基于深度学习的Java课程思政资源个性化推荐系统研究

常规Java课程思政资源个性化推荐系统的推荐效果不佳，因此提出基于深度学习的Java课程思政资源个性化推荐系统。首先设计资源存储器和资源处理器等系统硬件，其次基于深度学习算法构建个性化推荐模型，最后结合数据库及课程资源管理模块完成系统软件设计。测试结果表明，设计的系统能够实现课程资源的个性化推荐，推荐资源与用户需求资源之间的适配度更高。     

基于数据挖掘的电池信息推荐系统研究

随着大数据的不断发展,基于数据挖掘的应用越来越广泛。通过对信息推荐系统的理论和技术问题进行研究,构建了基于数据挖掘环境下的电池信息推荐系统。利用数据挖掘技术研究信息推荐系统,解决Internet环境中信息资源系统的信息过载问题,为不同用户提供个性化的推荐服务,使用户具有更方便、有效的信息体验方式。     

服务器日志挖掘在电力业务系统功能推荐中的应用

提出了一种基于服务器日志挖掘的电力业务系统功能推荐服务,首先从电力业务系统服务器日志中获取用户日志数据,然后对含有"脏"数据的用户日志数据进行预处理,以适应数据挖掘与处理;接着由待处理的数据计算用户访问兴趣度,并基于改进的K均值聚类算法将用户访问兴趣度数据集划分为多个具有相近兴趣度的用户集合,最终为用户提供功能个性化推荐服务.实验结果证明该方法在实现电力业务系统信息推荐方面具有较好的效果.     

基于数据挖掘的秦岭北麓西安段古村镇旅游智能推荐系统设计

为了促进智慧旅游建设，保证旅游系统能够为用户提供个性化服务，以秦岭北麓西安段古村镇旅游为例，基于数据挖掘技术设计一种旅游智能推荐系统。从规模、优越度与聚集度三方面挖掘该地旅游资源空间分布特征；将用户对视频、图片、文本三种类型旅游信息浏览时间的加权平均值作为兴趣度函数，确定每个古村镇的用户兴趣度；将感兴趣的景点保存到相同集合中，通过规则匹配，实现智能推荐；分别设计图形用户界面、智能分析与智能推荐服务模块，完成系统整体设计。仿真实验表明，该系统可实现旅游个性化智能推荐，提高用户满意度。     

基于大数据分析的中医药信息个性化推荐系统

为解决中药智能推荐存在的稀疏性和扩展性问题，设计基于大数据分析的中医药信息个性化推荐系统。首先采集患者中药历史用药数据，并保存到存储器当中，利用处理器运行改进后的协同过滤算法，检索相关中医药信息，最后将结果反馈给目标用户，实现针对目标用户的个性化推荐。结果表明：设计系统的推荐覆盖指数较高，说明稀疏性问题得到了改善，提高了个性化推荐质量；随着最近邻居个数增加，系统中改进后个性化推荐算法的执行时间复杂度减小，说明扩展性问题得以改善。     

基于K-Means聚类的思政教育资源个性化推荐

思政教育可以体现中国特色社会主义本质要求，因此研究基于K-Means聚类的思政教育资源个性化推荐方法。首先，根据两组相邻用户之间的共同喜好，划分思政教育资源个性化推荐等级。其次，选择协同过滤算法归一化样本数据，计算相似度制定用户偏好，构建思政教育资源推荐模型。最后，基于K-Means聚类算法给定目标函数，建立个性化推荐流程，实现思政教育资源推荐，完成方法设计。实践表明，该方法既能够满足思政教育资源的匹配，又能够保证用户对思政教育资源的喜爱程度，具有实际的应用效果。     

