的视野并得到关注，例如美国的Grouplens团队、Alexander Tuzhilin教授、Paul Resnick教授等对个性化推荐系统及相关的推荐算法进行了深入的研究[1]。
1问题的提出
协同过滤推荐算法作为目前研究较成熟、应用范围较广的推荐算法已被广泛地运用于互联网各大推荐系统中[2]。然而，传统的协同过滤推荐算法推荐的准确率和推荐效率往往受到多方面的影响，如对于新用户存在的冷启动问题和由于评分矩阵数据稀少导致的数据稀疏问题对推荐算法的质量产生的影响。
本文对传统的推荐算法进行了改进，将相似传播的思想和用户的情景与协同过滤推荐相结合，提出了一种基于相似传播和情景聚类的网络协同过滤推荐算法，在传统协同过滤算法存在的问题得到了较好缓解的同时也提高了推荐算法推荐的准确率。
2相关概念及理论
21情景的定义
情景在不同的领域有不同的定义，心理学、情报学、哲学、组织行为学、教育学、社会学等领域的众多学者都对情景进行了深入的研究和探讨，但关于情景的定义学者们都各执己见，不能达成一致共识，因此情景一直没有统一的定义。Dey等人认为能描述某一实体特征的信息即为情景[3]。虽然这一定义目前被广泛引用，但由于不同领域对情景的理解各不相同，情景的定义一直无法准确给出。大多数学者都认同：情景是和实体是不可分的，情景只有与实体产生联系才具有意义，情景可以将实体的相关信息进行详细的描述。
22聚类的概念
聚类是利用一定的方法将数据集合划分成簇中各成员间相似度较高但簇与簇间各不相同的多个簇的过程。聚类的结果往往随着所使用的聚类方法的改变而改变，使用不同的聚类方法对相同的数据集进行聚类，产生的最终结果也可能不同。划分的过程不是通过人，而是通过聚类算法进行的。
23协同过滤推荐
协同过滤推荐（Collaborative Filtering Recommendation，CFR）是根据用户的兴趣偏好及相关信息找到与用户相似的群体，将该群体感兴趣的内容作为待推荐的内容推荐给用户。协同过滤推荐不需要用户显式查找自己感兴趣的内容或项目，而是根据已有用户对项目的评分来预测计算该用户的评分，进而根据评分高低对用户进行推荐，因此该方法在许多领域得到广泛的应用。
3传统协同过滤推荐算法
协同过滤推荐的原理是根据用户的兴趣偏好及相关信息找到与用户相似的群体，将该群体感兴趣的内容作为待推荐的内容推荐给用户。其中，基于记忆的协同过滤在实际运用中运用范围较广，它又可以根据被计算相似度的对象的不同分为用户和项目两种类型[4]。
31基于用户的协同过滤
基于用户的协同过滤（User-based CF）推荐算法首先是查找与目标用户相似的群体（即目标用户的最近邻），这一过程通常通过利用系统中已有“用户-项目”评分矩阵中的评分数据来计算用户与用户之间的相似度来完成；
然后根据生成的最近邻集合中的用户对项目的评分数据，利用评分预测计算公式来计算得到目标用户对某一项目的预测评分；
最后根据预测结果对目标用户进行推荐。整个推荐过程大致可分为目标用户最近邻查找和目标用户对项目的评分预测。余弦相似性、修正的余弦相似性、Tanimoto系数，Pearson相关系数[5]等是在计算相关系数时较常使用的方法。
User-based协同过滤推荐算法在计算用户间的相似度时多是采用Pearson相关系数的计算方法，根据已有用户对项目的评分矩阵进行计算。计算用户u与u′间的相似度，计算公式如下：
sim（u，u′）=∑s∈I（u，u′）（r（u，s）-（u））（r（u′，s）-（u′））∑s∈I（u，u′）（r（u，s）-（u））2（r（u′，s）-（u′））2
其中，r（u，s）代表用户u对项目s的评分，r（u′，s）代表用户u′对项目s的评分；
（u）代表用户u对所有项目评分的平均分，（u′）代表用户u′对所有项目评分的平均分；
