情感分析在电影推荐系统中的应用

基于用户的协同过滤推荐算法是通过分析用户行为寻找相似用户的集合,其核心是用户兴趣模型的建立以及用户间相似度的计算。传统的用户推荐算法是根据用户评分或者物品信息等行为数据进行个性化推荐,准确率比较低。充分考虑在线评论对于用户之间兴趣相似度的作用,通过对评论的情感分析,构建准确的用户兴趣模型,若用户在评论中表现出来的相似度越高,则表示用户之间的兴趣越相似。实验表明,和传统的基于用户的协同过滤推荐算法相比,基于评论情感分析的协同过滤推荐算法,无论准确率还是召回率都有明显提高。     

一种基于用户交易行为的隐语义模型推荐算法

通过分析目前推荐技术在电子商务系统中的应用优势,并针对当前产品交易系统的无评分、产品量大和难以分类等现状与问题,设计了一种基于用户交易行为的隐语义模型推荐算法。该算法从用户的隐式交易行为出发,采用隐语义模型推荐算法,构建用户-产品兴趣模型,并加入K均值算法划分隐式特征聚类。实验验证表明,该算法在满足用户的个性化需求的同时,可提高电子商务系统的产品推荐效率。     

基于兴趣标签的个性化新闻推荐系统

随着互联网的飞速发展所带来的“信息过载”问题使准确的新闻推荐技术变得越来越重要。提出基于兴趣标签的个性化新闻推荐系统,利用Hadoop大数据平台,采用基于项的协同过滤算法,通过收集用户的浏览记录和兴趣标签,挖掘用户的主题兴趣,建立用户的兴趣模型,提高个性化推荐系统的准确性和可扩展性,具有良好的推荐效果。     

基于用户兴趣变化融合的个性化推荐模型

移动互联网的发展带来了大量的应用,提供个性化服务和个性化推荐是解决用户“应用迷航”的有效手段,针对与某电信运营商“游戏”应用平台类似的应用商店领域,提出了一种融合的个性化推荐解决方案.该方案通过对用户行为日志的分析生成用户的兴趣偏好模型,同时引入时间因子反映用户兴趣的漂移,将基于用户偏好分析的推荐方法与基于物品的协同过滤算法相结合形成了融合的个性化推荐模型.实验对比结果表明,该模型避免了两算法之不足,发挥了两算法的优势,有效地提高了该应用平台的综合推荐性能.     

基于神经网络模型的个性化服务研究

由于Web上信息的异构性、多样性和动态性,互联网也带来了所谓的"信息过载"和"信息迷向"的问题,个性化服务系统按照特定的用户群体和个人的需求定制服务的内容和表现,可以预测用户的需求,提供主动服务,其基本原理就是根据对各个用户不同的兴趣描述,通过相应的推荐算法为用户提供符合其兴趣的信息.待用户兴趣特征确定后,就可以建立用于个性化网页推荐的用户神经网络模型,向用户推荐个性化网页.     

一种综合LBS和社会网络标签的个性化推荐方法

针对现有的基于LBS(Location Based Service)个性化推荐系统在构建用户兴趣模型时存在的缺陷,提出一种综合LBS和社会网络标签的个性化推荐(LTCF)方法。通过引入网络标签和用户社会关系,从用户标注的标签资源中找到拥有共同兴趣爱好的用户关系以及从社会网络中找到与目标用户关系紧密的用户,同时结合考虑用户兴趣爱好随空间不断变化的特点,依据协同过滤算法,计算用户社会关系度和用户空间相似性,依此得到目标用户的最近邻集合,在最近邻集基础上给出推荐结果。实验结果表明,相比于传统的基于LBS推荐方法,LTCF模型在查全率和产准率有了显著的提升,能更好地反映出用户偏好,显著提高了推荐准确度。     

基于用户兴趣三维建模的个性化推荐算法

针对推荐系统中用户的个性化需求,提出一种基于用户兴趣三维建模的个性化推荐算法.通过分析用户行为数据,从兴趣广度、兴趣深度和兴趣时效3个角度分析用户的兴趣构成,对用户兴趣进行三维建模,并在此基础上,逐步添加维度,设计用户之间兴趣相似度的三级计算方法.在真实推荐系统数据集上的实验结果表明,用户兴趣三维模型比一维模型、二维模型更能准确地表征用户兴趣,基于用户兴趣三维建模的个性化推荐算法能够提高个性化推荐的准确率.     

