数字图书馆中兴趣度推荐算法

个性化推荐技术能够帮助用户更方便地从大量的文本数据中得到感兴趣的文本.数字图书馆中现有的个性化推荐技术都是根据文本相似性为用户推荐感兴趣的文本.该文提出用户对文本的兴趣度的概念,综合考虑了文本之间的相似性、文本的信息量和新颖性3个因素,比相似性能更好地反映用户的兴趣.同时提出基于兴趣度的个性化推荐算法.理论分析和实验结果均表明,基于兴趣度的推荐算法的推荐完全性和准确性比相似性推荐算法和基于图的混合推荐算法均有显著提高.     

基于熵分类的个性化隐私匿名方法

针对传统(α,k)-匿名模型不能满足敏感属性值之间不同隐私保护程度个性化需求的问题,引入敏感属性值个性隐私敏感因子和个性隐私保护需求度的概念,进而形式化地定义了个性化(α,k)-匿名模型;同时,还提出了一种基于熵分类的个性化隐私匿名方法来实现个性化(α,k)-匿名模型。实验表明:该方法不仅能获得与现有(α,k)-匿名算法近似的信息损失度和时间代价,同时也满足了个性化服务的需求,获得更合理的隐私保护。     

一种改进Slope One的学习推荐算法

针对协同过滤算法的推荐精度不足问题,提出一种改进的Slope One算法。以基于用户协同过滤算法为前提,使用皮尔逊相似性计算用户间相似度,利用Top-N方法对相似用户进行筛选,把最相似用户作为邻居集,再结合加权Slope One算法,预测项目评分,实现对用户个性化精准推荐。实验结果表明,在数据稀疏的条件下,改进算法的预测精确度优于基于用户的协同过滤算法和Slope One算法,提高了推荐质量。     

基于Hadoop个性化推荐算法设计与实现

为了提升个性化推荐系统的大数据处理能力,选择基于用户聚类协同过滤的个性化推荐算法,并在Hadoop平台下实现算法的分布式并行化.离线状态下对用户物品矩阵降维,对用户进行聚类得到类别信息列表,对用户在类簇内进行推荐,并在相似度计算内引入物品贡献权重,最后对算法实现并行化得到推荐结果,实现基于用户聚类的分布式协同过滤推荐算法.最后对推荐结果进行测试分析,证明分布式个性化推荐有更好的推荐准确性和实时性.     

微博个性化转发行为预测新算法

目前,对微博转发行为预测主要是对所有微博用户的历史数据进行学习,从而得到转发模型.但是这类模型需要对所有用户的转发行为进行全局预测,存在同质性且无法对具体用户进行个性化预测的缺陷.针对这些问题,提出了基于多任务学习的个性化微博转发行为预测算法.对新浪微博进行了数据抓取、分析和特征选择,根据社会学中影响力的理论,针对微博用户之间进行社交信息交流而导致相互影响的特点,引入了多任务学习方法,以逻辑回归预测模型作为基准算法,将预测模型分为全局模型与个性模型进行学习.预测模型把对每个用户转发行为的预测对应为多个任务,根据微博用户间的社交交互对这些任务进行关联.实验结果表明,所提出的模型能够有效地对单个用户的微博转发行为进行预测,并且提高了转发行为预测的准确率.     

基于移动社交环境的用户行为最优关联预测

提出了一种基于移动社交环境的用户行为多重分析与最优预测算法.首先,针对目标用户所属的各个社交群组,分别建立基于代表度的最优化模型,选择出任一社交群组内最具代表的关联用户,以分析目标用户在不同社会属性下的业务行为;特别地,代表度由基于Kendall系数的相似度和基于交互统计的交互度联合构成;其次,借助Apriori理论分别对目标用户和各最具代表的关联用户进行关联分析,并提出基于最小二乘模型的加权融合方法,以最优地融合上述关联分析结果且实现用户行为的精准预测.仿真结果验证了该算法的有效性.     

一种基于语义网的个性化学习资源推荐算法

在E-learning环境中,为了满足用户对学习资源的个性化需求,提出了一种基于语义网技术的学习资源个性化推荐算法。首先根据用户评价和浏览行为得到用户感兴趣的学习资源集合与核心概念集合,然后根据领域本体中概念间的关系分别计算不同用户评价的学习资源集合间的语义相似度和核心概念集合间的语义相似度,最后根据得出的两个相似度值共同决定用户兴趣偏好的相似性,找到具有相似兴趣的最近邻居,从而实现学习资源的协同推荐。此外,在学习资源管理上引入了学习对象概念,降低了相似度计算的复杂度。并将该算法应用到了基于语义网的个性化学习资源推荐系统中,实验表明,该算法有效改善了学习资源推荐效果,特别是对于新加入的资源和新注册用户效果显著。     