I（u，u′）代表用户u与用户u′都有评分的项目的集合。
通过计算目标用户与非目标用户间的相似度找到与目标用户相似的用户群体，将该群体的集合作为目标用户的最近邻集合D。生成最近邻集合后，将最近邻集合中用户对项目的评分数据代入评分预测公式来对目标用户进行偏好预测。预测目标用户u对某一项目s′的评分时可采用如下公式[6]：
P（u，s′）=∑u′∈D[sim（u，u′）R（u′，s′）]∑u′∈Dsim（u，u′）
其中R（u′，s′）代表用户u的最近邻集合中的用户对项目s′的评分，sim（u，u′）代表用户u与u′的相似度，D为用户u的最近邻集合。
以上公式计算出来的预测结果将作为对目标用户进行推荐的依据。
32基于项目的协同过滤
基于项目的协同过滤（Item-based CF）推荐算法首先是找到与项目相似的项目群，这一过程通常通过利用已有用户对项目的评分数据计算项目与项目之间的相关系数来完成；
项目相似群生成后，根据用户对群体中各项目的已有评分数据来计算用户对某一项目的预测评分；
最后根据评分计算结果对用户产生相关推荐。计算项目t与t′间的相似度，计算公式如下：
sim（t，t′）=∑u∈u（t，t′）（r（u，t）-（t））（r（u，t′）-（t′））∑u∈u（t，t′）（r（u，t）-（t））2（r（u，t′）-（t′））2
其中，r（u，t）代表用户u对项目t的评分，r（u，t′）代表用户u对项目t′的评分；
（t）代表所有用户对项目t评分的平均分，（t′）代表所有用户对项目t′评分的平均分；
u（t，t′）代表对项目t与t′都有评分的用户的集合。
根据项目间相关系数的计算生成项目的最近邻集合I，之后根据生成的相似的项目群体来预测用户对项目的评分。如计算用户a对项目i的预测评分，计算公式如下[7]：
P（a，i）=（i）+∑j∈I（i，j）sim（i，j）（r（a，j）-（j））∑j∈I（i，j）sim（i，j）
其中，（i）代表所有用户对项目i评分的平均分，（j）代表所有用户对项目j评分的平均分；
sim（i，j）代表项目i与项目j间的相似度；
I（i，j）代表项目i的最近邻集合。
计算出预测评分后依据预测结果对用户进行推荐。
然而，对于新用户和评分数据较少的用户，利用传统的协同过滤推荐算法很难对其进行准确的推荐。本文在对传统推荐算法研究的基础上，将相似传播的思想和用户的情景与协同过滤推荐相结合，提出了一种基于相似传播和情景聚类的协同过滤推荐算法，对传统的推荐算法进行改进以解决冷启动及数据稀疏等问题。由于在个性化推荐的过程中充分考虑用户的情景，使得推荐结果更能满足用户个性化的需求，准确率也相对较高。
4基于相似传播和情景聚类的协同过滤推荐算法
41算法思路
基于聚类的协同过滤推荐算法是根据一定的聚类算法利用已有的“用户-项目”评分矩阵将用户分成多个不同的簇，通过计算用户与各簇的距离来找到与目标用户距离最小的簇作为目标用户的相似用户群体，最后将目标用户相似群体中的用户对某一项目的加权平均分作为目标用户对该项目的评分，以此方式来预测目标用户对项目的偏好程度，然后对用户进行推荐。
然而对于新用户，由于缺少相关信息，在查找用户最近邻时可能会出现很大的误差，最终影响推荐的准确性。情景能很好地描述用户的特征，对个性化推荐有着至关重要的影响。
本文将用户的情景因素引入到个性化推荐中，充分考虑情景对推荐效果的影响，对原有的基于聚类的协同过滤推荐算法在相似度计算公式和用户评分预测公式进行改进，提出了一种基于相似传播和情景聚类的协同过滤推荐算法。该算法根据用户的情景对用户进行聚类，同时引入相似度传播的思想，能够很好地缓解以前算法存在的数据稀疏性问题。
