改进邻居集合的个性化推荐算法

协同过滤算法是目前个性化推荐系统中应用最成功的推荐算法之一,但传统的算法没有考虑在不同时间段内寻找最近邻居问题,导致寻找的邻居集合可能不是最近邻居集合。针对此问题,提出一种改进邻居集合的个性化推荐算法。该算法赋予每项评分一个按时间逐步递减的权重,利用加权后的评分寻找目标用户的最近邻居。实验表明,改进的算法提高了推荐系统的推荐质量。     

智能制造系统的自组织单元结构研究

对于一个智能制造系统,系统单元结构的自组织能力是非常重要的。本文阐述了自组织系统在结构上应满足谐振,放大,反馈,非线形及低信息量来源这五个基本条件,利用智能工程中的集成智能单元,建立了具有自组织单元的基本结构,分析了自组织能力的实现原理,并提出了IMS自组织单元的基本结构,该结构具有良好的开放性,便于实现嵌套式建模,具有很强的知识库进化能力,并且能与其它系统集成。     

基于双向关联规则的网络消费者偏好挖掘研究

通过分析电子商务网站的 Web 服务器日志提取网络消费者的商品浏览行为信息,利用消费者的浏览频率、浏览时间、链接路径数及路径深度估计商品对网络消费者当前浏览期间偏好的影响权重.结合双向关联规则理论和 Apriori 算法挖掘具有相互依赖关系的商品,找出网络消费者的商品偏好浏览路径,根据消费者当前的浏览行为发现其可能感兴趣的商品,并进一步计算消费者对商品的偏好程度.最后利用自主开发的旅游电子商务网站的Web 日志数据进行仿真实验,挖掘网络消费者的旅游偏好.实验结果表明,在相同的实验条件下,与基于关联规则的偏好挖掘方法相比,基于双向关联规则的偏好挖掘方法的推荐精度增加,推荐覆盖率扩大.     

论人工智能对人类认识的影响

人工智能是二十世纪中叶出现的科学现象 ,它把人们从艰苦的脑力劳动中解放出来 ,实现脑力劳动的自动化。通过从人工智能研究的背景出发 ,分析了人工智能对人类认识产生的影响 :它扩大了人类认识的对象 ,加速了人们认识客观世界的进程 ,尤其是人类认识自身的标志     

论人工智能对人类认识的影响

人工智能是二十世纪中叶出现的科学现象，它把人们从艰苦的脑力劳动中解放出来，实现脑力劳动的自动化。通过从人工智能研究的背景出发，分析了人工智能对人类认识产生的影响：它扩大了人类认识的对象，加速了人们认识客观世界的进程，尤其是人类认识自身的标志。     

基于模糊规划的电子废弃物逆向物流网络设计

为了解决回收量不确定情况下的回收网络设计问题,构建了一个基于模糊规划的逆向物流网络模型.采用三角模糊数来描述回收量,利用模糊统计方法计算模糊参数的隶属度,把模糊机会约束清晰化,从而将模糊规划模型转化为确定性规划模型,采用传统求解算法和LING○9.0软件求解.以广西逆向物流网络设计为例,选择电视机、电冰箱、洗衣机、空调...     

教学研究型大学物流工程硕士课程设置探讨

物流工程硕士课程设置是其培养目标的具体表现形式,直接关系到物流工程硕士的培养质量.据此,提出教学研究型大学物流工程硕士课程设置前应进行培养目标定位,以遵循"加强基础,突出学生主体,强调系统,重视适应性和注重特色"为原则.通过对两所不同类型大学的课程设置的比较分析,认为教学研究型大学的物流工程硕士课程设置应结合实际情况,尽可能展现自身的优势.     

基于时间加权的个性化推荐算法研究

协同过滤算法是个性化推荐系统中应用最成功的推荐算法之一,但传统的算法没有考虑在不同时间段内寻找最近邻居问题,导致寻找的邻居集合可能不是最近邻居集合。针对这个问题,本文提出了基于时间加权的协同过滤算法。该算法赋予每项评分一个按时间逐步递减的权重,利用加权后的评分寻找目标用户的最近邻居。实验表明,改进的算法提高了协同过滤推荐系统的推荐质量。     

基于用户兴趣特征提取的推荐算法研究*

传统的推荐算法一定程度上降低了网络消费者的搜索成本,但难以实时提供消费者满意的推荐服务,也忽略了用户偏好动态转移性。为了提高电子商务系统的推荐质量,从用户偏好的行为特征入手,建立了网络用户的兴趣特征提取模型,并设计了相应的推荐算法。通过对用户兴趣特征提取模型的检验和用户兴趣度矩阵的建立,依据与目标用户偏好相似的邻居用户对商品的兴趣程度预测用户对未浏览商品的兴趣度,并选择兴趣度值较高的N个商品推荐给用户。实验结果表明,在用户偏好动态转移的情况下,所设计的推荐算法的推荐精度和推荐效率明显提高,提高了网络用户的     

基于双向关联规则项目评分预测的推荐算法研究

针对用户评分数据稀疏性问题,通过对事务数据库项目空间关联性分析,提出基于双向关联规则项目评分预测的推荐算法。算法利用双向关联规则挖掘事务数据库中相互关联的项目,找到目标项目的关联集,利用已评分项目初步预测用户对目标项目的偏好程度,最后结合协同过滤算法为用户提供推荐服务。实验结果表明,当置信度水平在60%～90%之间变动,支持度在5%～10%之间变化时,关联规则数目随着置信度和支持度水平的增加而逐渐减少,而推荐精度逐步提高。为了验证算法的有效性,选取置信度为80%以及支持度为7%与传统的推荐算法比较,所设计的算法能够较精确地找到目标项目的关联集,推荐精度和效率明显优于传统的推荐算法。