一种基于用户兴趣联合相似度的协同过滤算法

在推荐系统中数据稀疏性和推荐时效性是经常面对的问题,为了更好地反映不同用户在不同阶段的邻域相关性,从而能够挖掘出评分项目中所隐含的个性化信息,在基于用户的协同过滤算法预测评分过程中将联合相似度与用户兴趣的时序信息相结合,首先融合覆盖评分信息的用户间的协同相似度、偏好相似度和轨迹相似度等3种相似度,通过参数调节不同度量的权重及相似度阈值形成联合相似度以获取用户有效的邻居数目;其次在联合相似度计算过程中引入反映时间权重的Logistic函数以提高推荐的时效性;最后进行实验,结果表明,所提出的方法与经典算法相比,不仅提高了精度,而且可以更有效地预测用户的真实评分。     

基于内容相似度的雷达情报筛选技术

为了实现雷达情报信息的按需推送、解决情报用户信息过载的问题,提出了一种利用内容相似度的个性化推荐技术筛选用户感兴趣情报信息的方法.通过专家评价建立基于情报特征向量的用户兴趣模型,利用余弦相似度和欧几里得相似度算法获得其内容相似度,根据相似度形成用户的雷达情报推荐.仿真分析比较了两种相似度算法对情报内容的处理性能,结果表明两种算法均可实现情报推荐,而欧几里得相似度算法具有更好的平均绝对偏差性能.     

一种基于桌面信息的个性化推荐方法

针对当前信息检索服务中存在的固有缺陷,提出了一种基于用户桌面信息抽取的个性化推荐方法．详细介绍了通过用户桌面资源信息抽取建立长期用户模型,以及通过工作场景信息抽取建立短期用户模型的算法．长期用户模型提供了完整全面的用户兴趣偏好信息,短期用户模型则为预测用户当前信息需求提供了依据．实验结果表明,基于用户桌面信息抽取的个陛化推荐服务能较好地预测用户当前需求、具有良好的推荐效果．     

基于旅游业移动电子商务的个性化推荐模型研究

通过建立个性化推荐模型,分析用户的网络访问行为,利用KSP算法以及MIAR算法获取关联规则,从海量的模糊数据中挖掘出个性化信息,修改移动网站的内容和结构以满足用户信息需求,并对用户的移动网络搜索数据进行智能挖掘,推荐相关的Top-N旅游产品。同时针对以上研究设计旅游业移动电子商务个性化推荐模型,并对该模型流程进行分析,探讨后台移动数据库设计。     

基于数据挖掘的开源电子资源访问行为统计模型

为了解决当前图书馆资源个性化推荐过程中存在推荐的准确率、召回率以及效率较低的问题,采用二维距离模型构建用户社区模型,用于描述访问用户与图书馆开源电子资源之间的关系,并对互联网用户需求和访问行为进行模糊规则推理.依据互联网用户属性和图书馆资源访问需求属性之间的模糊规则,建立图书馆开源电子资源访问行为统计模型,并利用该模型向用户提供个性化推荐服务.仿真结果表明,所建模型的推荐召回率高达98. 4%,推荐准确率为99. 2%,运行时间小于0. 04 s.所建模型能够为互联网用户提供准确、高效地图书馆资源个性化推荐服务.     

一种融合社交网络的叠加联合聚类推荐模型

为解决用户冷启动问题并提高推荐算法的评分预测精度,提出一种融合社交网络的叠加联合聚类推荐模型(SN-ACCRec),将用户社交关系融合到对评分矩阵的用户聚类中。根据社交关系理论分析用户社交关系,采用模糊C均值聚类的思想划分用户块,并利用k均值算法对评分矩阵的产品聚类,得到一次联合聚类结果。通过迭代方式获取用户和产品多层联合聚类结果,不断叠加多层聚类结果来近似评分矩阵,预期先后得到用户和产品的泛化和细化类别,实现对评分矩阵中缺失值的预测。采用十重交叉验证法对模型评估,试验结果表明,该模型有效降低了推荐中的平均绝对误差(mean absolute error, MAE)和均方根误差(root mean square error, RMSE),同时在冷启动用户上也表现出了较好地推荐性能。     

网络资源中基于K-Means聚类的个性化推荐

为了实现在网络资源中为网络用户提供针对兴趣爱好的推荐项目,提出了一种基于K-means聚类的应用于动态多维社会网络的个性化推荐算法.首先根据用户评分数据对用户进行建模,并根据评分数据集构建多维用户网络,再加入局域世界演化理论形成动态多维网络;然后根据改进的K-means算法对用户聚类;最后根据最近邻居得到目标用户的预测评分作出推荐,从而形成一种应用于动态多维社会网络中的个性化推荐算法.实验表明,相比协同过滤个性化推荐系统,新推荐策略的预测值和真实值之间的误差较小,个性化推荐水平得到了一定程度的提高.     