协同过滤推荐系统综述

随着互联网和信息计算的飞速发展,衍生了海量数据,我们已经进入信息爆炸的时代。网络中各种信息量的指数型增长导致用户想要从大量信息中找到自己需要的信息变得越来越困难,信息过载问题日益突出。推荐系统在缓解信息过载问题中起着非常重要的作用,该方法通过研究用户的兴趣偏好进行个性化计算,由系统发现用户兴趣进而引导用户发现自己的信息需求。目前,推荐系统已经成为产业界和学术界关注、研究的热点问题,应用领域十分广泛。在电子商务、会话推荐、文章推荐、智慧医疗等多个领域都有所应用。传统的推荐算法主要包括基于内容的推荐、协同过滤推荐以及混合推荐。其中,协同过滤推荐是推荐系统中应用最广泛最成功的技术之一。该方法利用用户或物品间的相似度以及历史行为数据对目标用户进行推荐,因此存在用户冷启动和项目冷启动问题。此外,随着信息量的急剧增长,传统协同过滤推荐系统面对数据的快速增长会遇到严重的数据稀疏性问题以及可扩展性问题。为了缓解甚至解决这些问题,推荐系统研究人员进行了大量的工作。近年来,为了提高推荐效果、提升用户满意度,学者们开始关注推荐系统的多样性问题以及可解释性等问题。由于深度学习方法可以通过发现数据中用户和项目之间的非线性关系从而学习一个有效的特征表示,因此越来越受到推荐系统研究人员的关注。目前的工作主要是利用评分数据、社交网络信息以及其他领域信息等辅助信息,结合深度学习、数据挖掘等技术提高推荐效果、提升用户满意度。对此,本文首先对推荐系统以及传统推荐算法进行概述,然后重点介绍协同过滤推荐算法的相关工作。包括协同过滤推荐算法的任务、评价指标、常用数据集以及学者们在解决协同过滤算法存在的问题时所做的工作以及努力。最后提出未来的几个可研究方向。     

基于SNS的图书推荐系统研究与实践

为提高信息服务质量,数字图书馆可利用推荐系统为用户寻找文献资源带来便利,并提高图书资源利用率。传统的推荐算法面临数据稀疏等问题时有其局限性。针对此问题,提出并实现一个基于社会网络软件的图书推荐系统,系统应用三种个性化图书推荐算法,能够充分挖掘用户数据,建立准确的用户兴趣模型并推送良好的图书推荐结果。数据分析结果表明,引入额外的社会关系数据有助于提升图书推荐系统的性能。     

中国移动用户数据分析推送平台的设计与实现

基于海量用户信息空间分析出用户的个性化需求,有针对性的服务推送难度越来越大。针对这种情况,提出了一种智能化信息服务系统,通过用户建模技术对用户的个性化信息需求进行描述,并根据用户模型推送有针对性信息的定制服务。首先,建立客户画像的维度并利用画像数据进行数据挖掘,采用关联分析算法对移动客户感兴趣的网络内容进行统计计算,找出移动客户访问网络内容的潜在规律,然后,根据软件工程思想,对系统进行了详细的模块设计,主要对系统的数据挖掘模块及关联分析算法进行了实现,最后,完成了整个系统的部署和测试。实验结果证明,基于中国移动用户数据的分析推送平台,为用户提供更加精准的个性化信息推送服务,适应移动互联网信息服务的发展趋势。     

基于数据挖掘的Web个性化信息推荐系统

基于数据挖掘的Web个性化信息推荐日益成为一个重要的研究课题。文章设计了一个基于数据挖掘的Web个性化信息推荐系统(WPIRS)。在WPIRS中,提出了推荐策略,在推荐策略中考虑针对不同类型的用户采用不同的推荐算法。根据用户是否有新颖信息的需求,WPIRS采用了两种推荐算法。     

海量学术资源个性化推荐综述

进入大数据时代,信息超载是互联网用户面临的一个严重的问题,个性化推荐是解决此问题的一个非常有潜力的办法。在学术领域,学术资源个性化推荐是解决信息超载的有效途径,其为用户推荐符合其兴趣的个性化学术信息。从个性化推荐过程的用户建模、推荐对象建模和推荐策略等三个模块角度对现有学术资源个性化推荐研究进行了探讨。针对目前广泛应用的学术资源个性化推荐方法,包括基于内容的推荐、协同过滤推荐和基于网络结构的推荐等,总结其研究的关键点和存在问题,并对学术资源个性化推荐的研究趋势进行了预测。     

基于协同过滤的高校思政课程资源个性化推荐方法

传统方法在高校思政课程资源个性化效果不佳，无法满足用户精度与速度需求。因此，提出基于二元组构建思政课程资源网络，更新学习兴趣节点关键词权重，挖掘兴趣特征，用协同过滤技术分析思政课程资源学习兴趣与课程资源相似度，生成个性化推荐思政课程资源，完成基于协同过滤的高校思政课程资源个性化推荐。实验证明，设计方法 F1值在0.9以上，推荐时间在1 s以内，具有较好的性能。     

采用反馈机制的自适应Web推荐系统

Web服务的初衷是能让用户能够快捷方便地找到自己需要的资源，但是当前过量的网络资源反而增加了用户的麻烦。于是出现了结合用户对Web使用的数据挖掘应用的Web推荐系统。在传统Web推荐系统的基础上引入了反馈机制。使推荐系统在线给用户提供推荐功能的同时，对自身的推荐机制改进，更体现了个性化服务的灵活性。     

