Augmented context-based recommendation service framework using knowledge over the Linked Open Data cloud

This research proposes ACARDS (Augmented-Context bAsed RecommenDation Service) framework that is able to utilize knowledge over the Linked Open Data (LOD) cloud to recommend context-based services to users. To improve the level of user satisfaction with the result of the recommendation, the ACARDS framework implements a novel recommendation algorithm that can utilize the knowledge over the LOD cloud. In addition, the noble algorithm is able to use new concepts like the enriched tags and the augmented tags that originate from the hashtags on the SNSs materials. These tags are utilized to recommend the most appropriate services in the user’s context, which can change dynamically. Last but not least, the ACARDS framework implements the context-based reshaping algorithm on the augmented tag cloud. In the reshaping process, the ACARDS framework can recommend the highly receptive services in the users’ context and their preferences. To evaluate the performance of the ACARDS framework, we conduct four kinds of experiments using the Instagram materials and the LOD cloud. As a result, we proved that the ACARDS framework contributes to increasing the query efficiency by reducing the search space and improving the user satisfaction on the recommended services.     

计及Spark和属性权重的售电套餐推荐方法

针对电力市场用户群庞大，交易过程中售电套餐选择困难的问题，在Spark环境下设计了一种售电套餐推荐方法，同时也解决了售电套餐推荐过程中在大数据环境下的可扩展性及实时性问题。首先，计算出每个套餐属性的权重值，从而计算得到售电套餐综合相似度。然后，计及用户和套餐两方面提出一种售电套餐推荐方法，实现售电套餐的精准推荐。实验表明，提出的推荐方法能够明显提高推荐的准确度，并且在分布式环境下具有良好的推荐效率和可扩展性。     

Design and Characterization of a New pVII Combinatorial Phage Display Peptide Library for Protease Substrate Mining Using Factor VII Activating Protease (FSAP) as Model

We describe a novel, easy and efficient combinatorial phage display peptide substrate-mining method to map the substrate specificity of proteases. The peptide library is displayed on the pVII capsid of the M13 bacteriophage, which renders pIII necessary for infectivity and efficient retrieval, in an unmodified state. As capture module, the 3XFLAG was chosen due to its very high binding efficiency to anti-FLAG mAbs and its independency of any post-translational modification. This library was tested with Factor-VII activating protease (WT-FSAP) and its single-nucleotide polymorphism variant Marburg-I (MI)-FSAP. The WT-FSAP results confirmed the previously reported Arg/Lys centered FSAP cleavage site consensus as dominant, as well as reinforcing MI-FSAP as a loss-of-function mutant. Surprisingly, rare substrate clones devoid of basic amino acids were also identified. Indeed one of these peptides was cleaved as free peptide, thus suggesting a broader range of WT-FSAP substrates than previously anticipated.     

“锲而不舍 金石可镂”——上海秀派公司2．45GHz有源RFID标签技术的成功之路

上海秀派公司坚持自己的技术长项——2．45GHz有源RFID,充分发扬该种RFID的特长,记者采访该公司时了解到了开发方面的很多细节、成功案例和实施经验。我们不但非常推崇该公司的“锲而不舍”的意志,而且还意识到如果秀派公司的成功经验一旦辐射到中国的RFID行业中,一定会把这项在国外诞生的技术更好地植根于中国的土壤,使之更加适合中国的实用环境。     

一种动态Q值多标签识别算法的性能分析

EPCglobal组织发布的第二代超高频射频识别空中接口协议EPC-C1G2协议可同时识别多个标签,该协议采用时槽ALOHA算法来解决多标签识别时产生的碰撞问题。文章首先介绍了EPC-C1G2协议多标签碰撞解决所需的参数和命令,指出协议中的Q值决定了解决碰撞时所用的时槽数。时槽数越多,标签越不容易碰撞,但识别时间越长,因此,恰当地选择Q值可以在标签识别时间和识别标签数之间找到最佳点。文中同时给出了一种动态Q值算法,该算法可根据标签碰撞解决的实际情况动态调整Q值,使标签识别更高效。文章最后对这种多标签识别流程的性能进行了仿真分析。     

基于聚类分析的新书推荐

针对大多数图书馆管理系统中的个性化服务中的新书推荐只是定时将新到馆的图书罗列出来让读者浏览进行推荐,推荐效果差的问题。本文在比较三大常用的推荐技术的优缺点后,采用基于聚类分析的推荐算法推荐新书,并具体给出实现的方法。     

基于知识图谱的互补项目推荐

在缺乏用户交互互补项目方面数据的情况下,将用户对项目的偏好融合到只考虑项目关系的互补项目推荐中,提高推荐模型的性能。提出一种基于知识图谱的互补项目推荐方法,在用户历史交互项目集中推测用户交互的互补项目,基于知识图谱提取用户对互补项目的偏好,利用图像与文本学习项目之间的互补关系,最后基于神经网络实现二者的共同学习。提出的方法在Amazon数据集上与次优的基线方法相比,ACC提升了7%,precision提升了3%,这说明提出的方法性能优异。该算法共同学习用户对项目的偏好与项目之间的互补关系,提升了推荐性能。     

卷积融合文本和异质信息网络的学术论文推荐算法

针对交互数据稀疏和推荐多样性问题,基于卷积协同过滤推荐框架提出卷积融合文本和异质信息网络的学术论文推荐算法（WN-APR）。首先学习不同语义下用户和论文的多样化特征,缓解数据稀疏问题;然后基于外积设计不同语义特征相互增强的方式融合它们,并使用三维卷积神经网络代替二维卷积神经网络充分挖掘不同特征对性能的影响;最后改进贝叶斯个性化排序损失函数增强推荐多样性。在CiteuLike-a、CiteuLike-t数据集上的实验结果表明,相比于基线模型,WN-APR在准确率和多样性的四个指标上都有所提升。     

众筹项目推荐:面向隐式反馈的深度学习协同过滤

目前,在推荐系统研究中,用户的隐式反馈,以及极度稀疏的数据,已成为影响协同过滤推荐效果的主要问题.针对这一现象,本文提出了深度学习协同过滤算法,先利用卷积神经网络,对用户-项目矩阵的隐层特征进行学习,再结合协同过滤,对用户-项目的交互信息进行建模,并将两种特征融合预测推荐列表.以众筹平台的数据为实验对象,比较模型中各参数对推荐效果的影响,并设计与基线方法的对比实验.实验结果表明:均匀采集负反馈,并在一定卷积层数的网络中,数据稀疏度越高,效果越好;对比基线方法,本文提出的算法在公开数据集(Yahoo!Movie)上取得了最好的推荐结果.本文提出的算法有助于提高众筹平台的融资成功率,同时也丰富了推荐系统的研究体系.     

融合信任关系与评论文本的矩阵分解推荐算法

针对推荐系统中用户评分数据稀疏所导致推荐结果不精确的问题,本文尝试将用户评分、信任关系和项目评论文本信息融合在概率矩阵分解方法中以缓解评分数据稀疏性问题.首先以共同好友数目及项目流行度改进皮尔逊用户偏好相似程度并将其作为用户间的直接信任值,然后考虑用户间信任传播过程中所有路径的影响构建新的信任网络;其次通过BERT预训练(Pre-training of Deep Bidirectional Transformers for Language Understanding)模型提取项目的评论文本向量,构造项目的评论文本特征矩阵;最后基于概率矩阵分解(Probabilistic Matrix Factorization,PMF)模型融合用户的评分数据、用户的信任关系以及项目的评论文本信息进行推荐.通过不断的理论分析并在真实的Yelp数据集上进行实验验证,均表明本文算法的有效性.