相似传播，就是根据每个用户或项目的最近邻找出最近邻的最近邻，这样能寻找出与目标用户相似的更多的邻居，提高推荐结果的准确性。例如，若用户u的最近邻为u1，而u1的最近邻为u、u2和u3，则在预测用户u对某一项目的评分时，可以根据一定的算法利用用户u1、u2和u3的评分预测用户u的评分，最终进行推荐。
在推荐系统中利用情景对推荐信息进行过滤的时间并非是固定的，根据利用情景的先后，可将情景感知推荐系统分为情景预过滤、后过滤与建模3种不同的形式[8]。情景预过滤是在推荐过程中首先根据用户的情景剔除部分不匹配数据，生成与用户情景相关的评分数据集，之后根据推荐算法对数据集进行用户评分预测，最终将与用户情景匹配的结果推荐给用户。本文所提算法工作流程图如图1所示：
42算法
本文所提算法大致可分为以下3个步骤：
421聚类
本文根据用户情景的不同将用户进行聚类。首先确定出k个聚类中心，然后计算不同情景间的相似度，依此将用户分成k个簇，使得每个簇中的用户有相似的情景。由于情景的属性是混合型的，在计算情景间相似度前需对用户的情景进行抽象描述。本文通过采用余弦相似性计算用户情景的相似性对用户进行聚类。将用户的情景定义为C，计算情景C1与情景C2间的相似性的计算方式如下：
sim（C1，C2）=C1・C2C1C2
通过计算情景间的相似性，将情景相似度高的用户聚类在一起，生成情景最近邻集合M。
422最近邻集合的生成
计算目标用户到通过情景聚类得到的各簇之间的距离，找到与目标用户距离最近的簇，并计算目标用户与簇中各用户间的相似度。本文在传统的计算用户相似度的基础上引入用户的情景因素，对传统的相似度计算方法进行改进，提出了基于情景的用户相似度的计算，如计算目标用户u与用户u′间的相似度，计算方法如下：
sim（u，u′）=∑j∈I（u，u′，c）（r（u，c，j）-（u，c））（r（u′，c，j）-（u′，c））∑j∈I（u，u′，c）（r（u，c，j）-（u，c））2（r（u′，c，j）-（u′，c））2
其中，r（u，c，j）代表用户u在情景c下对项目j的评分，r（u′，c，j）代表用户u′在情景c下对项目j的评分；
（u，c）代表用户u在情景c下对所有项目评分的平均分，（u′，c）代表用户u′在情景c下对所有项目评分的平均分；
I（u，u′，c）代表用户u与用户u′在情景c下有共同评分的项目的集合。
根据以上公式计算出目标用户与簇中各用户的相关系数，将与目标用户相似度较高的用户放入同一集合中，生成目标用户的最近邻集合N。
在计算项目与项目间的相似度时，本文在基于项目的协同过滤经典算法Slope One算法[9]中引入用户的情景，形成“用户-情景-项目”模型，在计算项目间相似度时将情景因素对用户对项目评分的影响考虑在内，提出基于情景的项目相似度计算方法，计算项目t与项目t′的相似度的计算方法如下：
sim（t，t′）=1-∑u∈U（c，t，t′）[r（u，c，t）-r（u，c，t′）]U（c，t，t′）Pm
其中r（u，c，t）代表用户u在情景c下对项目t的评分，r（u，c，t′）代表用户u在情景c下对项目t′的评分；
U（c，t，t′）代表在情景c下对项目t与t′均有评分的用户数，U（c，t，t′）代表在情景c下对项目t与项目t′均有评分的用户的集合，Pm表示满分评分。
通过计算项目间的相关性生成项目的相似项目群作为项目的最近邻集合A。
423推荐的生成
假设用户u的用户最近邻集合表示为N，情景c的情景最近邻集合表示为M，项目t的项目最近邻集合表示为A，则用户u在情景c下对项目t的预测评分Gu，c，t可通过目标用户u的用户最近邻集合N中的用户在情景c下对项目t的评分，目标用户u在情景c的情景最近邻集合M下对项目t的评分，以及目标用户u在情景c下对项目t的项目最近邻集合A中项目的评分求得。用户u在情景c下对项目t的预测评分计算方法如下：
