面向多源异构数据的云推送平台的研究与应用

在传统推送中,多源异构数据的推送面临时效性不强、安全性不高、数据难以重用等问题。针对多源异构数据的特征,综合移动互联网的安全性和隐私性等特点,提出了一种多维决策云推送模型来计算分布式环境中多源异构数据的特征值和特征向量,以快速分离数据源中的同构数据和异构数据;并基于此模型设计了云推送平台,其利用云推送技术来实现同构数据和异构数据的自动分离和高效推送。根据云推送平台在实验环境中的运行情况及相关指标分析,说明该平台适用于多源异构数据的推送,是一种高效可行的推送方式。     

面向多源异构数据的个性化搜索和推荐算法综述

高效精准的个性化搜索、推荐等服务可为人们生产生活带来极大便利,而随着互联网技术的迅猛发展,面向多源异构数据的个性化搜索和推荐任务逐渐变得日趋复杂,也是当前大数据分析及个性化服务领域的研究热点和难点.个性化搜索和推荐算法广泛收集多源异构数据,获取用户偏好信息,利用各类机器学习、深度学习等技术,构建用户兴趣偏好模型,预测用户偏好,推荐满足用户个性化需求和偏好的项目或内容,提升用户的使用体验和网站平台的商业利益.本文介绍面向多源异构数据的个性化搜索问题的数学描述,综述面向多源异构数据的个性化搜索和推荐算法的相关研究工作,包括:传统个性化搜索和推荐算法、融合多源异构数据的个性化搜索和推荐算法以及动态个性化搜索和推荐算法等相关研究现状,整理了算法常用数据集、性能评价指标及评估体系,进一步阐明了目前面向多源异构数据的个性化搜索和推荐方法的实际应用场景及今后研究的发展方向,并讨论了存在的不足及所面临的严峻挑战,期望为相关领域的研究人员提供有益帮助.     

移动端个性化旅游推荐系统模型设计

本文在基于现有的个性化推荐研究基础,提出了用户情境和文本内容组合推荐的方法,并构建了用户兴趣矩阵模型,设计了一套个性化推荐系统。本系统可以依据移动用户的偏好为用户提供推送服务。该系统由移动端及云平台服务器构成,移动端对用户信息进行采集,并展示推荐数据;服务器端收集来自移动端的数据,展开数据分析,构建用户兴趣模型,结合文本处理技术获取推荐内容,推送给移动用户。     

基于多维度兴趣注意力和用户长短期偏好的新闻推荐

在这个网络媒体平台成为获取新闻资讯的主流方式的时代,新闻推荐扮演着至关重要的角色。一方面,媒体平台使用新闻推荐可帮助用户过滤掉不感兴趣的新闻,定制个性化阅读内容推送;另一方面,智能推送服务能够增加新闻点击率,帮助媒体平台实现新闻的快速传播。目前,新闻推荐逐渐成为数据分发领域核心技术之一,逐渐引起国内外学者的关注。该文针对新闻热度不均衡问题造成的长尾现象,提出了一种基于多维度兴趣注意力的用户长短期偏好的新闻推荐模型。首先,对用户长期偏好进行挖掘时把用户兴趣分成多个维度,并采用注意力机制控制不同兴趣维度的重要程度,从而学习到包含不同维度兴趣信息的长期偏好。其次,采用CNN与注意力网络相结合的模型对新闻进行表示学习,采用GRU在用户近段时间内的阅读历史中学习用户短期偏好。最后,通过大量在真实新闻数据集上的实验,以AUC、MRR、NDCG为评价指标与其他基线方法进行比较,证实了该模型均优于其他方法。     

一种基于用户兴趣转移挖掘的流式推荐算法

推荐系统是当下解决信息超载的有效方法,但由于用户兴趣转移现象的存在,传统推荐系统在时间跨度较长的应用场景下表现并不理想。为了解决该问题,提出一种基于用户兴趣转移挖掘的流式推荐算法。根据资源的种类信息构建资源特征向量,采取增量更新方法,根据流数据实时更新模型参数,避免了传统增量矩阵分解模型中的拟合残差扩大问题。模型结合提出的两种新型遗忘机制,能够有效区分用户历史数据中的临时偏好与长期偏好,从而在遗忘用户过时数据的同时,保留用户的长期偏好。在电影推荐数据集中进行实验,证明了该算法的有效性。     

