基于遗传算法的新书推荐系统研究

新书推荐是数字图书馆推广个性化服务的重要内容。为设计开发高效、准确的推荐系统。研究人员采用多种智能算法实现图书推荐。基于遗传算法的新书推荐方法（GANBook）利用遗传算法搜索效率高、自适应性强等优点对新书书目进行自动搜索．从而实现个性化图书推荐。仿真实验表明GANBook算法能够快速、准确地在数量庞大的书目中找出适合特定读者的最佳图书推荐组合,从而实现快速、个性化的新书推荐服务。     

决策树分类算法在个性化图书推荐中的应用

采用数据挖掘中的决策树方法,对图书馆的图书借阅数据进行研究和分析,提出了基于读者阅读兴趣的个性化图书推荐模型。实验表明,该模型能够为新老读者有针对性地推荐新书,较好地实现了图书馆的个性化的创新服务。     

融合社交网络信息的长尾推荐方法

在长尾推荐场景中,目标用户更信任与自己兴趣相似的好友的推荐结果,故为目标用户推荐其好友的个性化偏好物品有利于提高长尾推荐性能.相应地,如何有效融合社交网络信息与评分矩阵信息,提升推荐性能自然成为长尾推荐中的重要问题.为此,文中从信息融合视角出发,通过社交网络和评分矩阵共享用户的潜在特征向量,并将好友推荐信息作为长尾推荐...     

公共环境下的混合型音乐推荐系统的关键技术研究

随着计算机网络和多媒体技术的迅速普及,数字音乐消费已经成为人们日常生活中的常见活动,音乐推荐系统也因此成为了推荐系统和电子商务领域的一大研究热点。在对现有音乐推荐系统调研的基础上,重点研究公共环境下的混合型音乐推荐系统的设计和实现;将音乐特征和语境信息相结合,提出了一种新颖的混合型音乐推荐算法。为保证实际应用环境中音乐消费行为的灵活性,系统实现了投票和DJ两种推荐模式。该系统在实验室及实地测试中均取得了较高的用户满意度。     

一种改进的关联规则个性化推荐方法

针对传统的关联规则推荐方法中可能出现的关联规则数量较少的缺点,提出了一种改进的关联规则个性化推荐方法。该方法首先利用商品的属性信息从历史销售数据库中挖掘商品属性间的关联规则作为规则库,然后利用规则库中的规则计算不同商品的推荐价值,最后得到若干推荐价值靠前的最优商品推荐给顾客。     

个性化学习资源精准推荐系统设计研究

随着我国教育信息化进程的不断推进,学习者获取学习资源的方式逐渐从主动检索转变为学习系统自动推荐。智能化的学习内容推荐行为极大地提高了用户获取个性化资源的效率,但是内容推荐在教育领域中的应用仍存在着许多方面的不足。该研究分析了推荐系统在教育领域中的应用现状,介绍了主流的推荐算法及其实现原理,并采用混合推荐模式和不同的推荐策略,设计出个性化学习资源精准推荐系统的系统模型,以期助力学习者的个性化学习。     

基于协同过滤和标签的混合音乐推荐算法研究

结合音乐这一特定的推荐对象,针对传统单一的推荐算法不能有效解决音乐推荐中的准确度问题,提出一种协同过滤技术和标签相结合的音乐推荐算法。该算法先通过协同过滤技术确定相似用户,再通过相似用户对某一歌手的标签评分预测另一用户对该歌手的偏好程度,从而选择更符合用户喜好的音乐进行推荐,以此提升个性化推荐效率,为优化音乐推荐系统提供参考方法。     

关于视频推荐系统数据处理方法的分析

视频推荐系统作为一种重要的应用,可以帮助用户在网站中海量的视频库里找到其感兴趣的视频,同时也可以帮助用户挖掘出自己本身的兴趣。而视频推荐系统中核心和关键的部分是推荐算法,它在很大程度上决定了视频推荐系统的类型和性能的优劣。本文分析了视频推荐系统的常见架构并展示了优化后的推荐算法流程,在处理海量数据的真实应用背景下提出了总结出应用于视频推荐系统中的数据处理方法。     

多Agent协同的电子商务推荐系统模型

为了进一步提高电子商务推荐系统中商品推荐的准确性和高效性,通过分析传统推荐系统存在的问题和已有的优化方案,提出了多Agent的电子商务推荐系统模型。推荐系统通过人工智能领域中的多Agent技术,并应用终端自适应特性,改善了传统推荐系统在多终端情况下的电子商务系统的推荐效率,并根据用户使用的不同终端动态返回推荐结果。实验结果表明,多Agent协同的电子商务推荐系统在一定程度上提高了推荐效率和准确性。     

上下文感知旅游推荐系统研究综述

随着人们生活水平的提高，旅游已成为一项普遍的休闲活动，进而推动了旅游推荐方面技术的研究。与传统推荐系统相比，除了考虑游客和旅游产品的相关特征之外，旅游推荐系统的推荐质量在很大程度上受到位置、时间、天气、游客社交群体等上下文信息的影响。本文首先给出上下文感知旅游推荐系统的总体框架；然后对位置、时间、游客社会化网络和多维上下文等4类典型的上下文信息在旅游推荐系统中的应用进行了详细考察，并对综合应用各种上下文信息的旅游推荐系统进行了分析；从旅游推荐产品的角度对推荐系统进行分类考察；最后讨论了上下文感知旅游推荐系统目前面临的重点和难点问题，指出下一步的研究方向。     