Gu，c，t=13k1∑u′∈Nsim（u，u′）[R（u′，c，t）-（u′，c）]+（u，c）+k2∑c′∈Msim（c，c′）[R（u，c′，t）-（c′，t）]+12[（c，t）+（u，c）]+k3∑t′∈Asim（t，t′）[R（u，c，t′）-（c，t′）]+（c，t）
其中k1=1∑u′∈Nsim（u，u′），k2=1∑c′∈Msim（c，c′），k3=1∑t′∈Asim（t，t′）。R（u′，c，t）代表用户u′在情景c下对项目t的评分，R（u，c′，t）代表用户u在情景c′下对t的评分，R（u，c，t′）代表用户u在情景c下对项目t′的评分；
（u′，c）代表用户u′在情景c下对所有项目评分的平均分，（c′，t）代表所有用户在情景c′下对项目t评分的平均分，（c，t′）代表所有用户在情景c下对项目t′评分的平均分；
（u，c）代表用户u在情景c下对所有项目评分的平均分，（c，t）代表所有用户在情景c下对项目t的评分的平均分。
43实验和结论
为了验证本算法的有效性，笔者利用Matlab进行了验证。本文用来验证的数据集来自Grouplens提供的公开数据集，该数据集中包含了用户的情景信息、用户对电影的评分（1～5分之间）。笔者通过对公开数据集中数据的处理，从原始数据集中选出评分较多的用户，其中包括1 000名用户在不同情景下对3 000部电影做出的160 000条评分作为验证数据，其中用来训练的数据占70%，用来测试的数据占30%，实验对预测分数达45分以上的电影向用户做推荐。
在仿真过程中，通过计算不同算法（含本文算法与传统算法）间的平均绝对误差（MAE，Mean Absolute Error）来加以证明本文算法的有效性。设预测评分集合为P={p1，p2，p3，…，pi，…，pn}，实际评分集合为Q={q1，q2，q3，…，qi，qn}，则平均绝对误差的计算公式如下：
MAE=∑ni=1pi-qin
所得结果如图2所示。由图中可看出在最近邻数目相同时，本文算法的MAE值明显小于Slope One算法和传统的协同过滤推荐算法，本文所提算法推荐的准确率与以上两种算法相比相对较高。
5结语
本文在对用户进行推荐时充分考虑用户的情景因素对推荐结果的影响，根据情景间的差异将用户进行聚类，且在计算用户和项目相似度以及用户对项目的预测评分时也将情景的影响考虑在内，最终实现对用户的项目推荐，仿真实验证明了本文所提算法是有效且可行的。由于在推荐过程中不仅考虑用户的情景因素对用户偏好的影响，同时引入相似传播的思想使得目标用户能找到更多的邻居，这样很好地缓解了传统算法中一直存在的冷启动问题，而且进一步提高了推荐算法的准确率。但由于在根据用户情景对用户进行聚类时需反复迭代，计算所花时间较长，造成整个推荐过程所花时间相对较长，因此未来的研究希望能图2不同算法的MAE值比较
在提高推荐效率上有所突破。
参考文献
[1]冯鹏程.基于情境感知的个性化推荐算法的研究[D].上海：东华大学，2014.
[2]邓晓懿，金淳，韩庆平，等.基于情境聚类和用户评级的协同过滤推荐模型[J].系统工程理论与实践，2013，（11）：2945-2953.
[3]詹丽华，李育嫦，潘瑞冰.基于情景感知的移动搜索的演变和实现[J].图书馆理论与实践，2015，（11）：102-105.
[4]奉国和，梁晓婷.协同过滤推荐研究综述[J].图书情报工作，2011，16：126-130.
[5]邱均平，张聪.高校图书馆馆藏资源协同推荐系统研究[J].图书情报工作，2013，22：132-137.
[6]罗文.协同过滤推荐算法综述[J].科技传播，2015，（7）：115，196.
[7]董坤.基于协同过滤算法的高校图书馆图书推荐系统研究[J].现代图书情报技术，2011，（11）：44-47.