一种基于用户行为的兴趣度模型

个性化推荐技术在电子商务系统中得到了广泛应用。针对现有的用户模型不能根据用户自身兴趣实现推荐的问题,提出了一种基于用户行为的兴趣度模型,分析用户的行为模式,结合用户的浏览内容,发现用户兴趣。在此基础上采用期望最大化算法实现用户聚类,将用户划分到对应的簇,创建用户的兴趣度模型,从而向用户进行个性化推荐。实验对比结果表明,该模型能更好地发现用户当前的购买兴趣,从而进一步提高个性化推荐精度和用户满意度。     

基于本体用户兴趣模型的个性化推荐系统

针对传统个性化推荐系统用户兴趣模型创建和更新的不足,无法准确地感知用户特定背景下的语义信息和用户兴趣随着时间的变化,基于用户兴趣本体提出一种新用户兴趣模型,并通过激活扩展理论描述该用户兴趣模型的更新算法。同时,改进了推荐算法,结合协同过滤进行个性化推荐。实验结果表明,该模型能够有效反映用户兴趣,新的推荐算法在MEA、多样性、冷启动处理、稳定性方面都具备很高的性能。     

基于旅游用户数据和评论的推荐系统的设计

随着国民生活水平的提高,旅游业蓬勃发展,旅游业与互联网的结合促进了在线旅游业的形成,也就是当代所说的"智慧旅游"。用户可以通过互联网了解各种各样的旅游信息,但是,日趋严重的过载旅游数据现象让旅游商们难以准确的挖掘出符合用户兴趣的个性化旅游信息,推荐出一个智慧的旅游路线更是如同大海捞针,而旅游推荐系统是解决这一问题的关键技术。本文基于个性化推荐算法的研究,将用户信息,用户评论,用户行为,用户历史订单,用户未来订单等多项数据作为算法的训练测试集,对功能性需求进行分析,开发了基于用户数据的推荐系统。     

时间加权的混合推荐算法

提出了一种基于时间加权的混合推荐方法。该方法分为离线和在线两个阶段,离线阶段根据目标用户对物品的评价等信息得到与目标用户有相似兴趣的邻居,并构建物品描述模型;在线阶段根据目标用户和邻居用户的评价行为构建用户描述模型。由于用户兴趣会随外部因素而产生概念漂移,因此在算法中引入衰减系数以提高推荐质量。在滑动窗口模型下,每隔一定时间间隔,更新用户模型和相似群组,产生个性化的推荐。实验结果表明,该算法能实时反映用户兴趣,提高推荐系统的准确率,有较高的用户满意度。     

基于多变量Probit回归的用户兴趣挖掘方法

用户兴趣挖掘一直是很多领域的基础问题,例如推荐系统、个性化检索和在线广告。一个用户在Internet或现实生活中的历史行为虽然能反映用户的兴趣,但是如果用户第一次使用网络,因为缺少历史行为信息,系统很难获得用户的兴趣。为解决无法获取新用户兴趣的问题,本文提出一种基于多变量Probit回归的用户兴趣挖掘方法。采用马尔科夫链蒙特卡洛(MCMC)方法估计模型的后验分布。通过合成数据与豆瓣明星对电影的兴趣验证模型的性能,结果表明所提出的方法能够有效地预测冷启动用户的兴趣。     

基于多重图排序的用户冷启动推荐方法

为使用户-物品评分、社会网络和社会化标签等异构信息融合到协同过滤推荐方法的最近邻寻找过程中,弥补冷启动用户单一维度信息的不足,提出一种多重图排序的冷启动推荐方法。通过分析用户之间可能存在的信任度构建关系网络,利用多重图排序模型得到目标用户的最近邻集合,进而产生目标用户的推荐列表。实验结果表明,与基于用户的协同过滤推荐方法相比,该方法能有效地提高冷启动用户的个性化推荐准确性和推荐覆盖率。     

新闻聚合系统中的数据挖掘技术初探

互联网的迅速发展以及信息的海量增长给数据挖掘技术提供了一个广阔的舞台,数据挖掘技术在信息检索和个性化推荐中占据越来越重要的地位。该文描述了一个新闻聚合系统的组成结构和基本算法,包括一些文本模型和推荐算法等,可以有效地从海量信息中筛选出人们感兴趣的信息。在此基础上,该文提出了一种基于特征模型的推荐算法。特征模型将用户的兴趣偏好特征与新闻的属性特征统一起来,方便表示和计算,为进一步地挖掘用户真实兴趣偏好、更加准确地进行新闻推荐提供了良好的基础。     

