基于半监督图聚类的项目主题模型构建方法

项目文档主题表征的好坏直接影响后续评审专家的推荐效果.为有效利用项目文档片段之间的关联关系进行项目主题分析,提出一种基于半监督图聚类的项目主题模型构建方法.该方法首先分析项目文档的结构特点,提取项目名称、项目关键字等能表征主题的结构信息,结合专家证据文档、专家主题关系网等能表征专家主题的外部资源,定义及提取项目文档片段之间的关联关系特征;然后,利用不同类型的关联关系计算项目文档片段之间的相关性,构建项目文档片段间的无向图模型;最后,利用已标记关联关系特征作为聚类的监督信息,采用半监督图聚类算法对项目文档片段进行聚类,从而实现项目主题的提取.项目主题提取对比实验结果验证了所提方法的有效性,项目文档结构化特征、专家证据文档以及专家主题关系网对项目主题模型的构建具有一定的指导作用.     

基于神经网络的用户视频评分自动获取方法

在未来的智能电视系统中,真正的智能视频推荐应该是不需要用户评分动作就能自动、准确地获得用户兴趣、爱好并做出推荐的系统。研究无评分动作约束下的用户评分(揭示了他们的兴趣和爱好)自动获取技术是真正的智能推荐必须解决的一个关键问题。给出了一种基于神经网络的用户视频隐性评分自动获取方法。基于用户视频观看行为与评分样本的实验结果表明,该方法可以有效地获取用户的隐性评分信息。     

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.     

基于改进权重增量Apriori算法的产品推荐方法

采用权重增量挖掘思想优化算法,为用户推荐个性化产品配置提供了有效的解决方案.方法主要主要分为3个部分,首先利用平台搭建起来的用户跟踪模块对用户行为进行跟踪和数据的收集;然后结合用户最近的行为习惯,使用基于权重增量的Apriori算法进行关联规则挖掘;最后根据挖掘出的结果完成产品推荐的过程.通过对挖掘算法的优化,大大提高了系统的运行效率和准确性,产品推荐随着用户行为的改变而改变,更加符合实际情况.实验结果表明,该算法可以有效解决产品推荐问题,相比于传统关联规则挖掘算法,准确率提高了4%.     

结合社交推荐和推拉策略的渐进式DVE预下载机制

为了提高基于对等网络的分布式虚拟环境(DVE)场景预下载的预测精度并降低场景数据传输延迟,将社交推荐和推拉混合策略应用到DVE场景预下载中.首先描述和量化节点化身在虚拟环境中的兴趣,并对化身间相似度进行计算,生成预推荐场景集;然后将化身的视野区域划分为预拉取和预推送区域,提出针对不同区域预下载的推拉策略.基于开源DVE平台FLo D进行的实验结果表明,该机制能提高场景的预测精度并减少信息交互次数,进而提升DVE场景传输效率和化身漫游流畅度.     

基于情境相似的知识个性化推荐系统研究

知识情境是知识创造和运用的具体环境和背景,融合知识情境的知识个性化推荐系统是提高知识重用效率和共享特性的重要手段。提出了在知识个性化推荐系统中添加知识情境,使用多层多维度建模方法构建知识情境模型,通过知识情境的相似性评估,将与当前目标情境相似度满足特定值的历史情境所关联的知识推荐给目标用户。实验表明,此方法一定程度上能提高知识个性化推荐的效率。     

协同过滤技术的改进研究

协同过滤算法应用于个性化推荐系统中取得了巨大成功,它是通过用户项目评分数据,以用户之间或者项目之间相互协作的方式来产生推荐。然而,邻居用户的相似度计算不精确一直是阻碍推荐系统推荐精度进一步提高的主要因素。从提高用户间相似度计算精度出发,提出了一种改进算法,该算法通过考虑不同特征、加强平均值影响、惩罚热门项目的比重,对用户的相似度计算方法进行改进,以期生成更加合理的邻居用户集,最后,根据评分预测公式进行预测,最终产生推荐。在MovieLens数据集上的实验表明,改进算法计算用户间的相似度更加精确,推荐算法的预测精确度有了显著提高。     

一种新的融合情景的美食推荐算法

针对传统协同过滤推荐算法不适用于情景因素,严重影响用户行为的这类场景,提出一种融合情景的推荐算法,并将该算法应用于美食推荐。首先,运用由情景属性构造向量表示情景,将情景信息作为一个重要因素添加到兴趣模型中,从而产生U-I-C兴趣模型。根据用户在不同情景下使用方式的不同,重新创建当前用户与各情景相对应的子用户,得到以情景作为标识的用户-项目评分矩阵。针对融合情景的兴趣模型易产生数据稀疏问题,设计利用改进的W-SlopeOne算法对未知评分进行填充;并通过对相似度公式进行优化,进而更加准确地找到当前用户的近邻,为用户提供更加有效的推荐服务。最后,通过实验验证该算法的有效性。     

一种基于项目属性评分的协同过滤推荐算法

协同过滤是电子商务推荐系统中应用最成功的推荐技术之一,但面临着严峻的用户评分数据稀疏性和推荐精度低等问题。针对数据稀疏性高和单一评分导致的推荐精度低等问题,提出一种基于项目属性评分的协同过滤推荐算法。首先通过均值法或缩放法构造用户-项目属性评分矩阵将单一评分转化为多评分;其次基于每个属性评分矩阵,计算用户间的偏好相似度,得到目标用户的偏好最近邻居集;然后针对每个最近邻居集,在用户-项目评分矩阵上完成对目标用户的初步评分预测;最后,将多个初步预测评分加权求和作为综合评分,完成推荐。在Movie Lens扩展数据集上的实验结果表明,该算法能有效提高推荐精度。     

一种属性和评分的协同过滤混合推荐算法

传统协同过滤推荐算法仅仅根据稀疏的评分矩阵向用户推荐,存在推荐质量不高的问题.提出了一种属性和评分的协同过滤混合推荐算法.该算法由项目的类别属性计算项目之间基于属性的相似性,考虑到用户兴趣随时间的变化,构建评分时间权重的指数函数,并应用到项目之间的Pearson相关相似性中.通过权重因子加权项目之间基于属性的相似性和项目之间的Pearson相关相似性,然后计算基于项目属性的评分预测.描绘职业分类树,构建职业相似性模型,并与性别加权结合产生用户综合属性的相似性,得到基于用户属性的评分预测.最后,综合两者计算混合评分预测.在Movielens实验数据集下,实验结果表明提出的算法具有较好的平均绝对误差.