一个基于关联规则的个性化方法DPARM

针对当前个性化中关联规则挖掘的一些问题,尤其是无法及时更新使用数据这一缺点,提出了一种有效的基于关联规则挖掘的个性化方法DPARM,它将用户兴趣模型的更新和在线推荐紧密结合,及时使用新的用户会话更新用户兴趣模型,从而使个性化系统能够更好反映用户访问模式的变换。使用http://www.cs.depaul.edu上的数据进行了实验,结果表明,该方法是有效可行的。     

基于用户访问路径分析的页面推荐模型

已有的基于访问路径分析的页面推荐系统大多由离线处理和在线处理两部分组成,由于其周期性离线处理的过程较为耗时,难以适应大型网站以及内容更新频繁的网站的需要。提出了一种新的基于用户访问路径分析的页面推荐模型。该模型采用在线处理方式,利用增量图划分方法形成页面聚类,依此生成动态页面推荐。模型以Apache模块的形式实现,可适用于大型网站以及内容更新频繁的网站。实验结果表明,该模型具有较好的整体性能。     

时间加权的混合推荐算法

提出了一种基于时间加权的混合推荐方法。该方法分为离线和在线两个阶段,离线阶段根据目标用户对物品的评价等信息得到与目标用户有相似兴趣的邻居,并构建物品描述模型;在线阶段根据目标用户和邻居用户的评价行为构建用户描述模型。由于用户兴趣会随外部因素而产生概念漂移,因此在算法中引入衰减系数以提高推荐质量。在滑动窗口模型下,每隔一定时间间隔,更新用户模型和相似群组,产生个性化的推荐。实验结果表明,该算法能实时反映用户兴趣,提高推荐系统的准确率,有较高的用户满意度。     

基于用户访问路径分析的页面推荐模型

已有的基于访问路径分析的页面推荐系统大多由离线处理和在线处理两部分组成，由于其周期性离线处理的过程较为耗时，难以适应大型网站以及内容更新频繁的网站的需要。提出了一种新的基于用户访问路径分析的页面推荐模型。该模型采用在线处理方式，利用增量图划分方法形成页面聚类，依此生成动态页面推荐。模型以Apache模块的形式实现，可适用于大型网站以及内容更新频繁的网站。实验结果表明，该模型具有较好的整体性能。     

基于IRGAN模型和Hadoop的电影推荐系统的设计

随着近几年人工智能技术的飞速发展,深度学习技术在推荐系统领域中的应用也已经成为研究热点之一。尤其是生成对抗网络(GAN)作为无监督学习中最具前景的方法之一,在图像处理和自然语言等领域取得突破性进展。针对目前存在的电影市场规模扩大、观影用户数量增长过快以及电影资源更新频繁等带来的数据利用率低、系统压力大、实时性差等弊端,结合Hadoop、Spark和Kafka等大数据处理技术,设计基于IRGAN算法模型的离线推荐模块和基于在线用户行为数据收集处理的在线推荐模块。实现了基于IRGAN模型和Hadoop的电影推荐系统。测试表明,该系统具有良好的推荐准确性、稳定性和实时性。     

基于Web日志的实时推荐系统

针对个性化实时推荐系统的不足,提出通过构造BP树的方法压缩访问事务集。采用一个实时推荐的系统模型,将耗时的数据预处理放在离线模块,实时推荐采用动态修剪BP树的方法,穿过访问模式树的相关部分,利用网页推荐算法得到频繁访问集,生成推荐集。结果表明该算法只需扫描数据库一次,得到的频繁模式可满足页面实时推荐的快速需求。     

基于大数据技术的电子商务个性化信息自动推荐算法应用

当前个性化推荐算法应用因未构建增量更新推荐模型,对电子商务平台的大数据进行处理,导致推荐结果不能及时更新,严重影响用户体验.因此,提出基于大数据技术的电子商务个性化信息自动推荐算法.首先对平台中用户与项目的相异度进行计算,利用计算后的相异度矩阵构建数据增量更新模型;然后,将该模型作为个性化推荐模型,引入IU-UserCF推荐算法,提高预测准确性;最后以电商物流为应用对象,将所提方法引入应用进行探索.实验对比结果表明,所提方法在电子商务应用中有着更加出色的推荐效果.     