基于点击流与PROMETHEE多属性决策法的电子商务消费者购买意愿预测

在电子商务环境下,充分了解消费者的兴趣变化过程并预测其购买意愿是个性化推荐系统需要解决的问题,因此具有巨大潜在信息的点击流数据因其易获性及预测的准确性得到了广泛的研究与应用。为了挖掘用户点击行为所反映消费者的兴趣变化过程并预测消费者的购买意愿,通过点击流数据,基于兴趣漂移理论,采用偏好顺序结构评估法（Preference Ranking Organization Methods for Enrichment Evaluations,PROMETHEE）的多属性决策方法建立有效的模型进行测量与预测。结果建立了包括3个一级指标和8个二级指标构成的多会话消费者购买意愿评价体系,为消费者购买意愿预测提供了一种实用的评价方法。     

基于点击图特征的稀疏广告点击率预测方法

为更全面地反映用户个人偏好,提高推荐的准确度,提出了一种融合多源异构数据的混合推荐模型.综合考虑了用户社交关系和用户评论对用户评分的影响,从评论中提取主题信息作为用户和商家的特征,采用社区发现算法为用户划分社区,利用机器学习方法为社区建立模型,预测用户对商家的评分,再根据评分对商家进行排序,取前N个商家推荐给用户.实验结果表明,提出的混合推荐模型与经典推荐算法相比,可提高评分预测的准确度,从而提高推荐的准确度.     

异构网络中基于轨迹预测的资源预分配方案

针对轨迹预测的网络资源管理方法研究中普遍存在的轨迹特征学习不充分、轨迹预测结果精度低、颗粒粗单等问题,提出双向循环神经网络的轨迹预测算法。通过深度挖掘用户的移动规律,实现对用户的移动预测。根据用户的移动预测信息设计网络资源预分配方案、移动行为划分网络资源,实现对多小区的协作式资源优化管理。仿真试验结果表明,在轨迹预测问题中,双向循环神经网络的轨迹预测算法比普通神经网络算法有更好的综合性能。在网络资源管理中,轨迹预测的网络资源管理预分配方案能够较准确地预测用户所连接的基站,使基站具有较高的资源利用率。     

客户端上下文感知的Web服务QoS预测方法

识别用户客户端的上下文特征的差异性,有助于为新用户预测Web服务QoS,但现有研究缺乏对影响用户QoS体验的上下文特征的系统分析。提出了一种客户端上下文感知的Web服务QoS预测方法,该方法通过量化分析客户端的上下文特征,应用模糊层次分析法计算历史用户与当前用户的上下文相似度,并以该相似度结果为指导,结合协同过滤技术,以特征加权合成方法预测Web服务的QoS值。通过实验对比和分析可知,该方法能有效解决“新用户问题”,并提高Web服务QoS预测的精度。     

基于用户关系挖掘的多策略推荐算法

个性化推荐服务为解决网络信息过载问题提供了有效手段。传统的推荐方法大多只关注于如何提高推荐的准确性,而忽略了推荐多样性对用户体验的影响。文章将社会网络用户关系挖掘应用于用户偏好预测及推荐中,提出了一种基于用户关系挖掘的多策略推荐算法。采用信任传播模型挖掘用户间的信任度,计算用户偏好配置文件的余弦相似性获得用户间的相似度,并给出4种将用户信任度、相似度结合的策略,在定义用户偏好预测函数的基础上采用Topn原则为用户给出推荐结果。实验结果表明,文章方法不仅减少了数据稀疏性的影响,而且兼顾了推荐准确性与多样性指标,提高了推荐系统的整体性能。     

基于竞争凝聚的个性化网页推荐

为了提高网站访问效率并得到有价值的个性化网页推荐,针对Web日志的新特性,提出了一种新的基于竞争凝聚的聚类算法.新算法对K-paths聚类算法进行了扩展和改进,按照路径的相似性进行聚类,采用竞争凝聚的思想,自动确定最佳的聚类数目.由于算法考虑了用户的访问兴趣,个性化网页推荐不打扰用户且不需要用户注册信息.利用关联规则得到个性化网页推荐集.用户推荐集和页面推荐集的结合大大提高了推荐效果,具有较好的扩展性.实验结果表明,与其他聚类方法相比该算法具有更高的推荐精度.