基于兴趣度与类型因子的高校图书推荐算法

针对高校图书馆读者评分系统缺失和读者之间借阅重合率低而导致兴趣度矩阵稀疏的问题,提出了一种基于兴趣度模型与类型因子的高校图书推荐算法。该算法建立了一种读者兴趣度模型用来模拟读者对图书的偏好程度,并使用类型因子作为图书相似性的权重填补兴趣度矩阵中缺失的兴趣度值,最终通过基于用户的协同过滤算法得到目标读者的Top-N推荐列表。实验表明:改进的兴趣度模型比未改进的兴趣度模型算法的推荐效果更好,而且使用类型因子权重比图书名称分词权重的推荐效果也更好。该算法为高校智慧图书馆的建立提供了理论基础。     

兴趣域信任相似度敏感的P2P拓扑构建模型

为了提高对等（P2P）网络系统中资源定位效率,保证资源下载质量,基于P2P网络中节点偏好的兴趣域划分机制,给出了兴趣域信任相似度的概念和计算方法,并在此基础上设计实现了一种基于兴趣域信任相似度的对等网络拓扑（ITAPT）模型．ITAPT模型通过引入节点间的兴趣域信任相似度,使具有相近兴趣偏好且兴趣域可信度向量相似的节点互为邻居,提高了节点资源查询效率,同时又能激励节点提供更多贡献. 仿真结果表明,该模型在拓扑有效性和安全性等方面比现有典型机制均有较大提高.     

基于中文图书评论的特征挖掘算法的研究

针对中文图书评论中的产品特征提取问题,本文基于FP-Growth算法进行图书评论特征提取,并在此基础上对挖掘过程进行了适应性改进.首先利用冗余词典减少冗余度以解决挖掘结果冗余度大的问题;然后根据评论长度赋予不同支持度的权重改进FP-Growth算法;最后根据独立支持度和各特征词的置信度对候选特征词进行过滤筛选.本文采用亚马逊网站上的真实图书评论数据进行实验验证,实验结果证明,该算法与传统FP-Growth算法、Apriori算法和TF-IDF算法挖掘结果相比,查全率显著提高,综合值也有所提高.     

改进的Apriori算法在大学生心理数据分析中的应用

在基于传统的支持度-置信度评价框架的Apriori挖掘算法的基础上,加入了兴趣度评价指标,并将其应用到大学生心理测评数据的分析中,探寻不同的心理测评量表数据之间的联系,有效地提高了系统的挖掘效率和挖掘效果.     

一种基于页面兴趣度的关联规则研究

给出了页面兴趣度的定义,并针对传统的Apriori关联规则算法必须经过大量反复扫描数据库才能产生候选项集的问题,提出了一种改进算法.此算法将数据库经过预处理后,对事务数据库进行分段,比较时可不针对所有事务记录,从而减少比较时间.最后将页面兴趣度应用于改进的Apriori算法中,形成一种基于页面兴趣度的关联规则算法--I_NEW_AR算法.实验结果表明,该算法不仅提高了挖掘效率,而且应用于网上推荐系统具有较好的准确率.     

一种基于数据挖掘的图书荐购模型研究

针对高校图书馆图书荐购无法满足读者需求的问题,设计了一种基于读者行为数据挖掘的高校图书荐购模型,该模型包括挖掘活跃书籍和匹配荐购书单两个过程。提出了一种基于改进的kmeans算法的活跃书籍挖掘方法,该方法通过设置可调节的阈值来确定样本集中的噪声点,然后再根据最大距离法选取样本的初始聚类中心,最后基于该算法得出活跃书籍。实验证明:相比传统k-means算法,改进的k-means算法在活跃书籍挖掘过程中稳定性好、准确率高,满足了高校图书馆图书荐购的需求。     

关联规则在图书管理中的应用

关联规则主要用来发现数据库中存在的频繁项集.研究关联规则Apriori算法,并利用该数据挖掘技术对高校图书馆管理信息系统中的数据进行挖掘研究,并将挖掘到的规则结果应用到高校图书馆公共检索系统中,达到优化公共检索系统并且向读者提供多元化信息检索服务的目的.     

基于兴趣度的关联规则挖掘算法

通过实例分析了支持度-置信度模型的缺陷和Apriori算法忽视反面示例的不足.引入了PS改进方法作为兴趣度,并设计了基于该兴趣度的关联规则挖掘算法.后通过实例对挖掘算法进行适当的分析,从而验证了该方法的有效性.     

基于用户评论挖掘的产品推荐算法

针对电子商务推荐系统中,互联网“信息过载”所造成的难以精确定位用户兴趣并提供准确产品推荐的问题,通过深入挖掘电子商务社区中丰富的用户评论信息,开发产品特征提取算法,建立用户兴趣偏好模型,结合用户历史评分数据来改善传统协同过滤推荐算法的推荐准确性;利用相似度传递技术在一定程度上缓解推荐系统中数据稀疏性带来的问题.实验结果表明,在数据稀疏的情况下,该算法仍可较好地拟合用户对产品的兴趣偏好,并在推荐准确性方面较传统的协同过滤算法有明显的提高.     

SeqRec：基于长期偏好和即时兴趣的序列推荐模型

通过对用户的历史购物序列进行建模,得到用户稳定的长期偏好和动态的即时兴趣,并聚合长期偏好和即时兴趣进行个性化推荐. 提取用户对商品的评论内容用于表示商品的特征;使用递归神经网络从用户的历史购买序列数据中学习用户稳定的长期偏好,使用提问数据对用户不断变化的即时兴趣进行建模;通过注意力机制为长期偏好以及即时兴趣分配不同的权重,得到用户最终偏好的向量表示. 在亚马逊真实数据集上的实验结果表明,SeqRec模型在召回率和精确率上比当前主流的序列推荐方法至少超出10%;SeqRec模型证明不同用户的长期偏好和即时兴趣对其下次购买物品的影响程度不同.     

