基于Hadoop及出租车历史轨迹的乘客推荐算法

针对智慧城市中乘客打车策略的推荐算法效率不高的问题,使用古典概率学统计历史轨迹中该时间该路段有空车的天数占数据集总天数比例,作为乘客等到空车概率;使用最小二乘法拟合时间与到达空车数曲线,预测乘客等到空车时间,以提高推荐效率。同时,使用Hadoop作为数据存储和计算平台以提高数据处理能力;提出一种基于地图栅格化的路网存储结构来提高搜索地图速度;改进一种基于计算几何的地图匹配算法提高匹配准确率。实验结果显示,空车概率推荐算法正确率约87%,等待时间推荐算法正确率达88.4%,表明挖掘轨迹数据为乘客提供推荐服务的可行性。     

基于用户偏好的信任网络随机游走推荐模型

为了提高推荐算法评分预测的准确度,解决冷启动用户推荐问题,在TrustWalker模型基础上提出一种基于用户偏好的随机游走模型——PtTrustWalker。首先,利用矩阵分解法对社会网络中的用户、项目相似度进行计算;其次,将项目进行聚类,通过用户评分计算用户对项目类的偏好和不同项目类下的用户相似度;最后,利用权威度和用户偏好将信任细化为不同类别下用户的信任,并在游走过程中利用信任用户最高偏好类中与目标物品相似的项目评分进行评分预测。该模型降低了噪声数据的影响,从而提高了推荐结果的稳定性。实验结果表明,PtTrustWalker模型在推荐质量和推荐速度方面相比现有随机游走模型有所提高。     

基于新颖性和多样性的旅游推荐模型研究

人们在旅游活动中经常会利用推荐系统,比如推荐路线、推荐酒店等等,然而这种推荐多数是基于Top-N的热门项目推荐,经常导致游客得到一些信息量为0的“精准推荐”。针对传统的推荐算法过于强调推荐的精准度导致推荐列表的新颖性和多样性差的问题,将MMR技术应用在旅游推荐领域,同时加入用户-项目交互因子,提出一种基于发现的用户项目关系推荐模型,并在真实的数据集上进行测试,通过实验结果,和传统的KNN以及改进前的基于MMR经典算法对比,有效提高了推荐列表的新颖性和多样性。在旅游推荐这种新颖性较高的应用领域,该算法相对于传统的推荐算法具有较大的优势。     

基于优化协同过滤与加权平均的群推荐方法

为面向群体用户提供推荐,提高群体用户的信息搜索效率,提出了一种新颖的基于优化协同过滤与中位数加权平均的群推荐方法,综合考虑了项目的评分相似性与类型相似性,通过集成项目相似性与用户相似性预测出群体用户对项目的评分;在集结群体用户评分时,采用基于中位数的加权平均集结策略消除个别用户评分差异过大带来的影响,综合考虑群体用户在评分过程中的作用。通过预测项目评分实验与集结用户评分实验,结果表明,用新方法得到的准确率均高于常用的传统方法,从而表明该方法是有效的。     

一种有效的API搜索算法

近年来程序库日趋复杂。当面对不熟悉的开发领域或者功能模块时,开发者通常需要借助搜索引擎或者查阅API文档的方式来选择合适的API来进行开发。然而传统搜索引擎的搜索结果过于碎片化以及API文档中检索的不便使得这一过程十分耗时。本文提出一种新的搜索算法,并根据该算法实现一个API搜索工具APIBook。APIBook能够根据用户对API功能的自然语言描述,结合软件库中API的语义信息、类型信息和调用情况,向用户推荐相关的API,并且给出API调用的代码示例。实验表明APIBook在API搜索上比传统的检索模型更加有效。     

基于E-learning 的资源推送服务与关键策略研究

各高校正在广泛使用各类E-learning 教学平台,平台中的学习资源日益增长。个性化的推荐服务遵循“以人为本”的思想,缓解了“信息过载”、“海量资源”与学习者个性化学习需求之间的矛盾。本文对基于E-learning 的资源推送的基本方式和关键策略进行了阐述,提出了基于E-learning的资源推送系统构建方案,以提高学习者的学习效率。     

新的基于多目标优化的推荐算法

针对目前推荐系统效率问题,采用线上、线下分离策略,构建一种新的推荐系统框架.针对推荐系统多目标性和目前众多推荐算法适应性局限等特性,采用混合策略,提出一种新的多目标推荐算法.首先,对多个推荐算法进行加权混合;然后,构建以权重序列为自变量,推荐评价指标F调和率、多样性和新颖度为目标函数的多目标优化模型;其次,采用SPEA2多目标优化算法进行优化求解;最后,基于用户的购物偏好和Pareto解集向用户有针对性地进行购物推荐.实验结果表明:新的推荐算法较子推荐算法在F调和率上持平,在多样性上提高了1%,在新颖度上提高了11.5%;多目标的各个Pareto解在解空间中分布形成了密集邻近的点曲线.该推荐算法能够满足不同购物偏好用户的推荐要求.     

面向社会化电子商务的信任感知协同过滤推荐方法

为提高社会化电子商务推荐服务的精确度和有效性,综合考虑交易评价得分、交易次数、交易金额、直接信任、推荐信任等影响社会化电子商务用户信任关系的因素,设计了一种信任感知协同过滤推荐方法.该方法利用置信因子计算用户间的信任关系,采用余弦相关度法计算用户间的相似度,引入调和因子综合用户信任关系和用户相似度对商品预测评分的影响,以平均绝对误差(MAE)、评分覆盖率和用户覆盖率作为评价指标.实验结果表明,与标准协同过滤推荐方法、基于规范矩阵因式分解的推荐方法相比,信任感知协同过滤推荐方法将MAE降低到0.162,并将评分覆盖率和用户覆盖率分别提高到77%和80%,能够解决交易评价较少商品的推荐问题.     

基于主题模型的个性化图书推荐算法

针对传统推荐算法精准度不高的问题,在潜在狄利克雷分布(LDA)主题挖掘模型的基础上提出了一种新的适用于图书推荐(BR)的数据挖掘模型——BR_LDA模型。通过对目标借阅者的历史借阅数据与其他图书数据进行内容相似度分析,得到与目标借阅者历史借阅图书内容相似度较高的其他图书。通过对目标借阅者的历史借阅数据及其他借阅者的历史借阅数据进行相似性分析,得到最近邻借阅者的历史借阅数据。通过求解图书被推荐的概率,最终得到目标借阅者潜在感兴趣的图书。特别地,当推荐数量为4000时,BR_LDA模型比基于多特征方法和关联规则方法精准度分别提高了6.2%、4.5%;当推荐数量为500时,BR_LDA模型比协同过滤的近邻方法和矩阵分解方法分别提高了2.1%、0.5%。实验表明本模型能够更准确地向目标借阅者推荐历史感兴趣类别的新图书及潜在感兴趣的新类别的图书。     

融入音乐子人格特质和社交网络行为分析的音乐推荐方法

为了可以实时推荐符合人们情感状态的音乐,提出了一种融入音乐子人格特质的社交网络行为分析的音乐推荐算法,该算法通过分析用户发表在微博等社交媒体上的状态,计算用户在该情感状态下对音乐的偏好程度;选择在该情感状态下音乐偏好相似的最近邻用户,最后融入音乐子人格特质进行偏好度计算,为用户推荐最适合其情感状态的音乐。实验结果表明,该算法可以缓解用户数据稀疏性对推荐结果的影响,能够提高推荐系统的推荐质量。