基于本体用户兴趣模型的个性化推荐算法

针对目前个性化服务中用户模型稳定性低、推荐结果不尽人意的现状,在建立基于本体的用户兴趣模型基础上,通过模型更新提高稳定性,建立用户群实现用户模型管理.提出利用矩阵聚类降维分解技术的个性化推荐算法,引入偏好方差的概念计算用户最近邻,进而产生推荐,避免了传统协同过滤算法的数据稀疏性缺陷,提高了推荐质量.结合面向电影的个性化推荐系统,验证了模型及算法的有效性.     

基于灰色关联预测与信任云混合算法的方案推荐

针对传统推荐方法中的数据稀疏性问题,常用的方法通常受到数据量的制约,因此采用灰色关联预测法计算方案评分数据间的相关系数,以预测空缺的评分数据;针对面向新用户的冷启动问题,考虑用户兴趣特征相似度和基于信任云的用户对方案评分的相似性,计算用户间的综合相似度,将合适的方案推荐给新用户。最后,以汽车方案推荐为例进行方法验证,并通过与协同过滤,云模型等推荐算法进行对比,证明了该方法的有效性。     

基于二部网络表示学习的矩阵分解推荐算法

矩阵分解算法广泛应用于推荐系统。然而,其性能往往受到数据稀疏性和数据高维度的影响,且较少考虑项目的内容信息。针对上述问题,提出一种联合二部网络表示学习的矩阵分解推荐算法(BiNRMF)。首先,利用评分信息和项目的标签信息构建两个二部网络;然后,通过二部网络的表示学习算法得到用户和项目的低维向量表示,用以计算用户之间和项目之间的相似性;最后,改进传统矩阵分解模型,融入低维向量空间中用户的相似关系和项目的相似关系。在GoodBooks和MovieLens数据集上的实验结果表明,与经典的推荐算法相比,联合二部网络表示学习的矩阵分解推荐算法的预测精度有显著提升。     

云服务平台下考虑用户偏好的设计服务推荐方法

为提高云服务平台下产品设计服务推荐的质量,增强协同产品设计过程中用户与服务提供方之间的交互,构建了个性化产品设计服务推荐框架,并提出考虑用户需求偏好的设计服务推荐方法.采用模糊C均值聚类算法实现用户初步聚类;利用改进的基于用户的协同过滤方法优化用户相似度函数及评分预测函数,以提高目标用户对设计服务推荐项目预测评分的准确性;通过用户对设计服务推荐结果的交互反馈,完成产品设计服务的更新迭代.以设计云服务平台上用户对壁挂式智能空调设计的需求为例,验证了所提方法的有效性.     

基于用户语义相似性的协同过滤推荐算法

为了解决协同过滤推荐中的稀疏性问题,提出一种基于用户语义相似性的协同过滤推荐算法。算法考虑到项目之间内在的语义关系,通过构建领域本体来计算项目之间的语义相似度,并综合项目语义相似度和用户评分数据来度量用户语义相似性。实验结果表明,该算法在用户评分数据极端稀疏的情况下,依然可以获得较高的推荐质量。     

基于情境感知生成对抗网络模型的工程知识推荐方法

针对现有知识推荐方法因稀疏矩阵和冷启动导致推荐性能不佳的问题,提出一种基于情境感知生成对抗网络模型的知识推荐方法(CGKR).提出任务相似度概念,同时考虑内容相似度和任务相似度构建知识相关性网络,基于知识相关性网络构建语义激活扩散模型,扩展用户历史评分,以全面探知用户兴趣;基于用户个人背景信息和历史行为信息构造用户情境...     

一种基于协同过滤与BG/NBD模型数据预测的智能手机节能策略

为了节省智能手机电池的能源,基于用户访问数据的可预测性,提出一个基于用户访问数据预测的手机节能策略模型。利用基于混合变量属性的K-means算法对已知用户进行聚类分组,建立相似用户群;利用BG/NBD模型对用户连续搜索期望进行预测;针对有价值的用户,结合协同过滤推荐算法,通过相似用户的历史数据分析预测当前用户未来可能访问的数据信息;利用数据预存储机制预存上述预测数据,通过降低通信次数的方式达到手机节能的目的。初步实验结果表明,所提出的节能策略可以在不影响用户使用满意度的情况下节省约13%以上的能量。     

面向个性化产品服务方案的推荐方法与应用

针对传统隐语义模型（LFM）未考虑数据库动态更新从而影响方案推荐结果的问题,提出动态更新机制的加权LFM用于推荐个性化产品服务方案。针对余弦相似度 计算忽略个体差异的问题,提出采用云滴距离测度与云的余弦相似度加权后的综合相似度,预测并填充空缺数据,减少数据稀疏性;采用加权LFM推荐产品服务方案,以约束新用户兴趣差异性,提高推荐精度;采用差值平均法更新推荐结果。     

融合动态标签优化协同过滤推荐算法

针对协同过滤推荐算法在网络个性化产品推荐服务中面临的覆盖率互斥、信息不对称问题,提出了一种融合用户动态标签和用户信任关系的改进协同过滤推荐算法,算法首先通过构建用户集、标签集和物品集三者之间的动态联系,建立用户动态偏好矩阵,接着构建基于用户社会网络信息的用户信任关系矩阵,以通过用户信任反馈机制实时更新用户间的信任值,最后通过融合用户动态标签和用户信任关系构建新的概率矩阵分解模型实现对协同过滤推荐算法的优化改进。仿真实验结果表明,改进算法提高了协同过滤推荐算法的性能,在一定程度上有效缓解了覆盖率互斥、信息不对称以及信任用户变窄问题对算法推荐质量的影响。     

综合能源线上服务推荐算法研究

随着市场竞争的日趋激烈和电力产业的不断升级,综合能源服务正成为未来电力发展的新趋势。综合能源线上电商化服务是未来电网智能能源的关键组成部分,也是从电网能源集成服务向多能源服务提供商竞争供应战略转型的重要途径,一种有效的综合能源服务推荐方法对综合能源公司在能源竞争中占据有利地位具有重要作用。鉴于此,根据用户的兴趣特点和用户在系统中的行为数据来挖掘用户的兴趣偏好,选取部分数据建立用户兴趣图谱并进行谱聚类,将聚类后的数据导入随机森林模型进行评分预测训练,剩余数据提取用户属性信息导入模型获取预测评分,并与原始评分进行对比,以验证模型的有效性。