过户合同范文第5篇
随着Client/Server结构应用系统复杂和扩大，其数据、功能和用户的分布问题变得日益突出。合理有效地设计MIS系统模型是MIS系统能否有效发挥效率的关键。通常处理这些问题都是软件开发人员根据其以往的开发经验，设计的好坏受人为因素影响很大，且方案因人而异。本文提出了基于耦合度的分布过程解决方案，并在此基础上实现了一个分布的自动生成工具。
一、分布问题当我们根据系统的需求信息来设计基于三层Client/Server模型的MIS系统的时候，一个很重要的工作就是需要确定MIS系统由多少个客户端、应用程序服务器和数据库服务器组成，用户、功能和数据是如何分布在客户端、应用程序服务器和数据库服务器上的。对于一个MIS系统来说，我们都可以将它抽象分解为用户集U={u1,u2,..,ul}、功能集F={f1,f2,..,fm}和数据集T={t1,t2,..,tn}。用户通过调用功能集中的一些功能模块，来存取数据集中的数据表。我们可以用图1说明它们之间的关系：本文所要讨论的分布问题包括用户分布(UserDistribution)、功能分布(FunctionDistribution)和数据分布(DataDistribution)。用户分布指的是根据系统的需求，决定如何在客户端各个平台上分配用户，即每个客户端允许哪些用户使用。功能分布也称处理(process)分布、事务(business)分布、逻辑(logic)分布，指的是如何在应用程序服务器各个平台上分配功能，即决定哪些功能适合在哪些平台上完成。数据分布的粒度大小可以是数据库、数据表、行、列等，我们这里讨论的数据分布逻辑单元是数据表(以下简称数据)，数据分布指的是如何在数据库服务器各个平台上分配数据，即如何在服务器上组织这些数据。
二、耦合度的计算在分布式MIS系统中，之所以有不同的客户端、应用程序服务器和数据库服务器，是因为用户之间、功能之间和数据之间也存在着一种类似的不同“吸引力”。我们将这种“吸引力”取名为耦合度(CouplingDegree)。我们将两个用户分在同一个客户端的可能性称之为用户耦合度，两个功能分在同一个应用程序服务器的可能性称之为功能耦合度，两个数据分在同一个数据库服务器的可能性称之为数据表耦合度。这里讨论耦合度，是因为耦合度是分布式MIS系统网络节点划分的依据。耦合度是不同种因素的函数。耦合度=f(因素1，因素2，…，因素n)用户耦合度用户之间所属关系、距离和特殊要求等因素都可能影响用户耦合度大小。企业的部门和职务之间的所属关系构成一棵部门职务关系树或森林，叶结点为用户。直接同属一个部门的两个用户肯定比间接同属一个部门的两个用户分在同一个客户端的可能性要大。我们将两个用户到它们最近共同祖先的最大距离定义为两个用户之间的疏远度，当两个用户分属于两棵关系树时，它们的疏远度为￥。如图2所示的部门职务关系树中，用户u1(职务1)和u4(职务3)之间的疏远度为2，用户u1和u3(部门6)之间的疏远度为3。疏远度越大其耦合度越小，我们给不同的疏远度以不同的权值，这样就可以折算为耦合度值。两个用户相距400米以内肯定比两个用户相距1公里以上分在同一个客户端可能性要大。两个用户相距越近，其耦合度越大，用户相距远近给予不同的权值，以折算为耦合度值。针对企业的一些特殊要求，我们用程度词来说明两个用户分在同一个客户端的可能性，常见的程度词如必须、尽可能、不可能、不能等等，我们给不同的程度词以不同的权值，以折算为耦合度值。功能耦合度很明显，调用功能1的所有用户和调用功能2的所有用户之间的关系越紧密，这两个功能分在同一应用程序服务器的可能性就越大。这种用户调用功能的关系对功能耦合度影响较大，但其它因素也影响功能耦合度大小。数据耦合度功能存取数据的关系对数据耦合度影响较大。其它影响数据耦合度大小的因素包括数据库系统的特殊要求、MIS系统要求等。
三、分布过程用户、功能和数据分布主要是确立Client/Server系统结构。我们这里主要讨论基于耦合度的用户、功能和数据划分过程，用户、功能和数据耦合度是我们进行网络节点划分的依据。用户、功能、数据分布需要解决两个问题：1）MIS系统由多少个网络节点组成。2）用户、功能、数据是如何在这些网络节点上分配的。这两个问题的解决又是统一的，即如何进行网络节点的划分。下面我们以用户分布为例，来说明分布过程的具体步骤。设企业的用户集合U={u1,u2,…um}，Lu为客户端分组划分的用户耦合度下限。我们的目标是找出一个最小个数客户端集合C={C1,C2,C3,…,Ck}，客户端C1,C2,C3,…,CkíU，满足（1）C1,C2C3…Ck=U。（2）任意Ci∈C，Cj∈C，i≠j有Ci∩Cj=φ。（3）若RF(ui，uj)