基于内容与协同过滤的混合推荐算法在数字科技馆中的应用

推荐系统作为一种筛选信息的工具，可以更加有效地解决“信息过载”问题，以个性化的方式提供满足用户需求的内容。本文根据基于内容的推荐算法和基于用户的协同过滤算法优缺点，将两种算法相结合，构建出基于混合算法的推荐系统，改善了数据稀疏性问题。具体介绍了混合推荐系统的设计思路和实现方法，在中国数字科技馆网站建设中进行应用。解决了网站科普资源个性化匹配不精准、优质资源曝光度不够等问题。     

基于数据挖掘技术的医学线上教学效果评估系统设计

传统教学效果评估系统缺乏对医学线上教学潜在评估数据的应用，造成教学评价数据统计不全面，为此设计基于数据挖掘技术的医学线上教学效果评估系统。硬件方面，使用网络附属存储（NetworkAttached Storage,NAS）文件存储器和数字信号处理器芯片作为硬件主体；软件方面，设计信息采集与编辑模块，使用数据挖掘技术对采集的信息实施挖掘处理得到潜在评估信息，参考潜在评估信息和评估标准对教学效果进行评估，根据审核结果对教学效果进行统计分析，最后输出教学评估分析图表。测试结果表明，系统各项性能良好，可以实现对医学线上教学效果的准确评估。     

基于Linux的多服务器NC环境中系统监控的设计

主要论述由多服务器组成的大规模网络计算机环境中系统监控的设计，以及在此基础上实现的RTM系统。RTM系统主要包括3个模块：监听模块，通信模块和管理模块，实现了对所有服务器上登录的用户会话和启动的应用进程进行管理以及对服务器上的系统类资源进行监控。     

基于数据挖掘的测量学课程思政教学资源个性化推荐方法

由于缺乏对学习者的有效分析,现有教学资源个性化推荐方法的推荐结果命中率较低,推荐效果不佳,为此,提出基于数据挖掘的测量学课程思政教学资源个性化推荐方法研究。将学习者在学习过程中行为数据作为兴趣提取的基础数据,深度挖掘其产生的资源评价、资源浏览、资源收藏、资源下载等行为的分布情况,采用“隐式”评分处理的方式将其量化,再通过汇总分析的方式确定具体的兴趣倾向。将相同兴趣群体学习测量学课程思政教学资源的并集作为推荐的基础数据源,对应推荐的顺序以有效学习频次作为标准。在测试结果中,命中率、平均倒数排名、归一化折损累计增益对应的区间范围分别为18.33～21.89、1.82～2.03、4.42～4.87,具有较高的有效性。     

隐式反馈场景中结合信任与相似度的排序推荐*

推荐系统作为解决信息过载问题的有效工具,能通过海量历史行为数据挖掘用户偏好,为其提供个性化推荐服务。针对如何利用隐式反馈数据实现个性化推荐进行研究,提出了一种结合信任与相似度的排序模型TSBPR。首先计算受信度与相似度的混合权重取代二值信任关系,初始化新用户信任列表实现将新用户连接进信任网络,其次利用邻居的特征及信任矩阵修正目标用户的特征矩阵解决信任传递问题,最后通过在贝叶斯排序模型(Bayesian Personalized Ranking,BPR)中引入重新构建的信任模型及用户特征得到优化的模型参数并生成最终的项目排序列表。通过实验仿真,证明了TSBPR模型可以提高推荐性能和有效解决冷启动问题。     

个性化影片推荐系统中用户模型研究

个性化影片推荐服务是解决目前网络视频服务中影片资源迅速增长,用户"信息迷航"的有效方法.针对影片点播应用,给出个性化影片推荐服务系统的架构,根据用户点播历史记录即可实现与用户当前兴趣相关的影片推荐.提出基于本体论的影片模型,该模型有效保存了影片中与用户点播相关的信息,并在此基础上提出新的用户兴趣偏好学习算法,建立用户兴趣偏好模型.实验结果表明,基于影片本体论模型的推荐效果与传统方法相比,具有更高的准确率.     

电影推荐系统的设计与实现

采用Python作为主要开发语言,利用Scrapy抓取电影信息作为基础数据集,设计实现了一个电影推荐系统。该系统采用基于用户的协同过滤算法实现电影推荐,并包括以下几个主要功能:用户注册、用户登录、电影大厅(提供电影筛选服务)、标签管理、电影的个性化推荐、影评、详细影片信息查看、个人喜好列表维护、个人信息修改等,为用户提供个性化的电影推荐服务。