基于社会网络面向个性化需求的可信服务推荐

在当前服务计算和社会计算背景下,针对难以获取满足用户个性化需求的可信Web服务问题,给出基于社会网络面向个性化需求的可信Web服务推荐模型;设计用户个性化功能需求分解与匹配算法,并利用语义词典提高功能需求语义匹配的准确性;基于个性化功能需求、社会网络节点信任度及服务信任度,设计了一种满足用户个性化需求的可信服务推荐算法,通过对社会网络节点之间、节点与服务之间的信任相关性进行分析,提高服务协同可信推荐性能。算法分析及实验结果表明该方法是有效和可行的。     

一种混合医生推荐算法的研究

近年来,以物联网技和云计算技术为代表的新一代信息技术以及数据挖掘和机器学习领域的发展迅速,引发了围绕数字化医院建设和地区医疗网络建设的热潮。智能医疗健康服务管理领域逐渐成为一个新的研究热点。在传统的医疗健康信息系统中,获取医疗知识的主要手段是基于关键词的查询方法,然而推荐的最佳资源过度集中,且未考虑用户问题描述中的语义相关度。因此为了合理利用医疗资源,使得用户能够利用网络信息载体获取咨询和诊疗的机会,文章提出一种混合个性化医生推荐算法,将传统的基于内容的推荐算法、协同过滤推荐算法在电子健康领域相结合,达到为每一位用户推荐最佳医生的效果。     

基于个性化特征的协同过滤推荐算法

针对相似度特征点推荐方法对用户个性化需求匹配度不高的问题,提出基于个性化特征的协同过滤推荐算法。以社会网络为结构模型构建用户信息的评分模型和项目属性模型,采用信任度条件概率分析方法构建可靠性推荐模型,进行个性化特征分析和提取,实现个性化特征需求与项目兴趣点的合理匹配,实现协同过滤推荐,最后通过仿真实验进行测试分析。结果表明,采用该方法进行社会网络项目协同过滤推荐的用户评分高,平均绝对误差和均方根误差小,提升了推荐质量。     

基于移动用户上下文相似度的协同过滤推荐算法

该文面向移动通信网络领域的个性化服务推荐问题,通过将移动用户上下文信息引入协同过滤推荐过程,提出一种基于移动用户上下文相似度的改进协同过滤推荐算法。该算法首先计算基于移动用户的上下文相似度,以构造目标用户当前上下文的相似上下文集合,然后采用上下文预过滤推荐方法对移动用户-移动服务-上下文3维模型进行降维得到移动用户-移动服务2维模型,最后结合传统2维协同过滤算法进行偏好预测和推荐。仿真数据集和公开数据集实验表明,该算法能够用于移动网络服务环境下的用户偏好预测,并且与传统协同过滤相比具有更高的推荐精确度。     

基于情境和主体特征融入性的多维度个性化推荐模型研究

个性化推荐准确率的高低是互联网应用成功与否的关键因素,针对传统推荐模型的不足,提出一种基于情境和主体特征融入性的多维度个性化推荐模型,该模型能够充分利用地域文化背景、领域主题情景、主体特征等信息,避免了传统算法把用户整体作为单个向量的弊端,克服了数据稀疏性等问题。实验结果表明,该模型的推荐质量比传统的协同推荐模型高,更有针对性地向用户推荐他们感兴趣的项目。     

总论

0513052数字图书馆个性化服务用户模型研究[刊,中]/宋丽哲//北京理工大学学报.—2005,25(1).—58-62(L2)提出了一种数字图书馆个性化服务用户模型构架,并对实现过程中的几个关键问题,包括用户模型表示方法,用户模型的建立以及更新算法进行了详细论述。提出了基于本体论的空间向量用户模型表示方法,建立了简单的数字图书馆领域本体,以空间向量表示用户模型,以本体概念作为向量的特征项;采用支持向量机分类算法和无监督聚类算法相结合提取用户兴趣;在用户模型更新方法上,采用渐进遗忘和滑动窗口相结合的方法实现用户兴趣概念的漂移。参7     

改进的协同过滤算法在商品推荐中的应用

本文对传统的协同过滤推荐算法进行了一定程度的优化,将基于协同过滤技术的理论研究更好地应用在商品个性化推荐中,以解决协同过滤打分稀疏问题,以及协同过滤的推荐准确率低的问题,首先使用二部图表示用户和商品的二元关系,然后利用二部图模块函数对用户和商品划分相似类,最后产生基于同类用户和同种商品的推荐列表并将两个推荐列表混合使用,得到基于二部图函数的改进的协同过滤算法。算法根据用户的兴趣和需求向其推荐个性化的商品,降低了用户搜寻信息的成本,具有广泛的可行性和实用性。     

基于协同过滤推荐算法的改进性研究

互联网技术的发展极大促进了电子商务行业,网上购物模式已经改变了传统的购物模式,海量的信息影响了客户的购物效率.个性化的推荐系统能够为客户提供个性化的服务,个性化协同过滤推荐算法是应用最为广泛的算法.本文主要对协同过滤推荐算法进行研究,并采用RBF径向基神经网络对传统的协同过滤推荐算法进行改进,更加有效的为用户提供个性化的推荐.     

个性化搜索引擎中用户协作推荐算法的研究

个性化信息服务越来越成为信息检索领域中研究的热点,文章综合内容过滤和协作过滤两种技术的优点,给出了一种个性化搜索引擎系统的体系结构,并在此基础上提出了用户协作推荐算法.模拟实验表明,该结构和算法能够有效地推荐出与用户意图相关的信息,并且具有良好的可适应性.     

