基于个性化情境和项目类别的资源推荐研究

传统的协同过滤推荐技术没有考虑影响用户评分的用户情境信息,但最近研究发现用户个性化情境信息直接影响着用户评分,因此在传统的协同过滤技术基础上引入用户个性化情境后推荐效果有所提高。此外可以将用户个性化情境和项目类别相结合起来。先对项目进行分类,然后再确定用户在每个项目类别下的个性化情境,同一项目类别下所有项目的用户个性化情境是相同的。在为目标项目预测评分时,先确定目标项目所在的类别,进而确定计算目标项目预测评分所用到的用户个性化情境。实验结果表明,改进后的算法较Slope one有较大提高。     

基于情境感知的移动餐饮个性化推荐模型研究

针对当前移动餐饮个性化推荐存在的准确度差和自适应性差等问题,提出利用本体构建技术和情境感知技术来实现个性化推荐。对移动餐饮平台的情境要素进行了全面的分析,建立了基于情境感知的移动餐饮个性化推荐模型框架,构建了情境语义的两层本体模型,并介绍了推荐模型运行的基本工作流程,重点介绍了情境获取、情境推理、情境更新合成和规则匹配关键环节,以期提高个性化推荐服务的质量和效果。     

基于情境感知的个性化推荐算法

随着互联网的快速发展,只涉及用户和项目的传统个性化推荐已不能满足推荐要求的效率和准确率.因此,情景感知个性化推荐服务引起了广泛关注,成为新的研究热点.本文分析了情境的定义、情景感知个性化推荐模型,并提出了一种基于情境信息降低维度的关联规则推荐模型.最后,以视频网站的web日志为数据源,融合时间情境因素,实现了基于时间情境划分的关联规则推荐算法,并和传统推荐算法进行对比分析,实验证明,情境感知推荐算法具有更高的准确率和召回率.     

基于情境感知的学习资源个性化推荐机制研究

面对海量的学习资源,如何为学习者推荐与情境相匹配的学习资源是亟需解决的问题.文章在详细描述学习资源个性化推荐情境要素的基础上,构建了包含情境感知层、资源管理层、学习诊断层、个性推荐层及学习者界面的学习资源个性化推荐系统,并阐述了系统的推荐流程及实现.在情境感知理论的基础上,构建以情境感知技术为核心的学习资源个性化推荐系...     

面向移动数字图书馆的情境敏感型知识推荐研究

随着移动通信的发展,数字图书馆的各种知识服务更多地在移动终端上实施,但现有的移动数字图书馆对于用户环境、场景等“情境”的感知能力不足,缺乏为用户提供适应当前情境的个性化知识推荐服务。因此提出基于信息嫡度量读者的情境敏感性。基于情境敏感度对读者进行相似性比较,并利用这种比较扩展了协同过滤算法。试验结果表明,该方法为移动数字图书馆具备情境敏感的能力,提高知识推荐的准确性提供了一种新的途径,有利于给读者提供既满足情境又符合其个性化需求的知识资源。     

基于情境感知的移动阅读个性化推荐服务模式探析

为了满足移动阅读用户在不同阅读情境中的服务需求，提高移动阅读平台的服务质量，文章将情境感知理论融入移动阅读个性化推荐服务中，对基于情境感知的移动阅读个性化推荐服务模式进行探析。首先阐述基于情境感知的移动阅读个性化推荐服务流程，然后构建基于情境感知的移动阅读个性化推荐服务模型，并详细介绍模型中的各个构成模块，最后对如何科学、有效地评估基于情境感知的移动阅读个性化推荐服务效果进行讨论，介绍三类推荐服务效果评估方式。     

多子域随机森林在情境感知推荐中的应用研究

情境感知推荐系统通过增加情境信息来提高推荐精度,在实际应用中得到广泛的应用。然而,传统的情境感知推荐方法存在赋予情境因素相同权重,忽略了用户在不同情境下所偏好项目的不同,以及情境因素在推荐过程中所起的影响作用不同的问题。提出一种基于多子域随机森林算法的情境感知推荐方法。该方法对特征重要性按权值大小进行排序,将权值的取值区域分为多个大小相等的子区域,在这些子区域中随机选择特征,构造特征子空间来改进随机森林算法;通过改进的随机森林算法来分解并降低用户、项目和情境的特征维度;使用协同过滤推荐算法来进行冷链物流配载个性化推荐。对LDOS-CoMoDa和Cycle Share两个数据集进行仿真实验,结果表明该方法相比传统方法平均绝对误差减少近10%,有效地提高了推荐系统的预测精度,为情境感知推荐的应用提供借鉴。     

