基于用户兴趣的个性化推荐算法研究

针对协同过滤算法存在用户兴趣不易捕捉的问题,提出了一种基于用户兴趣偏移和项目自身属性特征的个性化推荐算法。利用滑动时间窗内项目属性和用户评分建立出用户兴趣偏爱因子,通过推荐项目自身属性特征给出用户对项目的偏爱度;最后结合项目偏爱度和协同过滤算法中预测评分产生推荐。实验结果表明,该算法准确反映出用户兴趣的偏移和项目自身属性特征,在推荐质量上也得到提高。     

基于知识图谱的国内外个性化推荐比较研究

在CNKI和SCI中以“个性化推荐”为主题词进行检索,同时借助Excel和Citespace可视化研究工具,对采集的数据进行文献共被引分析和关键词聚类分析,对国内外发文量、高被引情况进行比较,描述该领域在研究热点方面的状况,探讨国外研究前沿,为我国个性化推荐的研究提出建设性意见和建议.     

全网兴趣图谱下电子商务推荐理论研究现状

介绍了现有的电子商务推荐技术与系统,分析了其中存在的数据稀疏性、冷启动、推荐精度低和实时性差等问题,阐述了利用全网数据构建用户兴趣图谱进行推荐的方法,探讨了基于兴趣图谱的推荐与跨网推荐取得的进展,证明该方法的提出具有重要的现实意义。     

基于用户兴趣变化的协同过滤推荐算法

协同过滤算法是在众多应用领域中最成功的个性化推荐技术之一,但传统协同过滤算法不能及时反映用户的兴趣变化,致使预测结果不准确。针对这个不足,提出一种基于用户兴趣变化的改进协同过滤算法。改进算法提出一种基于时间的权重函数,用于研究用户在不同时间段的兴趣变化,通过用户兴趣之间的相似性,最后生成推荐结果。实验结果验证了改进算法在推荐的准确性方面得到显著提高。     

基于网络用户信息行为的个性化推荐模型

探讨了网络用户信息行为的基本概念和个性化推荐的相关技术。以此为基础,创建了基于网络用户信息行为的个性化推荐模型。对比实验结果表明,此模型在准确率、稳定性、推荐效率方面有一定的优势。     

面向推荐的用户兴趣扩展方法

提出了一种用户兴趣扩展的方法以便应用于个性化推荐系统,对用户的搜索点击日志和浏览器的浏览日志进行统计,粗略对用户兴趣建模,从文本相似度、语言模型相关度、潜在的语义关联关系三个方面充分分析用户兴趣方向之间的关联关系,应用社区发现思想挖掘关联关系紧密的兴趣群组,并对用户兴趣在同一群组内进行适当扩展。通过试验结果分析,可以看出用户兴趣扩展对个性化推荐点击率的影响,并使点击率有近一倍的增长。     

基于用户兴趣的电子商务推荐方法

针对数据稀疏性与推荐实时性的技术难题,在结合传统用户合作过滤推荐的基础上,提出了基于兴趣度向量模型的用户合作推荐机制.该方法合理利用了用户的人口统计信息,即用户提交给网站的注册信息,来辅助基于兴趣度向量模型的推荐方法,在提高预测精度的同时还可以解决推荐系统的新用户问题.采用MovieLens网站上提供的研究数据进行模拟推荐实验,通过对平均绝对偏差对比分析可得,兴趣向量模型的推荐方法在一定程度上比传统合作过滤算法有更高的推荐精度.     

数字图书馆中兴趣度推荐算法

个性化推荐技术能够帮助用户更方便地从大量的文本数据中得到感兴趣的文本.数字图书馆中现有的个性化推荐技术都是根据文本相似性为用户推荐感兴趣的文本.该文提出用户对文本的兴趣度的概念,综合考虑了文本之间的相似性、文本的信息量和新颖性3个因素,比相似性能更好地反映用户的兴趣.同时提出基于兴趣度的个性化推荐算法.理论分析和实验结果均表明,基于兴趣度的推荐算法的推荐完全性和准确性比相似性推荐算法和基于图的混合推荐算法均有显著提高.     