基于数据挖掘的思政理论资源个性化推荐系统设计

由于传统系统存在新用户推荐及推荐效果较差的问题，提出一种基于数据挖掘的思政理论资源个性化推荐系统。硬件中服务器模块共由22台服务器构成。处理器模块选用的是S3C3210x处理器。软件中数据挖掘模块主要利用Orange工具箱来实现思政理论资源的数据挖掘。数据处理模块能够实现资源数据的转换与爬取、降维处理。资源个性化推荐模块主要通过混合推荐技术实现个性化推荐。数据库模块中包括用户兴趣表、资源信息表、用户信息表。以此进行性能测试。实验结果表明，其推荐效果优于传统系统，可实现新用户的个性化推荐。     

个性化新闻推荐技术研究综述

新闻每时每刻都在发生,阅读新闻已经成为很多人的习惯。新闻媒体众多,网络媒体凭其迅捷性和便利性成为很多人的首选。网络新闻众多导致新闻过载,这就迫切需要个性化的新闻推荐系统,帮助用户快速地找到感兴趣的新闻。伴随着新闻大数据的产生和移动互联网的蓬勃发展,个性化新闻推荐迎来了新的机遇和挑战。首先介绍了个性化新闻推荐的挑战性;然后提出了个性化新闻推荐系统的基本框架,该框架包含新闻建模、用户建模、推荐引擎和用户接口四个模块,并以该框架为基础,分别综述了每个模块的研究进展,列举了现有的个性化新闻推荐系统中四个模块所采用的技术;最后总结了常用数据集、实验方法、评测指标和未来的研究方向。     

个性化E-learning教学系统的在线推荐模式研究

目前已有很多成熟的个性化推荐算法应用于个性化的E-learning教学系统,为了更好地实现个性化推荐,以个性化的在线推荐模块为核心,设计了一个个性化的E-learning教学平台,在线推荐模块包括个性化管理、IDBC管理、CBR推理等技术,该系统的特点在于可以更加快速更加精确地给用户进行推荐,并且可以针对不同的用户进行不同的推荐。     

Online social trust reinforced personalized recommendation

Recommendation techniques greatly promote the development of online service in the interconnection environment. Personalized recommendation has attracted researchers’ special attention because it is more targeted to individual tasks with the characteristics of diversification and novelty. However, the data sets that personalized recommendation process usually possess the characteristics of data sparseness and information loss, which is more likely to have problems such as cognitive deviation and interest drift. To solve these issues, in recent years people gradually notice the important role in which trust factor plays in promoting the development of personalized recommendation. Given the difference between online social trust and traditional offline social trust in facilitating personalized recommendation, this paper proposes a novel technique of online social trust reinforced personal recommendation to improve the recommendation performance. Compared with traditional offline social trust-based personal recommendation, our work synthesizes both factors of online social trust and offline social trust to identify private and public trusted user communities. The trusted degree or the accredited degree can be deduced by Bayesian network probabilistic inferences. In this way, the performance of personalized recommendation can be improved by avoiding excessive interest deviation. Moreover, we also get time sequence into personal recommendation model to effectively track how user’s interest changes over time. Accordingly, the recommendation accuracy can be improved by eliminating the unfavorable effect of interest drift caused by temporal variation. Empirical experiments on typical Yelp testing data set illustrate the effectiveness of the proposed recommendation technique.     

基于本体的Web资源个性化推荐算法

为提高Web资源推荐的准确度,提出基于本体的Web资源个性化推荐算法(BO-RM)。设计Web资源主题抽取算法和相似性度量方法,利用本体语义推理机制实现资源聚类,在推荐过程中通过实时分析用户浏览行为捕获用户个性化偏好的变化,动态实时推荐内容。与基于情境的协同过滤算法（CFR-RM）和基于模型的个性化预测算法（BM-RM）进行对比,结果显示BO-RM的时间开销相对稳定,在平均排序倒数(MRR)和平均准确率(MAP)上均取得了较好的效果。实验结果表明:BO-RM离线完成海量Web资源的分析聚类,有效提高了运行效率,实用性比较强;BO-RM实时捕捉用户兴趣变化,动态更新推荐列表,更加贴近用户的真实需求。     

突破智慧教育:基于图学习的课程推荐系统

近年来随着互联网技术迅猛发展，以慕课（MOOC）为代表的在线教育平台广泛普及.为助力”因材施教”的个性化智慧教育，以推荐算法为代表的人工智能技术受到了学术界与工业界的普遍关注.虽然在电子商务等领域获得成功应用，推荐算法与在线教育融合时仍面临严峻挑战：现有算法对隐式交互数据的挖掘不充足，推荐背后的知识指导作用不明显，面向实践的推荐系统软件有缺失.对此，设计了一套面向工业化场景的智慧课程推荐系统：（1）提出基于图卷积神经网络的推荐引擎，将”用户-课程”隐式交互数据建模为异构图；（2）将课程知识信息融入”用户-课程”异构图，深入挖掘了”用户-课程-知识”关联关系；（3）设计高效的在线推荐系统，实现了”预处理-召回-离线排序-在线推荐-结果融合”的多段流水线原型，不仅能够快速响应课程推荐请求，更能有效缓解推荐算法落地最大障碍——冷启动问题.最后，基于真实课程学习平台数据集，以对比实验证明了离线推荐引擎相比其他主流推荐算法的先进性，并基于两个典型用例分析验证了在线推荐系统面临工业场景需求的可用性.     