基于混合相似度和信任传播的位置推荐系统

当前存在大量基于位置推荐的移动社交应用。提出一种基于CF算法的混合相似度和信任传播位置推荐系统的方案。方案中主要分三个考量要素,首先将用户偏好分为用户静态偏好和用户动态偏好,对于用户静态偏好主要是基于位置的种类信息和历史评价,而用户动态偏好主要是基于地理信息和二位云模型,最后用户的社会关系是基于信任传播的信息。该方法优势是不仅考虑用户偏好的多样性,而且通过信任传播可以有效缓解数据稀疏性问题。并应用Hadoop以提高计算平台的数据处理能力。该方案对比现有方法,基于CF算法的位置推荐预测用户对新位置的喜好更加准确且高效。     

基于大数据的多源信息分发系统研究

随着探测技术和设备的不断发展,多源信息保障处于全新的生态系统,对信息的分发应用提出新的需求,传统的信息推送模式已经难以适应新形势。通过剖析多源异构信息共享应用研究情况,针对信息的精确筛选、精准分发等环节,基于协同过滤等方法,计算用户信息需求相似度和兴趣相似度,基于大数据技术构建智能化多源信息分发系统,实现海量信息与用户需求的精准匹配和智能推送。构建的系统模型能够为多源信息高效敏捷的共享应用提供理论和技术支持,有效地提升信息保障和应用的质效。     

融合用户偏好和多交互网络的协同过滤算法

推荐系统中的辅助信息可以为推荐提供有用的帮助,而传统的协同过滤算法在计算用户相似度时对辅助信息的利用率低,数据稀疏性大,导致推荐的精度偏低.针对这一问题,本文提出了一种融合用户偏好和多交互网络的协同过滤算法(NIAP-CF).该算法首先根据评分矩阵和项目属性特征矩阵挖掘出用户的项目属性偏好信息,然后使用SBM方法计算用户间的项目属性偏好相似度,并用其改进用户相似度计算公式.在进行评分预测时,构建融合用户-项目属性偏好信息的多交互神经网络预测模型,使用动态权衡参数综合由用户相似度计算出的预测评分和模型的预测评分来进行项目推荐.本文使用MovieLens数据集进行实验验证,实验结果表明改进算法能够提高推荐的精度,降低评分预测的MAE和RMSE值.     

面向移动应用的探索式个性化服务推荐方法

个性化推荐系统是应用系统中广泛应用的技术之一,用户兴趣偏好模型的建立与更新是个性化推荐系统的关键环节,针对移动设备位置随时变化的特点,以移动端的应用系统为研究对象,提出了一种随用户位置变化而动态更新的用户兴趣偏好模型,并对实现过程中的几个关键问题,包括用户兴趣偏好模型表示方法、用户兴趣关键字提取、用户兴趣偏好模型的建立与更新算法进行了详细描述,最后利用用户兴趣偏好模型根据协同过滤算法进行个性化推荐,并根据用户对推荐结果的评价进一步修正用户兴趣偏好模型.用户兴趣偏好模型采用基于兴趣关键字的向量空间模型表示,用户兴趣关键字由根据TF-IDF算法获得的用户隐式兴趣和用户参与的显式兴趣相结合获得,用户位置信息变化时,系统获取当前位置附近的服务,对已存在于用户兴趣关键树中的服务权值进行增强,而对不存在其中的进行遗忘以调整用户兴趣树从而更新用户兴趣偏好模型.验证表明,该方法推荐的服务更符合用户所处的位置上下文环境,并且具有高度的可达性.     