基于社会化媒体情境的多维协同智能推荐

针对传统协同智能推荐技术的冷启动、数据稀缺性问题,为提高推荐算法的效率和准确性,提出一种基于社会化媒体情境的多维智能推荐算法模型。该模型将目标用户的属性特征、行为特征考虑到社会化媒体情境信息中,并动态实时捕捉用户在不同社会化媒体情境下的偏好倾向,利用联机分析处理(OLAP)技术对多维数据进行处理。该模型将用户间的社会化关系和所处的政治经济环境视为衡量用户相似的重要指标,同时使用皮尔森系数和云模型来计算用户间各特征的相似度,并以此为推荐基础向用户呈现更个性化和定制化的推荐结果。实验结果表明,该模型的推荐结果的平均绝对误差明显小于传统的协同智能推荐和单纯的基于云模型推荐技术。     

基于Agent集成学习情境的E_Learning系统设计与实现

人移动能力的增强和知识资源的广泛分布要求E_Learning系统具有分布式的系统结构,并且为更好地满足用户的个性化需求,需要E_Learning系统集成学习情境因素。在分析新需求的基础上,首先对系统总体结构进行设计,提出了基于Agent集成学习情境的E_Learning系统框架,然后给出了系统关键组件的实现方法,最后依据所给设计和实现方法对系统进行了实现。实验结果表明,基于Agent集成学习情境的E_Learning系统具有良好的系统性能,有助于提高用户的学习效率。     

基于Agent集成学习情境 E_Leaming系统设计与实现

人移动能力的增强和知识资源的广泛分布要求E_Learning系统具有分布式的系统结构,并且为更好地满足用户的个性化需求,需要E_Learning系统集成学习情境因素.在分析新需求的基础上,首先对系统总体结构进行设计,提出了基于Agent集成学习情境的E_Learning系统框架,然后给出了系统关键组件的实现方法,最后依据所给设计和实现方法对系统进行了实现.实验结果表明,基于Agent集成学习情境的E_Learning系统具有良好的系统性能,有助于提高用户的学习效率.     

A neural multi-context modeling framework for personalized attraction recommendation

In attraction recommendation scenarios, how to model multifaceted tourism contexts so as to accurately learn tourist preferences and attraction tourism features is a keystone of generating personalized recommendations. However, most of existing works generally focused on modeling spatiotemporal contexts of historical travel trajectories to learn tourists’ preferences, while neglected rich heterogeneous tourism side information, i.e., personal tourism constraints of tourists and tourism attributes of attractions. To this end, we propose a Neural Multi-context Modeling Framework (NMMF) to learn tourism feature representations of tourists and attractions by modeling multiple tourism contexts. Initially, we leverage a travel knowledge graph and massive original travelogues to construct the tourism attribute context of attractions and the travel trajectory context of tourists. Then, we design two context embedding models, named TKG2vec and Traj2vec, to model two kinds of context respectively. Both models learn feature vectors of tourist and attraction in contexts by elaborating neural networks to project each tourist and attraction into a uniform latent feature space. Finally, our framework integrates feature vectors derived from two models to acquire complete feature representations of tourists and attractions, and recommends personalized attractions by calculating the similarity between tourist and candidate attractions in the latent space. Experimental results on a real-world tourism dataset demonstrate our framework outperforms state-of-the-art methods in two personalized attraction recommendation tasks.