基于Android的推荐阅读系统设计

移动互联网的发展和智能手机的普及,彻底改变了人们的阅读习惯,帮助人们获取最有效的阅读资讯成为当今的研究热点之一.本文使用基于标签和评分的协同过滤算法(UTR-CF),设计并实现了基于Android的个性化推荐阅读系统.系统分为服务端和客户端,服务端定时从豆瓣读书爬取图书信息,根据图书的评分和标签、用户图书标签,采用基于标签和评分的协同过滤推荐技术实现个性化推荐;客户端展示用户感兴趣的推荐结果,并将设置的图书标签、评分上传到服务端.经测试,该系统能为用户提供快速、准确的个性化阅读需求.     

E-Learning系统的个性化推荐方法研究

以E-Learning系统建设为背景,通过采用文献查找、调查研究等方法探讨个性化推荐理论的内涵,并结合当前建设中的E-Learning系统,分析了目前常用的个性化推荐策略,并进行介绍比较和分析以后,总结经验,以应用于E-Learning系统的建设。提出适合于E-learning系统建设的个性化推荐策略:采用关联规则推荐策略和协同过滤技术,基于WEB技术建立一个虚拟学习系统,利用推荐算法,结合用户需求,将学习的资源、学习活动和学习策略进行整合,向用户推荐完整的满足用户需求的E-Learning学习方案。     

基于用户行为认知的在线社交网络协同推荐

近年来,在线社交网络成为人们工作、生活不可或缺的信息共享与交流工具,如何对海量庞杂、大范围时空关联的用户行为信息进行认知并据此提供个性化的推荐服务,已成为在线社交网络发展重点关注的问题。为此,提出了一种基于用户行为认知的在线社交网络协同推荐框架,在对用户特征、文本信息及兴趣偏好等行为进行认知的基础上,利用协同过滤算法,实现个性化的推荐服务。实验结果验证了提出的基于用户行为认知的协同推荐策略具有较好的稳定性和实际应用效果。     

基于改进的协同过滤图书推荐算法

高校图书馆图书个性化推荐没有得到很好的推广和实施,一个重要原因是用户对图书的评价不足。因此,提出了一种基于兴趣的高校图书推荐算法。该算法较好地解决了协同过滤算法无法使用和评分不足的问题。同时,将流行与反向流行的特征结合,使其更接近读者的行为。实验表明,该算法优于传统的协同过滤推荐算法,能够满足实际需求。     

一种混合式协作过滤服务推荐算法

随着电子商务的飞速发展,服务推荐系统的重要性越来越得到体现。服务推荐技术作为电子商务的重要应用技术之一,为用户正确的决策提供有力的支持和保证。传统的基于协作过滤的服务推荐算法存在无法进行双向推荐的弊端,同时推荐质量有待提高。针对这些不足,提出了一种基于混合式协作过滤的服务推荐算法,考虑用户和服务之间的相似度,实现了双向推荐。实验结果表明,该算法能有效提高推荐质量。     

个性化特征的电子商务智能推荐系统

以准确向用户推荐商品,提升电子商务网站销售量为目标,设计基于个性化特征的电子商务智能推荐系统。系统以个性化推荐引擎为核心,采集交易事务、商品特征、用户评价等数据,利用基于个性化特征的协同过滤推荐算法计算商品间相似度,确定新商品的近邻,根据近邻用户对新商品的评价结果选择商品进行推荐。测试结果表明,该系统的电子商务商品推荐误差小,有利于提升电子商务网站交易率,而且电子商务商品推荐性能明显优于其他推荐系统。     

科技项目评审专家推荐系统模型

针对科技项目评审专家的准确遴选问题,提出一种混合推荐系统模型。该模型在文本信息分词的基础上,运用TF—IDF算法进行关键词的提取、权重计算及筛选,分别建立科技项目和评审专家的向量空间模型,并基于专家信息建立专家评分数学模型。最后提出一种内容推荐、协作过滤推荐及专家评分加权因子相融合的混合推荐算法。实验结果表明,该推荐模型能有效地进行评审专家推荐。     

基于上下文相似度和社会网络的移动服务推荐方法

针对传统的基于协同过滤的移动服务推荐方法存在的数据稀疏性和用户冷启动问题,提出一种基于上下文相似度和社会网络的移动服务推荐方法(Context-similarity and Social-network based Mobile Service Recommendation,CSMSR).该方法将基于用户的上下文相似度引入个性化服务推荐过程,并挖掘由移动用户虚拟交互构成的社会关系网络,按照信任度选取信任用户;然后结合基于用户评分相似度计算发现的近邻,分别从相似用户和信任用户中选择相应的邻居用户,对目标用户进行偏好预测和推荐.实验表明,与已有的服务推荐方法TNCF、SRMTC及CF-DNC相比,CSMSR方法有效地缓解数据稀疏性并提高推荐准确率,有利于发现用户感兴趣的服务,提升用户个性化服务体验.     

基于用户群组行为分析的视频推荐方法研究

该文采用权重增量及相似聚集的用户行为分析算法,为用户推荐个性化视频提供了一个有效的解决方案。方法包含3个主要部分,首先利用RFM(Recentness, Frequency, Monetary amount)模型分析用户的行为,将相同行为的用户归为一组;然后结合用户的最近习惯,使用基于权重增量的Apriori算法挖掘用户之间的关联规则,并用向量空间模型进行相似度计算从而实现用户相似聚集;最后进行协同过滤式推荐,完成整体个性化视频推荐过程。该方法的特点是行为数据自动收集获取,避免了直接对视频大数据的处理;另外,视频推荐随着用户行为的改变而动态变化,更加符合实际情况。实验结果表明,该方法有效并且稳定,相比于单一推荐方法,在准确率、召回率等综合指标上均有明显提升。