基于社会化媒体情境的多维协同智能推荐

针对传统协同智能推荐技术的冷启动、数据稀缺性问题,为提高推荐算法的效率和准确性,提出一种基于社会化媒体情境的多维智能推荐算法模型。该模型将目标用户的属性特征、行为特征考虑到社会化媒体情境信息中,并动态实时捕捉用户在不同社会化媒体情境下的偏好倾向,利用联机分析处理(OLAP)技术对多维数据进行处理。该模型将用户间的社会化关系和所处的政治经济环境视为衡量用户相似的重要指标,同时使用皮尔森系数和云模型来计算用户间各特征的相似度,并以此为推荐基础向用户呈现更个性化和定制化的推荐结果。实验结果表明,该模型的推荐结果的平均绝对误差明显小于传统的协同智能推荐和单纯的基于云模型推荐技术。     

云环境下实时消息推送服务构建研究

随着移动互联网技术的发展,各类消息纵横交错,人们在获取关联信息时常感到无从选择。传统的消息获取,用户需要主动拉取网络存储的消息,此种方式获取消息的效率极其低下,会产生众多与用户无关的消息。消息推送需要用户不停地拉取刷新,属于被动推送。随着云技术的发展,消息推送技术逐步转变为云推送,告别了单一服务器推送的模式。对现有各类消息推送技术进行研究和分析,针对传统基于主题订阅模式的消息推送服务只能对应单一移动端通信的不足,提出了云实验环境下实现实时消息推送服务的构建方案,设计了消息推送服务(PushWeb)的运行框架,运用H5技术中的WebSocket技术实现了管理平台和移动客户端应用程序,并将其部署在阿里云中,经测试在良好的网络环境下能够将消息实时准确地推送至移动端。     

The push strategy of product design knowledge in cloud environment with the multidimensional hierarchical context and SSA-BPNN model

To assist designers in completing design tasks and improve the efficiency of product design, more and more design knowledge push approaches are coming about. With developments of information technology and cloud computing, knowledge service goes with the whole design process and it is represented by the knowledge push forming. The knowledge push is complex engineering, however, existing knowledge push approaches in traditional design patterns cannot exactly meet the personalized knowledge requirements of designers in cloud environment. To address this issue, we attempt to explore the push strategy of product design knowledge in cloud environment. Firstly, knowledge demands are analyzed with the multidimensional hierarchical context model and the design knowledge modeling is represented following characteristics of the cloud-based design pattern. Then, the knowledge push architecture contains the matching of knowledge to obtain alternative knowledge and the knowledge importance degree prediction with SSA-BPNN model to overcome the inaccuracy of judgments, which is put forward. Moreover, the push coefficient is calculated as the knowledge push reference. Eventually, an illustrative case of intelligent air conditioner product design in the cloud platform is taken to verify the application and performance of the proposed approach. We expect that this work could provide useful insights into the product design knowledge push in cloud environment.     

改进贝叶斯的语义推送算法设计

教育信息语义本体构建是通过语义本体构建方式去设计教育信息本体库。本体间逻辑关系表示方法,是构建出有逻辑结构的教育信息集合的过程。实现教育信息的半结构化数据归类,对不同时间采集的归类数据在规定好的模型中进行计算—词汇频度分析模型。词汇频度分析模型运用逆概率的贝叶斯思想,经过对传统贝叶斯算法与语义本体性质相结合,使MapReduce善于处理半结构化数据;经过对语义本体构建的教育信息数据结合词汇频度分析模型进行计算,获得教育信息本体的推荐能力值E i;通过对不同本体E i值进行排序,获得了推荐信息的顺序;根据推荐权重进行信息的推送工作,同时根据JS指数,经过比较基于词汇频度分析模型与目录结构推送算法的分析结果得出:词汇频度分析模型优于基于目录结构推送算法。     

一种面向科研在线的个性化推荐系统

电子邮箱的推送功能对信息传播和推广有重要作用,而科研在线云平台的邮箱推送功能出现信息过载问题后却使得推送邮件可能变成垃圾邮件。为解决该问题,本文介绍了一种基于科研在线云平台的个性化推荐系统,通过推荐模型将资源进行排序,并按周选取得分最高的一部分资源通过推送邮件推荐给用户。系统运行测试表明,通过个性化推荐的动态信息更加符合用户兴趣,有助于增加科研在线团队文档库动态汇总邮件的点击率,增强用户体验。     

