基于标签改进社交网络好友推荐算法研究与应用

随着信息技术的快速发展,人们的社交网络方式也在不断地改变,因此如何准确地给用户个性化的推荐成为当前研究的热点。文中通过对传统的基于标签的推荐算法进行了深入的研究,针对其推荐准确率低和缺乏新颖性的问题,提出了一种改进的基于标签的推荐算法模型。通过仿真实验并与腾讯微博推荐算法进行对比测试,得出改进的算法不仅能够推荐与目标用户相似的用户,还能挖掘具有相同兴趣爱好的潜在用户,最终验证了改进的标签算法能够有效地提高推荐系统准确率和新颖性。     

基于有线电视用户收视行为数据的个性化电视节目推荐研究

本文以歌华有线的探索与实践为例，对基于用户收视行为数据的个性化电视节目推荐技术进行研究。基于个性化推荐算法，通过用户的收视行为提取收视特征建立项目-标签模型，使用户得到符合个性化需求及个人兴趣的推荐结果。     

OTA系统中的个性化应用推荐系统研究

本文首先提出了OTA全新的个性化应用推荐系统模型,然后对移动用户下载使用与兴趣之间的关联作了讨论与分析,并给出了算法,最后对个性化推荐的两种常见实现方法,即聚类分析与关联规则进行了讨论,给出了OTA系统中的个性化应用推荐引擎的设计思路与实现算法.     

基于标签的在线学习资源推荐算法

在线学习是目前获取知识的一种重要途径,然而信息过载导致从在线学习平台的大量资源中找到所需的学习资源非常困难.本文提出了一种基于标签的推荐算法,混合基于内容推荐和协同过滤推荐,采用TF-IDF来平衡热门标签的权重,采用修正的余弦函数相似性计算用户间、资源间的相似性,结合学科知识图谱,让推荐结果在相似基础上增加扩展性,满足进阶学习特点.实验结果表明,本文提出的算法在准确率和推荐效率上优于传统的协同过滤推荐算法,为解决同类问题提供了较强的参考价值.     

交互式电视中个性化推荐系统的研究

旨在分析研究如何把个性化推荐系统引入交互式电视中加以应用。概括介绍了个性化推荐系统的功能架构和组成要素,重点对几个主流的推荐算法进行分析和对比,总结了交互式电视中个性化推荐技术研究的重难点,分析了个性化推荐系统在未来交互式电视中的应用以及可能的研究方向。     

Research of Personalized Recommendation System in Interactive Digital TV

旨在分析研究如何把个性化推荐系统引入交互式电视中加以应用.概括介绍了个性化推荐系统的功能架构和组成要素,重点对几个主流的推荐算法进行分析和对比,总结了交互式电视中个性化推荐技术研究的重难点,分析了个性化推荐系统在未来交互式电视中的应用以及可能的研究方向.     

Hadoop环境下协同过滤算法改进与实现

协同过滤算法被成功的应用于个性化推荐系统中。但是传统的协同过滤算法没有考虑用户兴趣会根据时间的推移发生兴趣偏移问题,导致推荐系统的推荐质量下降,而且随着数据量的不断增大,传统的基于单机模式的推荐计算模式已经无法适应大数据。针对该问题,提出了在Hadoop分布式环境下基于时间加权的协同过滤算法设计和实现,实验表明,改进的算法可以在Hadoop分布式环境下对海量数据进行计算生成推荐结果,而且提高了推荐系统的推荐质量。     

使用分类改进标签推荐系统准确度的研究

由于标签的灵活性及其概念可理解性,使用标签可以提高推荐系统的推荐性能.协同标签系统在网络资源推荐服务中取得了巨大的成功.分类为用户显示了不同的利益群体的不同喜好.基于此,提出了基于分类的标签推荐系统—TRSUC,将它作为内分类推荐,使分类标签成为全球用户和项目之间的中介实体.通过对MovieLens中数据集进行实验,结果表明,TRSUC的推荐准确度明显优越于传统推荐算法.     