新《企业会计准则》中实际利率法的应用

2006年2月15日财政部颁布的《企业会计准则》中有多处要求采用实际利率法计算摊余成本和利息，而会计职称考试用书等资料则采用列表形式。本文在分析实际利率法内涵的基础上，通过若干实例解析了利用账簿记录计算各期摊余成本。     

大数据下监控网络混合入侵信息检索仿真

针对传统的监控入侵信息检索方法存在检索精度低、召回率高、检索耗时长等问题,提出一种大数据下监控网络混合入侵信息检索方法.采用遗传算法对特征集进行优化选择,引入偏F检验对选择最优子集,组成优化特征集,并构建冗余信息消除模型,消除混合入侵信息中的冗余信息.以信息检索理论为依据,引用LDA模型对文档的话题进行建模,构建入侵信息检索模型,完成大数据下监控网络混合入侵信息检索.结果表明,所提方法的检索精度较高,能够有效提高入侵信息检索效率,降低检索耗时,且召回率平均值约为24%,优于其他方法,具有一定可行性.     

一种基于兴趣点颜色及空间分布的图像检索方法

提出了一种利用兴趣点进行图像检索的新方法．该方法把兴趣点作为图像中用户关注的视点线索,设计了一种基于兴趣点的环形颜色直方图,既利用了兴趣点的局部颜色特征,又考虑了兴趣点的空间分布结构,在保证检索算法对图像旋转、平移鲁棒性的前提下,克服了传统颜色直方图没有位置信息的缺陷．实验结果表明,该方法实现简单,有效提高了图像检索的效率．     

网络时代高校图书馆纸质工具书的馆藏与利用

网络工具书的发展并不意味着纸质工具书的灭亡,两者应该是相互促进、共同发展的关系;通过分析纸质工具书馆藏建设与管理中存在的问题和网络时代高校图书馆纸质工具书的收藏策略;提出了网络时代充分发挥纸质工具书的作用,应从提示纸质工具书中的实用信息、编制工具书库之工具书、宣传工具书在教学科研中的重要作用、提高读者使用工具书的能力等方面入手。     

基于隐语义模型的推荐算法研究

针对传统推荐算法用户兴趣值低、准确性差的问题,提出基于隐语义模型的推荐算法研究。首先对隐语义模型数据特征值进行采集,获取用户的个性化喜好信息,并针对采集到的特征数据及搜索关键词,进行不同信息之间的关联性数值的判断和分类处理。在此基础上,根据判断和分类处理结果对不同层次的信息进行推荐排序处理,优化模型信息推荐步骤,实现隐语义模型信息推荐。实验研究结果表明,基于隐语义模型的推荐算法的用户兴趣值高于其他传统推荐算法,且信息推荐的准确性较高。     

图书流通数据分析与读者阅读倾向

读者的阅读倾向决定着图书馆藏书结构的构成,它是图书馆建设的核心要素.以承德石油高等专科学校图书馆读者阅读倾向为研究对象,对2003-2004年中文图书流通数据进行统计分析,从读者需求的角度找出藏书结构存在的不足,为图书采购工作提供定量的理论依据.     

基于E2LSH过滤与空间一致性度量的目标检索方法

为了解决传统视觉词典模型（BoVWM,Bag of Visual Words Model）中存在的时间效率低、词典区分性不强的问题,以及由于空间信息的缺失及量化误差等导致的目标检索性能较低的问题。本文提出一种新的目标检索方法,首先引入精确欧氏位置敏感哈希（E2LSH,Exact Euclidean Locality Sensitive Hashing）过滤训练图像集中的噪声和相似关键点,提高词典生成效率和质量;然后,引入卡方模型（Chi-Square Model）移除词典中的视觉停用词增强视觉词典的区分性;最后,采用空间一致性度量准则进行目标检索并对初始结果进行K-近邻（K-NN, K-Nearest Neighbors）重排序。将提出的方法在数据库Oxford5K和Flickr1上进行目标检索,结果表明,新方法在一定程度上改善了视觉词典的质量,增强了视觉语义分辨能力,有效地提高目标检索性能。     

基于兴趣点凸包的图像检索方法

提出了一种基于兴趣点确定感兴趣区域的图像检索方法。在尺度归一化图像中检测兴趣点,然后对兴趣点求取凸包确定感兴趣区域,并用颜色直方图和Zernike矩作为特征进行检索,在保证图像检索对图像旋转、平移、缩放鲁棒性的前提下,将图像检索上升到物体层,克服了传统方法的不足。对1000幅图像进行的大量实验表明,该方法与其他基于兴趣点的方法相比,平均检索准确率提高了13%,可以更准确地查找到用户所需图像。     

基于用户阅读行为的图书自动评测算法

针对图书质量较难量化的问题,以用户在阅读过程中的流失和留存数据为基础,对各个关键行为节点设置评测权重,通过用户阅读图书的深度来量化图书质量.在分析在线阅读平台特点的基础上,根据用户阅读图书深度到达的难度来量化用户的阅读行为,提出基于用户阅读行为的图书自动评测算法.图书的最终综合评测值考虑图书半衰期和用户分群对图书评分的影响,能够根据图书的多个评测指标对图书进行自动评测,帮助用户选择更符合自身喜好的图书,提高用户满意度和用户体验.