基于多层次多视角的图注意力Top-N推荐方法

推荐系统是当前数据挖掘领域的研究热点,海量数据的涌现促使多源信息融合的推荐方法得到极大的关注。但是,现有的基于异质信息融合的推荐方法在进行特征表示时往往忽略了用户和项目之间的交互信息以及元路径之间的相互影响。因此,考虑到属性节点嵌入和结构元路径的不同视角,提出了一种多层次图注意力的网络推荐方法。该方法通过构建不同的元路径,将多源信息网络结构粒化为多个独立的粗粒度网络,然后基于图注意力机制结合局部节点属性嵌入,来分别学习用户和项目的潜在特征,最终给出融合后的细粒度网络推荐。在现实大规模数据集上进行横向和纵向评测,实验结果表明该方法能够有效地提升推荐性能。     

云模型与用户聚类的个性化推荐

针对传统推荐系统数据稀疏、相似性计算方法导致共同评分用户少的问题,提出利用云模型定性概念与定量数值转换的优势,研究云模型、用户聚类的个性化推荐改进算法。用户对项目属性评价的偏好,转换为用户对加权综合云模型表示的数字特征的偏好。利用改进的聚类算法,对评分数据、原始用户属性标准化后的信息进行聚类;同时考虑用户兴趣的变化,结合用户之间项目属性评价的综合云模型的相似度、用户对项目评分的聚类、用户属性聚类这三种方法产生的邻居用户的并集进行推荐。理论分析和实验结果表明,提出的改进算法不但解决数据稀疏性带来的共同评分用户少的弊端,即使是在新用户的情况下,仍能获得较低的平均绝对误差和平均平方误差     

基于Agent的民航信息推送系统研究

近些年我国民航业发展迅速,民航信息存在数量庞大而有效信息获取不及时的问题,为满足用户的个性化信息服务需求,提出一个基于多Agent的信息推送系统模型,探索通过多Agent协同工作实现民航信息处理的智能化,对系统实现的一些关键技术、用户兴趣模型的构建、信息过滤技术等提出解决办法。     

A personalized recommendation method under the cloud platform based on users’ long-term preferences and instant interests

Rich consumer online text data are embedded in the cloud platform. Using new technologies has become a central issue for acquiring consumer preference, analyzing consumer demand, and performing personalized recommendation services. In order to recommend the cloud platform services efficiently and accurately, this paper proposes a personalized recommendation model referred to as Residual bi-directional Recurrent Neural Network with Dual Attentive mechanism (BiRDA) for the service recommend to cloud platforms, by combining users’ long-term preferences with instant interest. The proposed recommender prototype is summarized as follows. (1) Analyzing the relationship between long-term preferences and instant interests based on co-opetition theory. (2) Extracting users’ online text data from the cloud platform. (3) Deriving the product attribute words of user preference using an analysis of online text data. (4) Product attribute words are transformed into the form of word vectors. (5) The word vector is input into the Residual bi-directional Recurrent Neural Network (Res-BiRNN) to make the prediction. On the one hand, the long-term preference is expressed by the user's field of expertise (i.e., answer content). On the other hand, the even interest is expressed by the user's changing interest (i.e., question data). (6) Assigning different weights to long-term preferences and instant interest using the dual attention mechanism to output predictions. (7) Generating recommendation lists for users based on the predicted values. Accordingly, BiRDA is compared with five state-of-the-art recommendation methods (i.e., DREAM, BINN, SHAN, Caser, and DeepMove), as well as six variants of the BiRDA model, Using users’ Q&A datasets from NiorcngeCDS cloud platform, XMAKE cloud platform, and Asksubarme cloud platform as examples. The experiments show that the proposed method is more efficient and accurate than the other models. Therefore, the study offers some important insights into allowing a large number of resources under the cloud platform to be fully utilized and provides a novel idea for the construction of the cloud platform front-end.