一种基于隐语义概率模型的个性化Web服务推荐方法

为了满足Web服务使用者的个性化需求,提出了一种基于隐语义概率模型的用户指标偏好预测方法,用于个性化Web服务推荐.首先,引入两个决定用户指标偏好的关键因素:用户以及用户所处的服务情境,隐语义概率模型借助隐含类别建立用户指标偏好、用户及服务情境三者之间的隐含语义依赖关系,并且为描述用户、服务情境、指标偏好多方面的特征,允许这三者可同时以不同的概率隶属于多个隐含类别;然后,将期望极大(expectation maximization,EM)算法运用于由层次分析法获得的训练数据,以估计隐语义概率模型的参数;最后,使用该模型预测用户在特定服务情境下的指标偏好.隐语义概率模型与标准的基于内存的协同过滤以及基于聚类改进的协同过滤相比,不仅具有明确的数学模型,而且实验结果表明,隐语义概率模型对用户个性化指标偏好的预测精度最高,同时可以缓解数据稀疏性带来的不良影响.     

基于区块链的分布式激励机制研究

激励机制广泛应用于群智感知、P2P视频点播、机会网络等场景中,是提升信息网络服务质量与效率的关键。现有的激励机制通常依赖于类似银行的可信中心,但可信中心因其管控不透明、易受攻击等特征而存在系统信任缺失和隐私泄露问题。基于区块链的激励机制可作为上述问题的解决方案,区块链具有去中心化、开放性、不可窜改、匿名性等特征,可在互不了解的多方间建立可靠的信任关系,而且基于区块链的密码货币获得现实世界广泛的关注和认可。介绍区块链技术及密码货币差异;然后总结基于区块链的激励机制研究现状,包括激励机制交易形式、激励机制分类和激励机制评价标准;最后对现有激励机制进行总结和展望。