个性化服务技术研究

对个性化服务技术中的用户识别、用户描述文件、个性化推荐技术、个性化服务系统的体系结构及目前的研究方向进行了概述。从实现角度详细讨论了3种个性化推荐技术。个性化服务具有针对性,它的目的就是为了使用户更好地找到需要的信息,通过从用户访问网站的历史记录中得到用户的个人信息,利用个性化推荐的方法将信息推荐给用户。个性化推荐避免用户陷入信息的海洋,提高用户查询效率,使得用户可以得到他们真正想得到的信息,避免繁多的人工搜索。     

移动电话内容服务系统的个性化推荐

移动电话内容服务系统允许移动用户通过移动互联技术浏览、购买和下载系统内容，是当前移动增值领域研究的热点。具有较强的时空灵活性，但在信息浏览、查找方面存在明显的局限性。提出了一个基于移动电话内容服务系统的个性化推荐系统．介绍了从寻找目标用户到实现推荐的全过程。实验结果表明。所介绍的个性化推荐系统可以有助于解决内容服务系统用户访问受限、资源迷茫的问题。     

基于用户层次信息的协同推荐算法

在个性化信息推荐服务中，协同推荐作为一种基本的信息过滤方法得到广泛的应用，它根据和目标用户具有相似行为的用户对资源的评价来进行推荐。但是，我们的研究发现，协同推荐算法所获得的相似用户群和实际用户的概念层次没有关系，这和我们的直觉是矛盾的，这驱使我们在协同推荐算法中考虑进用户的分类信息。实验结果表明，这样的方法是有效的，它和传统协同过滤相比具有更高的推荐精度。     

Web服务个性化推荐研究综述

随着Web服务的广泛使用和互联网上服务数量的增加,如何向用户提供最佳的服务选择列表成为了新的挑战.Web服务个性化推荐实现了由被动接受用户请求向主动感知用户需求的转变.个性化的Web服务推荐方法已经成为Web服务发现和选择的有效辅助手段.Web服务的个性化推荐技术也成为了近年来服务计算领域的研究热点.对当前Web服务个性化推荐的文献进行了归类分析,总结了当前Web服务个性化推荐的技术现状、研究方法和实验的数据集,列出了未来Web服务个性化推荐研究热点和挑战.     

一种新型的混合个性化推荐算法

个性化推荐服务系统是根据用户历史记录和推荐算法为用户提供其感兴趣的个性化信息或商品的一种自动化工具。针对目前常用的基于协同过滤的推荐算法和基于内容的推荐算法各自存在的问题,本文提出一种结合协同过滤和隐语义分析的混合推荐算法——交替奇异值分解算法ASVD,通过奇异值分解算法对基于项目内容的项目-关键词矩阵和对用户评分信息得到的用户—项目矩阵进行分解过程产生的项目—隐主题矩阵合并优化来消除噪音提高推荐的精确度。实践结果表明,新的混合算法ASVD提高了推荐结果的准确性。     

基于协同过滤算法的微信小程序智能助手

随着信息技术和网络的不断迅猛发展,互联网的信息资源急剧增长.信息过载问题促进了个性化推荐技术发展.协同过滤算法通过在用户和信息之间建立联系,被广泛应用于电子商务各个领域.本文提出通过利用微信小程序来获取用户的个性化信息数据,并且通过协同过滤算法,为用户设计的微信小程序智能助手,能够为用户推荐符合用户个性化的生活服务信息.在本文中,介绍了智能助手的设计方法,并详细介绍了系统的功能和个性化推荐功能的实现.     

基于WEB挖掘的个性化服务研究

针对用户特性向用户提供个性化服务将是web服务的发展趋势，本文从Web个性化服务的本质出发，详细地研究了实现Web个性化服务的关键技术：Web挖掘技术和信息推荐技术，并在此基础上设计了一个基于Web挖掘的个性化服务系统原型。     

基于协作过滤的个性化服务技术研究

随着网络的普及和发展以及网络信息量的日益增加,为广大用户提供个性化服务显得尤为必要.在对个性化服务技术相关知识进行概述的基础上介绍了协作过滤信息推荐技术的基本原理、分类、所面临的困难等,并对国内外研究现状等进行了综述.最后时基于协作过滤的个性化服务技术进一步的研究工作进行了展望.     

基于增量学习的混合推荐算法

推荐系统是自适应信息系统中的个性化服务模块,可以根据目标用户的信息需求提供个性化的信息服务。针对传统协作过滤算法存在的用户兴趣描述粒度过大问题,以及稀疏评分矩阵造成相似度计算不准确的问题,提出了一种基于增量学习的混合推荐算法WHHR,该算法通过Widrow-Hoff增量学习构建基于内容的用户模型,并结合协作过滤推荐机制实现评分预测。实验验证了WHHR算法在收敛速度和推荐准确性方面较类似推荐算法有较大提高。     

用户行为模式下电子商务网站个性化推荐研究

个性化推荐可解决网络信息多样性与用户需求之间的矛盾。个性化推荐在电子商务应用领域取得了显著的成效。论文首先对四种主流的电子商务个性化推荐技术进行综述,其次提出用户行为模式下电子商务网站个性化推荐方法,其个性化推荐的实现一般包括用户行为聚类、个性化推荐二个模块,最后通过图书电子商务网站的实验对推荐方法的效果进行验证。