一种基于增强图卷积神经网络的协同推荐模型

图卷积神经网络是一种针对图结构数据的深度学习模型,由于具有强大的特征提取和表示学习能力,它也成为当前推荐系统研究的热门方法.以推荐系统中的评分预测为研究对象,通过分析指出了现有的基于图卷积神经网络的推荐模型存在2个方面的不足：图卷积层仅仅利用了1阶协同信号和未考虑用户观点的差异.为此,提出一种端到端的、基于增强图卷积神经网络的协同推荐模型.它采用一种增强的图卷积层,不仅聚合了2阶协同信号而且融合用户观点的影响,从而更合理地利用协同信号学习实体节点的嵌入表示,并通过堆叠多个图卷积层对其进行精化;最后,采用了非线性的多层感知机实现评分预测.基于5种推荐数据集上的实验结果表明：新模型的预测误差相比于几种主流的推荐模型具有明显的降低.     

一种基于改进的层次聚类的协同过滤用户推荐算法研究

为了降低组用户推荐的计算时间,提出了一种改进的层次聚类协同过滤用户推荐算法。由于数据的稀疏性,传统的聚类方法在尝试划分用户群时效果不理想。考虑到传统聚类算法的聚类中心不变组内用户间相关度不高等问题,将用户进行聚类,然后按照分类计算出每个用户的推荐结果,在进行聚类的同时充分利用用户间的信息传递来增强组内用户的信息共享,最后将组内所有的用户的推荐结果进行聚合。最后仿真实验表明,本方法能够有效地提高推荐的准确度,比传统的协同过滤算法具有更高的执行效率。     

基于协同推荐的高校个性化图书推荐系统

为了提高高校图书馆的图书借阅率,满足学生读者的个性化需求,本文设计了基于协同推荐的高校个性化图书推荐系统。系统使用java开发的B/S体系结构,采用基于用户的相似性的协同过滤推荐算法实现图书推荐。     

一种改进的Slope One协同过滤算法

相对传统的基于用户项目评分的协同过滤算法,Slope One算法简单、高效。但该算法依赖于大量用户对待预测项目的评分,如果对预测项目评分的用户较少,没有考虑用户本身的喜好,将对评分预测的结果有影响。因此,引入描述关键字的语义相似度,利用关键字相似性度量项目间的相似程度,并结合该用户对其他项目的评分,提出一种基于项目语义相似度的改进Slope One算法,并在标准的MovieLens数据集上进行预测实验。实验数据表明,相对于原算法,改进的算法在一定程度上提高了预测的准确性。     

一个移动应用个性化集成框架的研究及其在Android平台的实现

随着互联网和智能手机的日益普及,移动应用数量呈现爆炸式增长,海量的移动应用既是机遇也是挑战。从开发者角度看,基于大量的已有移动应用快捷构造新的移动应用成为了可能,但当前大部分的开发工具对移动应用集成的支持仅停留在应用编程接口和底层运行机制上,尚未出现更高层次的面向执行流程的集成支持;从用户角度看,从众多移动应用中选择符合自己个性化需求的应用成为了可能,但目前大量的移动应用推荐系统集中在单个应用的个性化推荐问题上,未见面向用户个性化需求的移动应用执行序列推荐方法。为此,提出一个移动应用个性化集成框架,主要包括:1)定义了一套意图流程描述执行语言,以便开发者从更为自然的执行流程角度完成新移动应用的构造;2)给出了一个移动应用序列偏好度预测算法,用于解决移动应用执行序列的个性化推荐问题。在当前典型的移动应用平台Android上,实现了相应的移动应用个性化集成开发工具和运行支撑机制,并通过实例初步验证了上述方法的合理性。     

一种基于特征表的协同过滤算法

协同过滤是迄今为止最成功的推荐系统,它可以产生高质量的推荐,但是其性能随着客户和产品数目的增加而下降.提出了一种基于特征表的协同过滤算法,该算法首先将原始数据划分成若干个特征集,然后通过建立特征表而避免顺序扫描.在真实数据集上的实验表明该算法对推荐系统的可伸缩性和推荐质量都有较大的提高.     

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。     

一种基于信任的协同过滤推荐模型

传统的协同过滤推荐技术主要基于用户-项目评价数据集进行挖掘推荐,没有有效地利用用户通信上下文信息,从而制约其进一步提高推荐的精确性。针对传统协同过滤推荐算法存在的推荐精度不高的弊端,在协同过滤算法中融入通信上下文信息,引入了通信信任、相似信任和传递信任三个信任度,并提出了一种基于信任的协同过滤推荐模型。通过公开数据集验证测试,证明提出的推荐算法较传统的协同过滤推荐技术在推荐准确性上有较大提高。     

基于用户评分和评论信息的协同推荐框架*

用户的反馈通常包含一个数值评分和一段文本形式的评论.文中利用用户评论学习商品特征在不同主题上的分布及用户对商品不同特征的偏好程度,把商品特征和用户偏好的契合度引入传统的协同过滤算法中,提出基于用户评分和评论信息的协同推荐框架.使用该框架可较方便地将用户评论信息引入到现有的协同过滤算法中.通过引入用户评论信息,可一定程度缓解传统协同过滤算法面临的数据稀疏性问题.在22个亚马逊的真实数据集上的实验证明文中方法的有效性.     