     

基于情景上下文与信任关系的旅游景点推荐算法*

针对现有旅游景点推荐个性化的不足问题,本文提出了一种基于信任关系与于情景上下文的旅游景点推荐算法。首先在传统的协同过滤算法上以用户信任度代替相似度来解决数据稀疏性;其次引入用户情景上下文信息,更全面的反映出用户的个性化需求;最后基于用户的信任度和上下文信息优化,建立一个推荐结果准确度更高的旅游景点推荐模型。模拟实验结果表明,综合考虑信任度和情景上下文信息的推荐策略表现最优。     

融合上下文信息与核密度估计的协同过滤推荐

随着互联网信息技术的迅速发展,网络数据量快速增长,如何在海量数据中找到用户感兴趣的信息并实现个性化推荐是目前重要的研究方向。协同过滤算法作为推荐系统中的经典方法被广泛应用于不同场景,但是仍然存在数据稀疏,以及在计算相似度时不能考虑到所有数据的问题,只能够利用具有共同评分的数据,严重影响了推荐的精确度。针对上述存在的问题,提出了一种融合上下文信息与核密度估计的协同过滤个性化推荐算法。该算法通过对用户和项目各自的上下文信息和已经存在的用户评分数据进行处理,通过核密度估计构建用户和项目的兴趣模型,充分挖掘了用户和项目的兴趣分布,以获得更准确的用户和项目兴趣相似度,降低预测评分误差。在公开的数据集上验证表明,将该算法对比传统的协同过滤算法,有效提高了推荐的精确度。     

基于超图网络的产品设计知识智能推荐方法研究

面向产品设计的知识管理系统中,为了提高知识库中海量设计知识推荐的效率和效果,从产品结构知识、过程知识以及知识标识三个维度构建了设计知识文档超图网络,利用hyper2vec技术建立了知识表示模型,生成了知识特征向量库。采用用户行为信息,提出了基于超边序列的Markov知识推荐模型,预测候选知识文档。通过知识特征向量相似度扩充候选集,建立个性化用户兴趣模型对候选推荐集进行过滤和排序。在冷镦机专利的知识服务系统中进行应用验证,实验表明该推荐方法在推荐准确度和多样性方面有着良好的效果,验证了其可行性和有效性。     

面向个性化推荐系统的二分网络协同过滤算法研究

为提高个性化推荐系统的推荐效率和准确性, 提出了个性化推荐系统的二分网络协同过滤算法。协同过滤算法引入二分网络描述个性化推荐系统, 使用灰色关联度来度量用户相似性和项目相似性, 对灰色关联相似度加权求和预测用户对项目的预测打分值, 从而提供给用户排序后的项目列表。实验结果表明, 协同过滤算法有效提高了过滤推荐的精准度和可靠性, 具有良好的推荐效果。     

基于耦合CNN评分预测模型的个性化商品推荐

电子商务中大量评论数据蕴含着丰富的信息,该信息有助于解决个性化推荐系统存在的数据稀疏问题.为了充分挖掘评论数据蕴含的价值,提高商品推荐的准确率,本文提出了基于耦合CNN评分预测模型的个性化商品推荐方法.该方法首先利用耦合CNN构建评分预测模型,将耦合CNN分为用户网络和商品网络,划分成输入层、卷积层、输出层和共享层;用户评论数据和商品评论数据分别从相应网络输入;在评论数据分析时,从字向量角度进行语义分析,同时改变传统的使用单一大小卷积核处理句子的模式,使用多个并行的卷积层,利用大小不同的卷积核对句子进行特征提取;两个网络的输出将共同汇聚于共享层,在共享层使用因子分解机进行评分预测;最后将结果中的高评分商品推荐给用户.经对比实验验证,本文所给方法能够提高商品推荐的准确率.     

Hybrid recommendation system based on semantic interest community and trusted neighbors

The accuracy of a recommendation is an important index to evaluate the performance of a recommendation system. The personalized recommendation system tends to pay too much attention to the accuracy of recommendation results and often neglects the diversity of the recommendation results. In this paper, domain ontology is used to construct the user interest model, and the integrated ontology-based semantic similarity algorithm is used to obtain the user ontology set. Then, the semantic interest community is constructed through the hierarchical clustering method. Users with a high degree of diversity are selected as trusted neighbors to construct a hybrid recommendation model with a combination of accuracy and diversity. The experimental results show that the hybrid model can improve the diversity of the recommendation system by adjusting the weight factor while having less influence on the accuracy.