一种自适应用户兴趣的推荐算法研究

为更好地满足了推荐系统中用户个性化推荐的需求,提高推荐系统的性能。研究了用户兴趣模型,提出了一种用户兴趣模型自动更新的方法,在数据采集过程中,通过对隐性数据的采集,动态地更新用户模型;模型使用向量空间模型的表示方法。实验结果表明,新的模型提高了计算用户最近邻居的准确性,算法在不同推荐范围都用良好的表现,并具有很好的耐久性。     

面向个性化网站的增量协同过滤推荐方法

为了解决个性化网站中很少考虑用户检索意图，检索效果较差的问题，提出了一种有效的增量协同过滤推荐方法。该增量协同过滤推荐模型改进了最流行的推荐算法之一的协同过滤算法，并应用到个性化网站中。通过分析Web日志提取用户的浏览行为，将其归一化为用户对项目的评分值，并利用改进的相似度计算方法得到用户之间的相似度值，从中选择能够表现用户偏好的最近邻集合进行评分预测后对结果排序，将排序后的结果作为推荐列表返回给用户。最后设计增量更新算法实时有效地更新用户的历史偏好数据。实验表明，增量协同过滤推荐模型适用于个性化网站，利用该方法可以使推荐结果更加符合用户意图。     

基于大数据挖掘技术的图书馆服务自动化感知模型

针对图书馆服务自动化感知效果不佳，导致无法实现学生个性化推荐的问题，提出将最近邻搜索K-means聚类算法与关联规则算法相结合，构建一个基于大数据挖掘技术的图书馆服务自动化感知模型。首先，基于读者借阅行为，采用最近邻搜索K-means聚类算法(NNSK-means)分别从个体层次和集体层次进行聚类分析，挖掘出读者的阅读趋势和阅读兴趣；然后通过基于Apriori关联规则算法进行图书间与院系间关联规则挖掘；最后基于挖掘结果进行读者借阅不同种类图书概率反映和分析，从而提升自动化感知和个性化推荐效果。结果表明，采用提出的基于大数据挖掘技术的图书馆服务自动化感知模型后，热门图书推荐服务与学生个性化推荐服务的准确率和学生满意度分别保持在98%和90%以上，表明构建的模型可实现图书馆服务自动化感知，模型性能良好，可为学生提供更加精准的个性化推荐服务。     

垂直学习社区基于学习兴趣与风格的社会化推荐算法

垂直学习社区包含了海量的学习资源,出现了信息过载现象,个性化推荐是解决这个难题的方法之一.但垂直学习社区中评分数据稀疏而文本、社交信息丰富,传统的协同过滤推荐算法不完全适用.基于用户产生的文本和行为信息,利用作者主题模型构建新的用户学习兴趣相似度衡量模型;根据用户交互行为信息综合考虑信任与不信任因素构建用户全面信任关系计算全面信任度;通过分析用户多维度学习行为模式,自动识别用户学习风格;最后提出融合兴趣相似度、全面信任度及学习风格的社会化推荐算法.用垂直学习社区网站CSDN实际数据集进行了实验分析.结果表明本文提出的推荐方法能更好向用户推荐其感兴趣的学习资源,有效地提高了推荐精度,进而提高用户学习效果.     

基于用户画像与RBF的移动广告精准推送研究

针对当前移动广告的精准推送需求,结合当前的智能技术,提出一种基于用户画像结合协同推荐的广告精准推送方法.在该方法中,基于网络爬虫技术对网页文本关键词的提取,采用VSM向量空间模型构建用户兴趣模型;然后针对个性化推荐中存在评分项目数据稀疏性问题,通过RBF神经网络的方式对评分矩阵进行预测,然后再通过协同推荐算法进行推荐....     

个性化信息检索系统中用户兴趣模型的建立

个性化检索系统通过收集和分析用户信息来学习用户的兴趣和行为,从而实现对用户的个性化的信息推荐服务。而用户兴趣模型正是用户和兴趣的信息模型,用户兴趣模型直接影响到个性化的信息服务。