一种基于改进信息熵的协同过滤算法

协同过滤算法是个性化推荐中应用最成功的技术之一,计算用户间的相似性是协同过滤算法的关键。而传统的相似性度量方法在数据稀疏和小用户交集时性能严重下降,因此本文提出了一种基于改进信息熵的相似性度量方法(NWDE),充分考虑了数据稀疏环境的特点,在计算用户间的相似性时综合考虑了用户间的交集大小以及评分差异的大小,使其得分更加真实。实验结果表明,在数据稀疏和小用户交集的情况下,该算法的推荐精度比传统方案取得了显著的改善。     

基于Android的校园通APP开发

新生入学往往伴随着对于陌生环境不熟悉的迷惘,为了解决这一问题,设计并实现了基于Android的“校园通”APP。系统主要包括学校生活、游玩武夷、出行指南等功能模块,旨在帮助新生尽快融入校园生活,构建一个帮助新生适应大学生活,实时为大学生推送个性化信息的平台,可有效地提高入校新生的学习和生活质量。     

一种基于分类的协同过滤算法

协同过滤技术是当前研究的热点.本文简单地介绍了基于最近近邻法协同过滤算法,针对其不足,提出了一种基于分类的协同过滤算法,并在算法中引入用户权威性来衡量用户评价资源客观性和准确性,使用户推荐更符合"邻居"的需求,进而增强协同过滤推荐资源的准确性.     

一种基于TriBus的软件集成框架

文中提出了一种面向领域的软件体系结构类型。这种体系结构类型定义了过程、对象和Ａｇｅｎｔ３种软构件类型,设计了一种称为ＴｒｉＢｕｓ的软总线或连接器,规定了不同类构件之间通过ＴｒｉＢｕｓ泊单向引用关系和同类构件之间的双向引用关系,并给出了这种软件体系结构类型在计算机辅助协同设计领域的应用实例。     

一种基于移动网络的协同虚拟环境

移动协同虚拟环境(MobileCVE)是以移动网络为支撑、运行于移动设备上、强调用户沉浸式参与的协同虚拟环境。针对移动设备和移动网络的若干制约,该文提出一种MobileCVE框架模型,它以计算机为服务器,利用计算机的计算和存储优势以及互联网的资源优势以弥补移动端的不足,同时保留了移动设备移动、便携的优点。探讨了该框架下的数据组成、关键技术和协同类型,并开发了一个原型系统。     

一种优化的K最近邻协同过滤算法

协同过滤技术被成功地应用于个性化推荐系统中。限制协同过滤算法使用的主要问题是稀疏性和可扩展性。本文提出了一种优化的KNN协同过滤算法,通过引入传递关联。近邻预选择以度用户权威性来解决这两个问题。为了评估算法的有效性,我们用从Movielens上采集的数据进行了实验。实验结果表明改进后的算法不仅提高了推荐精度,同时缩短了产生推荐的时间。     

一种融合多种用户行为的协同过滤推荐算法

协同过滤作为目前应用最成功的个性化推荐技术,在电子商务、社交网络等领域得到了广泛应用。然而,当此类算法应用到个性化医疗推荐领域时,由于个人医疗行为本身的复杂性和多样性,出现了推荐准确率下降的问题。针对这一问题,提出一种融合多种用户行为的协同过滤推荐算法,使用权重因子来综合衡量不同用户行为对推荐质量的影响,并引入重合依赖度的概念来修正传统的相似度度量方法。在收集的Top-md数据集上的实验结果表明,该算法能够全方位表达用户的就医偏好和意愿,有效提高个性化医疗推荐系统的推荐质量。     

一种基于特征模型和协同过滤的需求获取方法

随着互联网和Web服务相关技术的快速发展,基于互联网进行软件开发越来越受到软件开发从业者的青睐.软件开发是一种多知识密集型过程,其中需求获取对软件系统的成功具有关键作用.基于互联网的软件需要满足大量地理位置各异、类型不同的客户需求,这增加了需求获取的难度;与此同时,互联网上相似类型的软件众多,这些具有大量相似功能的软件为软件需求获取提供了新的途径.为此,已有研究将推荐系统引入到软件需求获取过程中,借助于已有相似软件需求描述,为新软件推荐合适的缺失特征.为了提高推荐系统在软件需求预测和辅助获取过程中的准确率,提出了FM_KNN算法,利用特征模型中的特征类型以及特征间的关联关系,结合KNN(K-nearest neighbors)协同过滤推荐系统进行辅助需求获取.通过在真实数据集和仿真数据集上的实验和分析,验证了所提方法在预测准确率上具有更好的效果,从而为需求获取提供更好的支持.     

基于时间加权的协同过滤算法

协同过滤是个性化推荐系统中采用最广泛的推荐技术,但已有的方法是将用户不同时间的兴趣等同考虑,时效性不足。针对此问题,提出了一种改进的协同过滤算法,使得越接近采集时间的点击兴趣,在推荐过程中具有更大的权值,从而提高了推荐的准确性。