基于改进的混合模式个性化选课推荐技术研究

针对高等学校学生选课系统中存在的缺乏个性化课程推荐、选课效率较低的问题,通过对个性化推荐技术的分析研究,提出了基于内容、项目及用户属性的改进混合模式算法,并将该算法应用到选课系统中,用MACE数据集对算法进行验证。结果表明,该算法解决了个性化推荐技术中的冷启动问题,相关指标有明显提高,实现了课程与新课程的个性化推荐,并减少了选课的盲目性。     

K-means聚类个性化推荐算法改进研究

聚类算法是数据挖掘中的重要技术,用于发现数据中未知的分类,是电子商务领域实现个性化推荐的重要方法。个性化推荐服务,是一种针对不同特征的用户推出适合于用户的信息及服务。文章介绍了一种K-means的聚类算法,该算法主要应用于数据挖掘领域,也在推荐系统的研究中占有重要的地位。文章还详细的分析了该算法目前存在的不足,针对该算法对初始值有一定要求这一不足,提出了一种通过预处理初始聚类中心的方法,以此来改进该算法,从实验结果可知,该改进算法能够减少迭代次数,提高计算效率。     

面向时序感知的多类别商品方面情感分析推荐模型

电子商务网站中的评论数据隐含着商品特征和用户情感,现有基于方面情感分析的推荐研究大多通过抽取同一类别商品评论数据中用户对商品不同方面的情感来捕捉用户方面偏好,忽略了不同类别商品有不同方面以及用户的方面偏好随时间变化的特点。对此,该文提出一种面向时序感知的多类别商品方面情感分析推荐模型,该模型对用户、商品类别、商品、商品方面、方面情感和时间统一建模,以发现用户对不同类别商品的方面偏好随时间变化的特点,并据此做出推荐。该模型能够推断用户在任意时间对商品的方面偏好,从而为用户提供可解释的推荐。两个真实数据集的实验结果表明,与其它基于时间或方面情感分析的推荐模型相比,该文提出的模型在top-N推荐准确率和召回率评价指标上均获得显著改善。     

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。     

Smart object recommendation based on topic learning and joint features in the social internet of things

With the extensive integration of the Internet, social networks and the internet of things, the social internet of things has increasingly become a significant research issue. In the social internet of things application scenario, one of the greatest challenges is how to accurately recommend or match smart objects for users with massive resources. Although a variety of recommendation algorithms have been employed in this field, they ignore the massive text resources in the social internet of things, which can effectively improve the effect of recommendation. In this paper, a smart object recommendation approach named object recommendation based on topic learning and joint features is proposed. The proposed approach extracts and calculates topics and service relevant features of texts related to smart objects and introduces the “thing-thing” relationship information in the internet of things to improve the effect of recommendation. Experiments show that the proposed approach enables higher accuracy compared to the existing recommendation methods.     

E-Learning系统的个性化推荐方法研究

以E-Learning系统建设为背景,通过采用文献查找、调查研究等方法探讨个性化推荐理论的内涵,并结合当前建设中的E-Learning系统,分析了目前常用的个性化推荐策略,并进行介绍比较和分析以后,总结经验,以应用于E-Learning系统的建设。提出适合于E-learning系统建设的个性化推荐策略:采用关联规则推荐策略和协同过滤技术,基于WEB技术建立一个虚拟学习系统,利用推荐算法,结合用户需求,将学习的资源、学习活动和学习策略进行整合,向用户推荐完整的满足用户需求的E-Learning学习方案。     

Extracting Multiword Sentiment Expressions by Using a Domain‐Specific Corpus and a Seed Lexicon

This paper presents a novel approach to automatically generate Korean multiword sentiment expressions by using a seed sentiment lexicon and a large‐scale domain‐specific corpus. A multiword sentiment expression consists of a seed sentiment word and its contextual words occurring adjacent to the seed word. The multiword sentiment expressions that are the focus of our study have a different polarity from that of the seed sentiment word. The automatically extracted multiword sentiment expressions show that 1) the contextual words should be defined as a part of a multiword sentiment expression in addition to their corresponding seed sentiment word, 2) the identified multiword sentiment expressions contain various indicators for polarity shift that have rarely been recognized before, and 3) the newly recognized shifters contribute to assigning a more accurate polarity value. The empirical result shows that the proposed approach achieves improved performance of the sentiment analysis system that uses an automatically generated lexicon.     