基于LBS的个性化手机菜品推荐系统设计与实现

为满足用户"随身、随时、随地"的个性化服务需求,设计一款基于位置服务(LBS)的个性化菜品推荐系统。在系统中,首先通过对用户的位置感知,记录每个用户的用餐信息;然后通过现有的选择过程或相似关系来获知用户的潜在兴趣;再对当地餐馆和菜肴的信息进行过滤,将用户可能感兴趣的餐厅和菜品推荐给他们。     

基于用户兴趣模型的个性化查询

为了更好地解决用户查询词的准确性,研究了如何从用户搜索的上下文所提供的个人信息和其使用过程中的隐式反馈来推断出用户的兴趣。开发了智能客户端Web搜索代理,可以进行相应的隐式反馈。实验表明,Web搜索代理可以提高搜索的准确率。     

基于用户喜好的个性推荐系统优化

采用协同过滤方式的传统推荐系统具有一定实用性,但也存在未考虑用户个性喜好的问题。为提高推荐精度,特别针对用户个性化特点和需求,提出了采用改进相似度计算和回归分析方法对协同过滤推荐进行系统优化。实验结果表明,优化算法可明显改善系统的推荐效果,并加强基于协同过滤推荐的有效性。     

面向会话型推荐系统的个性化分层循环模型

为了精准地捕捉用户行为模式,引入中期兴趣的概念,提出一个基于循环神经网络（RNN）的个性化分层循环模型,通过在同一框架下联合利用用户的会话、区块和全部行为序列来学习用户的综合兴趣.利用一个捕捉会话内序列模式的会话级RNN建模用户的短期兴趣;设计了一个捕捉区块内相邻会话关联关系的区块级RNN,进一步描述用户的中期兴趣;使用一个用户级RNN追踪长期兴趣的演化;引入带有不同交互机制的融合层,以有效融合不同层次的兴趣信息.在3个真实数据集上进行实验,结果表明,该方法与先进的推荐方法相比,Recall@10提升了18.35%.     

微博用户推荐模型的研究

微博用户推荐对改善用户体验、促进社交网络长远发展具有重要意义。该文提取了能够充分反映微博用户之间相关性的多个特征,并通过逻辑回归模型对潜在的用户进行评分排序,为目标用户推荐前N个潜在用户。基于新浪微博数据集的实验结果表明,基于逻辑回归方法的用户推荐模型是切实有效的,可以为微博用户提供高性能的个性化用户推荐。     

注意-情绪协调的个性化信息推荐模型

在分析注意、情绪及两者关系的基础上，提出了注意-情绪协调模型，并以情绪唤醒选择性注意. 在北京旅游信息推送服务中，综合考察用户的注意、情绪和信息的语义特征，提出了注意-情绪协调的个性化信息推荐模型. 通过在推荐模型中加入情感风格，整合信息资源，使信息呈现方式适应用户的注意选择性特征，为个性化信息服务和新型人机交互提出了一种新思路。     

基于协同过滤算法的个性化推荐系统的设计及实施

Internet的发展导致了信息资源的膨胀,用户希望能通过自动化的工具来发现期望的信息资源,为了满足用户的这个需求,个性化推荐系统就随之产生了。个性化推荐系统所采用的推荐算法决定了推荐系统的优劣,本文主要设计了基于协同过滤算法的个性化推荐系统模型,并将该模型应用于相应的网站中。     

面向大规模定制的个性化推荐研究

分析了面向大规模定制的个性化推荐的特征,并给出了基于关联规则挖掘的个性化推荐模型.模型中的关联规则代表了客户特征与产品属性之间的关系,包括基于全部客户定制历史记录的基本规则和基于特定用户的定制历史记录的个性化规则.针对现有关联规则研究应用的关联规则存在知识冗余,规则数量太多的问题,提出最强关联规则的概念并将其应用于大规模定制的个性化推荐.最后,采用著名的个性化推荐数据库MovieLens数据,给出应用实例,验证了本方法的效果.     

改进的基于用户的协同过滤算法

在推荐系统中,协同过滤算法是应用最广泛和最成熟的推荐算法之一。但是传统的协同过滤算法,在计算用户之间的相似度和评分推荐两个指标上存在着很多不足之处。通过决策树策略找寻了评分和共现值之间的规则,有效的改善了Salton相似度的准确性。同时,根据艾宾浩斯遗忘规律得到启发,引入了时间模型作为评分的权重,有效的解决了用户的兴趣迁移。在仿真实验中,测试了在不同邻居个数下传统算法和改进算法的平均绝对误差。实验证明,改进的协同过滤算法能够降低预测评分的平均绝对误差,提高推荐的准确率。     

个性化图像检索和推荐

为了解决信息过载的问题,个性化图像检索和推荐技术成为目前图像检索领域的新趋势,其不仅可提高检索的效率和准确率,还可满足用户的个性化需求.根据不同个性化信息的数据源,可将个性化图像检索和推荐分为基于内容的个性化图像检索和推荐与协同过滤个性化图像检索和推荐.对于基于内容的个性化图像检索和推荐,分析了用户兴趣获取、用户兴趣表示和个性化实现3个核心环节,并对所采用的关键技术进行了对比,指出了优缺点;对于协同过滤个性化图像检索和推荐,分析了基于用户、物品和模型的3种协同过滤方法.最后分析对比了基于内容和协同过滤2种个性化图像检索和推荐方法,并指出了未来的工作方向.