基于时序背景LDA与协同过滤的混合推荐模型

现有的个性化推荐通常会忽略时间信息对用户行为的影响,导致预测准确性较低。本文根据用户属性信息和用户评分信息,建立基于时序背景LDA与协同过滤的混合模型(TLDA-CF)。通过离线与在线推荐提高推荐效率;根据用户对项目的评分信息,以及各时间段内项目的被访问量分别建立LDA模型,解决数据稀疏性问题;设置动态权值平衡用户选择趋势提高推荐准确性;对于没有评分信息的新用户,采用用户聚类,引用协同过滤算法预测新用户喜好,解决冷启动问题。将该算法应用在MovieLens数据集上,实验结果表示,该算法在推荐召回率和准确率、F1值上都优于传统的LDA模型。     

基于多级客户模型的个性化推荐机制

个性化是未来Web智能系统的一大特征．为了实现商品的个性化推荐，提出了一种新的基于多级客户模型的推荐系统机制，它由数据准备、模型学习、推荐集的生成和智能过滤四个子过程构成．该机制借助于多级客户模型从客户的购物需求、偏爱特征和消费能力三方面捕获客户的实际需求，从而实现了一种深层次的个性化推荐，改善了推荐效果．     

基于综合相似度和社交标签的推荐算法

针对传统个性化推荐方法所面临的冷启动、数据稀疏等问题,本论文结合了项目组的前期研究,在综合考虑用户特征和用户信任度的基础上,引入了用户兴趣,形成综合相似度.针对目前推荐系统中评分数据较少的问题,论文结合了社交标签,丰富了推荐数据.首先利用综合相似度,找到用户的相似近邻,并将相似近邻所标注的标签形成一个标签集.其次利用基于标签的推荐算法,产生最终的推荐列表.实验结果表明,该算法能够有效提高推荐的准确率和召回率.     

结合实时推荐与离线推荐的推荐系统

推荐系统是从大量信息中主动查找用户可能感兴趣的信息的工具.如何更好地贴近用户偏好,满足用户长期固有偏好的同时又能考虑到用户短期的兴趣焦点变化,是推荐系统长期研究的一个问题.此外,在对推荐系统进行设计时,为了提高推荐性能,除了专注于用户建模优化、推荐对象建模优化或推荐算法优化外,还需要将推荐系统作为一个整体进行系统性的研究,关注如系统流畅性、可伸缩能力等.针对这些问题,本文设计了一种实时推荐与离线推荐相结合的推荐系统,提出了采用待推荐池的方法保证系统的流畅性;在分析实时数据与历史数据的基础上,提供实时推荐与离线推荐,在贴合用户长期固有偏好的同时也能适应用户短时间内的兴趣焦点变化;采用控制模块对不同推荐结果数据进行控制调节,提高系统的可伸缩能力.基于该推荐系统,本文进行了对于微信文章的推荐实验,通过对待推荐池内数据进行分析来评价推荐效果,结果表明,推荐数据能够逐步贴近用户兴趣偏好.     

面向个性化推荐系统的二分网络协同过滤算法研究

为提高个性化推荐系统的推荐效率和准确性, 提出了个性化推荐系统的二分网络协同过滤算法。协同过滤算法引入二分网络描述个性化推荐系统, 使用灰色关联度来度量用户相似性和项目相似性, 对灰色关联相似度加权求和预测用户对项目的预测打分值, 从而提供给用户排序后的项目列表。实验结果表明, 协同过滤算法有效提高了过滤推荐的精准度和可靠性, 具有良好的推荐效果。     

一个基于Web访问路径聚类的智能推荐系统

提出了一个基于Web用户访问路径聚类的智能推荐系统．系统使用基于代理技术的结构，由离线的数据预处理和基于用户访问路径的URL聚类以及在线推荐引擎两部分组成．提出了一个基于用户浏览兴趣的推荐规则集生成算法，在度量用户浏览兴趣时综合考虑了用户浏览时间和对该页面的访问次数．提出了一个基于推荐规则集和站点URL路径长度的URL推荐算法．实验表明，该算法比使用基于关联规则和基于用户事务的推荐算法的精确性有较大幅度的提高．     

基于Hadoop分布式改进聚类协同过滤推荐算法研究

为了改善协同过滤推荐算法在大数据下的稀疏性和可扩展性问题,提出一种基于Hadoop平台的分布式改进聚类协同过滤推荐算法。在分布式平台下,离线对高维稀疏数据采用矩阵分解算法预处理,改善数据稀疏性后通过改进项目聚类算法构建聚类模型,根据聚类模型和相似性计算形成推荐候选空间,在线完成推荐。实验验证该算法能够有效改善推荐系统的推荐质量并大大提高推荐效率,同时在云环境中具有良好可扩展性。