基于协同谱聚类的推荐系统托攻击防御算法

提出了一种基于协同谱聚类的推荐系统托攻击防御算法. 该算法首先使用谱聚类方法对协同聚类算法进行改进,以在用户和项目2个维度上同时进行聚类;接着在聚类基础上结合分级偏离平均度对用户进行项目推荐. 实验测试结果表明,在同等托攻击规模的情况下,该算法可以降低实施托攻击的用户和攻击数据对系统推荐结果的影响.     

面向移动APP的个性化推荐算法

针对移动互联网移动端的推荐系统推荐满意度和精度较低问题,在分析应用信息系统推荐方法的基础上,提出了一种基于用户相似度和主题相似度个性化的移动APP信息推荐方法,该方法采用用户相似度和个性化加权组合的方式生成信息推荐,使推荐信息更为个性化,提高了推荐精度。同时针对多用户公用账号和兴趣发生变化的推荐问题,提出了一种基于复杂兴趣的推荐算法,该方法通过挖掘用户间的相似度、用户的行为操作及兴趣取向,使推荐信息更为准确。同时,相比于性能较好的Popular推荐算法,本算法在准确率上提高了3. 91%,召回率提高了3. 45%,覆盖率提高了4. 84%,性能明显提高。因此,文中所提出方法用于移动APP的个性化推荐,为移动APP的个性化推荐提供了一种新方法。     

基于Logistic函数和用户聚类的协同过滤算法

针对协同过滤推荐算法的数据稀疏性和可扩展性问题,提出一种基于Logistic函数和用户聚类的协同过滤算法.计算用户对服务关键词的偏好度,构建用户-关键词偏好向量,并基于此向量对用户进行聚类;采用Logistic函数计算用户对服务的兴趣度,并根据兴趣度相似性在目标用户所在类内寻找其最近邻居;通过最近邻居预测用户对服务的兴趣度,将兴趣度较高的服务推荐给用户.基于真实数据集的实验证明,与传统协同过滤算法相比,本文算法能取得更高的准确率,且聚类后算法运行时间显著减少,有效地提高了推荐的实时性.     

基于FP-Growth的社交好友推荐方法研究

针对基于关系的好友推荐中偏离共同兴趣以及推荐好友数量不足的问题,将数据挖掘中FP-Growth关联规则算法应用于社交网络好友推荐中,对用户间的相互关注关系进行深度挖掘,将不同用户同时被关注的事件作为一个项集,挖掘其频繁模式,再根据设定支持度,推荐用户感兴趣Top-N组合好友。63641条实验结果表明,算法具有良好的性能,可实现较高的召回率与准确率。     

基于用户喜好的个性推荐系统优化

采用协同过滤方式的传统推荐系统具有一定实用性,但也存在未考虑用户个性喜好的问题。为提高推荐精度,特别针对用户个性化特点和需求,提出了采用改进相似度计算和回归分析方法对协同过滤推荐进行系统优化。实验结果表明,优化算法可明显改善系统的推荐效果,并加强基于协同过滤推荐的有效性。     

一种引入加权异构信息的改进协同过滤推荐算法

协同过滤作为当前应用最成功的推荐技术之一,其推荐质量在很大程度上取决于近邻用户选取的准确性,而数据的稀疏性问题（sparsity）和相似度度量方式（similarity metrics）严重影响着最近邻的选择。该文提出了一种引入加权异构信息的改进协同过滤算法。首先利用异构网络中丰富的语义信息和边属性信息,得到用户之间基于不同元路径的相似度;然后将相似度分别应用到典型的基于用户的协同过滤推荐算法中,得到基于每个相似度的用户评分值;最后采用监督学习算法为每个打分值分配不同的权重,融合为用户最终评分。在扩展MovieLens经典数据集上的实验结果表明,本文所提算法在精确度上较传统算法有显著提高。     

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.     

基于机器学习的视频识别与自适应推送算法

针对短视频推荐的广告与视频内容无关,而导致的投放收益低和用户体验差的问题,提出了一种基于机器学习的图片检测与内容推荐算法.使用基于相似度计算的关键帧提取算法从短视频中提取出关键帧,使用Faster R-CNN物体检测框架实时检测关键帧中包含的物品,并使用基于用户偏好的广告推荐算法实时更新用户的偏好权重.算法实现与仿真测试结果表明,所提出的方法可以满足实时用户推荐系统的需求,并能够根据用户的偏好情况进行广告推荐,实现84.19%的推荐准确率.     

微博用户推荐模型的研究

微博用户推荐对改善用户体验、促进社交网络长远发展具有重要意义。该文提取了能够充分反映微博用户之间相关性的多个特征,并通过逻辑回归模型对潜在的用户进行评分排序,为目标用户推荐前N个潜在用户。基于新浪微博数据集的实验结果表明,基于逻辑回归方法的用户推荐模型是切实有效的,可以为微博用户提供高性能的个性化用户推荐。     

基于Web日志的用户访问模式挖掘

利用相对访问率——支持一偏爱度的概念,设计了网站访问矩阵及时间矩阵,并利用这两个矩阵得到用户浏览偏爱路径．实验表明该算法能够准确地反映用户的浏览兴趣,可应用于个性化推荐服务中．     

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。     

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.     