基于用户推荐影响度的并行协同过滤算法

基于共同评分与项目全集的相似度未甄别近邻的推荐影响力,导致推荐质量低,可扩展性差。为此,提出了一种基于推荐影响度的并行协同过滤算法。该算法通过非共同评分项目、共同评分项类以及用户访问次数来计算用户推荐新颖度与兴趣重合度以度量用户推荐能力,并融入相似性计算来抑制相似度高但推荐力不强的用户,避免在项目全集上计算相似度,从而提高推荐质量;通过MapReduce并行化,使其具备良好的实时性和可扩展性。实验结果表明,该算法在海量数据集上的推荐质量更高,可扩展性更强。     

基于平均差分的协同过滤推荐算法分析与研究

目前,协同过滤技术是个性化推荐系统中广泛使用的一种技术,该技术最大的优点是对推荐对象没有特殊的要求,能够处理非结构化的复杂对象,然而算法中普遍存在的数据稀疏性、可扩展性问题影响了算法的推荐效果。本文在分析了原有算法的基础上,提出了一个改进了的算法基于平均差分的组合推荐算法,这个组合算法在一定程度上缓解了原有算法的问题,提高了推荐系统的质量。     

一种基于内容相似度和推荐反馈的信任模型

在已有P2P模型的基础上提出了基于内容相似度和推荐反馈计算节点推荐值的对等网络信用模型IPBS(Integrated-partial based similarity Trust).该模型利用节点间的内容相似度来评价节点提供推荐服务的能力,根据每次交易的内容不同而改变节点间相似度值;同时依据节点交易历史时间和推荐反馈值自适应动态地调整节点的推荐值;实例表明,IPBS节点间推荐值,通过参考节点内容相似度、交易历史时间和推荐反馈3种机制,加强了模型的动态适应能力和搜索服务的效率.     

Android fine-grained permission control system with real-time expert recommendations

In current Android architecture design, users have to decide whether an app is safe to use or not. Expert users can make savvy decisions to prevent unnecessary privacy breach. However, inexperienced users may not be able to decide correctly. To assist inexperienced users to make a right permission granting decisions, we propose RecDroid. RecDroid is a crowdsourcing recommendation framework that facilitates a user-help-user environment regarding smartphone permission control. In this framework, the responses from expert users are aggregated and recommended to other users. We implement our prototype on Android platform and evaluated the system through simulation and real user study.     

基于经验分布和KL散度的协同过滤推荐质量评价研究

提出了一种基于经验分布和KL散度的协同过滤推荐质量评价方法RQE-EDKL（recommendation quality evaluation based on empirical distribution and KL divergence）。RQE-EDKL首先利用历史用户—商品数据生成不同商品数量下的商品历史使用概率分布；然后，利用该分布与各个协同过滤推荐方法得到的用户商品使用概率进行比较，计算其KL散度；最后，将KL散度最小的推荐结果视为最佳推荐结果并推送给用户。在TalkingData数据集上的实验结果表明，RQE-EDKL评价方法能够有效地在不同的推荐结果中选择更为切合用户真实需求的推荐结果，从而提高了协同过滤推荐的质量。     

基于标签推荐的Mashup服务聚类

聚类Web服务能大大提高W c6服务搜索引擎检索相关服务的能力。ProgrammablcWeb. com是一个很流行 的在线社会Mashup网站。作为基于Web的应用程序,Mashup本质上是开发者提供的Web服务。结合Mashup服 务的描述文档和相应标签提出一种新颖的Mashup服务聚类的方法,此外还提出一种标签推荐的方法来改进服务聚 类的性能。实验结果表明,基于标签推荐的服务聚类方法的聚类精度比其他两种实验方法要高,说明提出的标签推荐 策略有效扩充了标签数较少的Mashup服务,从而带来更多相关标签信息,因而聚类效果更好。     

基于页面聚类的推荐算法的改进

基于页面聚类的推荐算法常被应用在个性化推荐系统中,但是很少考虑页面访问的顺序性.针对这种弊端,提出了一种新的路径相似度系数,同时在推荐算法中运用了关联规则,提高了推荐结果的准确性.     

基于学生行为分析的兴趣课程推荐系统的研究

通过分析学生的出勤率和考试成绩等行为信息,运用数据挖掘中的聚类分析算法和多元线性回归模型推理出每位学生的兴趣课程,并为其提供个性化推荐服务;最后,采用MATLAB统计工具包对课程推荐的准确率进行验证.以此为基础构建基于学生行为分析的兴趣课程推荐系统.     

基于web挖掘中最大频繁项目集的研究

在web日志挖掘技术基础之上,对网页推荐展开了研究和分析。文中提出了一种DPMFI算法,采用DPMFI算法生成最大频繁项目集,并基于最大频繁项目集来产生推荐网页。     

基于主题模型的个性化图书推荐算法

针对传统推荐算法精准度不高的问题,在潜在狄利克雷分布(LDA)主题挖掘模型的基础上提出了一种新的适用于图书推荐(BR)的数据挖掘模型——BR_LDA模型。通过对目标借阅者的历史借阅数据与其他图书数据进行内容相似度分析,得到与目标借阅者历史借阅图书内容相似度较高的其他图书。通过对目标借阅者的历史借阅数据及其他借阅者的历史借阅数据进行相似性分析,得到最近邻借阅者的历史借阅数据。通过求解图书被推荐的概率,最终得到目标借阅者潜在感兴趣的图书。特别地,当推荐数量为4000时,BR_LDA模型比基于多特征方法和关联规则方法精准度分别提高了6.2%、4.5%;当推荐数量为500时,BR_LDA模型比协同过滤的近邻方法和矩阵分解方法分别提高了2.1%、0.5%。实验表明本模型能够更准确地向目标借阅者推荐历史感兴趣类别的新图书及潜在感兴趣的新类别的图书。