Context-based Ontology-driven Recommendation Strategies for Tourism in Ubiquitous Computing

Tourism is an information-intensive business. At present, there are a lot of information and tourism resources available on the internet that lead to low searching efficiency and effectiveness, the user may get too many seeking results but not related to his interest, or few results than his expected. The user can know clearly what he wants, but sometime the user doesn’t know what kind information he needs. User’s demand can be formulated as direct demand and potential preference. At the same time, the study shows that there is strong relationship between the traveler’s potential preference and the characteristics of tourism resources. In order to solve the information overload challenge, recommendation services are increasingly emerging. Currently, recommendation methods focus on dealing with personalized matching based on the user preference. However, these methods skip the user’s direct demand. In this paper, we propose ontology-driven recommendation strategies based on user’s context. The strategies use ontology to describe and integrate tourism resources, achieve the goal of associating user’s direct needs and his potential preference as the context in recommendation. Moreover, theoretical analysis and experiments show that the proposed approach is feasible, the results of the evaluation are discussed.     

自动建立信任的防攻击推荐算法研究

 随着互联网中信息资源的日益增多,个性化推荐技术作为缓解"信息过载"的有效手段,得到了越来越多的研究者的关注.由于互联网天然的开放性,在商业利益的驱动下,部分恶意用户通过伪造虚假数据来影响系统的推荐结果,从而达到盈利的目的.本文提出一个自动建立信任的防攻击推荐算法,在考虑了用户评分相似性的基础上,引入适当的信任机制,通过为目标用户动态建立和维护有限数量的信任对象来获得可靠的推荐.大量基于真实数据集的实验表明,提出的算法能大大提高推荐系统的鲁棒性和可靠性,并在一定程度上提高了推荐的精准度.     

E—Learning系统的个性化推荐方法研究

以E—Learning系统建设为背景,通过采用文献查找、调查研究等方法探讨个性化推荐理论的内涵,并结合当前建设中的E—Learning系统,分析了目前常用的个性化推荐策略,并进行介绍比较和分析以后,总结经验,以应用于E—Learning系统的建设。提出适合于E—learning系统建设的个性化推荐策略：采用关联规则推荐策略和协同过滤技术,基于WEB技术建立一个虚拟学习系统,利用推荐算法,结合用户需求,将学习的资源、学习活动和学习策略进行整合,向用户推荐完整的满足用户需求的E—Learning学习方案。     

Spark平台下教育资源个性化推荐研究

在面对海量教育数据处理情况时,传统的协同过滤算法在单机上训练和测试效率低下,针对该问题,提出了基于Hadoop分布式平台和Spark并行计算模型的无中间结果输出改进型教育资源推荐策略,该策略较好地发挥了Spark的迭代计算能力优势,在应用于教育资源推荐时,比较了传统算法与改进算法在分布式情况和非分布式情况下的推荐效率和推荐质量的情况.实验结果表明,利用Spark计算模型实现协同过滤算法能够有效地提高教育资源个性化推荐的推荐质量以及推荐效率.     

基于词汇语义和句法依存的情感关键句识别

门户网站、博客和论坛中的新闻性文章往往都带有自己的情感倾向性,而情感关键句的识别对判断文章的情感倾向、了解社会动态和舆情状况有着非常重要的作用。传统方法主要基于词汇特征,未能充分利用潜在的句法和语义信息。本文提出了一种基于词汇语义和句法依存的情感关键句识别方法。该方法首先通过构建情感词典和关键词词典获取词汇语义信息,然后利用一种新颖的面向情感关键句提取算法获取句法依存信息,最后把情感关键句的识别问题看成一个是否为情感关键句的二分类问题加以解决。在COAE2014公开评测数据集上进行的实验表明本文方法的准确率和召回率均显著优于其他方法。