基于代理的web服务发现系统的设计

随着网络规模的快速增长,如何高效地找到符合用户需求的web服务是影响网络应用发展的重要因素。本文提出了一种基于代理机制的web服务发现系统的实现方案,该方案以web服务发现技术的研究现状为基础,给出了用户代理、服务器代理和目录代理三者之间的关系;从分析服务发现系统的使用者入手,设计了收集用户请求和构造查询信息的功能;应用连接池技术实现了转发用户请求到目录代理的功能,设计了以聚类思想为基础的最短路径服务信息请求的转发算法。最后,给出了服务发现系统的部分运行结果、测试了服务发现系统的查准率和查全率,并对转发算法进行了测试,验证了基于聚类的最短路径转发算法的优势。     

一种改进的基于梯度提升回归算法的 O2O 电子商务推荐模型

位置属性对于线下消费的用户具有重要影响。为了有效提高个性化推荐精度,在对O2O电子商务特点进行用户特征分析的基础上,在推荐算法中引入当前时间参数和位置参数,提出了一种改进的基于梯度提升回归算法的O2O电子商务推荐模型。实验结果表明,改进的基于梯度提升回归算法的O2O电子商务推荐模型在实时性和准确性方面明显优于传统的推荐算法。     

多尺度导航电子地图系统的关键技术研究

多尺度导航电子地图系统融合了数字制图技术、GIS技术、多媒体技术等多种高科技手段,可为实时导航过程中的路径规划、引导、显示功能提供一套便捷的、可视化的空间信息服务平台,但现有的研发方案并没有很好地顾及用户对自适应智能缩放地图的浏览和查询需求。针对导航电子地图的多尺度特性和多媒体特性,设计了多尺度导航电子地图系统的研制与开发框架,详细论述了构建多尺度导航电子地图系统的总体结构及设计方案,重点剖析了基于“目标内插法“实现多尺度导航电子地图智能化显示的关键技术,并在基于VB和MapX的二次开发环境下实现了对多尺度导航电子地图信息的多尺度显示、多尺度查询、空间分析、最优路径设计和引导等功能。测试结果表明了系统运行的可靠性和稳健性。     

基于用户量化属性的多维相似度的协同过滤推荐算法

针对传统协同过滤推荐算法模型过于粗糙和推荐精度较低的问题,提出了一种新的基于用户量化属性的多维相似度的协同过滤推荐算法.该算法考虑到个别项目对相似度计算的影响,利用最大差值特性进一步描述用户评分相似度,并结合用户量化属性,构建用户兴趣偏好模型,依此阐明了新的相似度计算方法,利用该方法获取目标用户的近邻用户和预测评分,最终实施推荐.实验结果表明该算法可以有效的提高推荐质量.     

考虑相似度和可信度的模糊自适应Web服务选择

提出了一种基于模糊方法并考虑用户评价属性(相似度和可信度)的Web选择算法,从web服务质量数据来源角度对服务质量的属性进行了分类和计算.对非功能质量属性,使用模糊控制的度量方法,将非功能属性值转换成0～1之间的实数值.使用反馈相似度和可信度相结合的方法,将最终的推荐权值推荐给用户.该方法的提出有助于提高web服务选择结果的准确性.     

基于用户相似度计算的导航类意图分类研究

针对用户会话相似度计算中,忽视了用户在某会话中对页面感兴趣的程度这一问题,提出了用户会话系数AvgI(p),并结合雅可比相似系数、CM系数给出了一种新的用户会话兴趣度的计算方法。在此基础之上,结合W eb内容、格式进一步对导航类查询用户意图的信息需求进行分析,并分类为直接导航和间接导航2类,给出了具体算法。实验结果表明,该算法不仅能很好地自动分类导航类用户意图,而且能基于该意图提供相关搜索结果以及进一步的搜索导航。     

基于K-means和矩阵分解的位置推荐算法

采用矩阵分解方法为模型量化用户对未知位置的签到次数,利用改进的融合用户间签到和好友关系的相似度计算方法计算用户间的相似度,通过聚类方法将用户进行群组划分,最终提出结合聚类和矩阵分解的方法实现个性化位置推荐。相比于基于用户协同过滤和基于矩阵分解推荐算法,本文算法在位置推荐召回率和准确率上均有提高,同时,在推荐运行时间上也优于其他算法。     

一种基于社交网络友情度的个性化推荐算法

针对社交网络服务中传统个性化推荐系统的推荐性能和满意度低的问题,在分析社交网络服务中影响个性化推荐各种因素的基础上,引入社交网络用户关系亲密度度量方式——友情度及其三要素,并给出它们的计算方法。研究大型社交数据的用户主题兴趣和各类相似度,设计了一种基于友情度的个性化推荐系统,以提高社交大数据复杂环境下推荐精度及质量,提高用户对推荐结果的满意度。通过实验分析证实了所提出个性化推荐系统比基于PCC和JMSD算法等传统推荐系统的性能更优越,且推荐结果质量要高。最后给出了未来的研究方向。