贝叶斯网模型在推荐系统中的应用研究

针对网上智能中推荐系统的个性化问题,提出了一种新的基于贝叶斯网模型的商品推荐方法,它包括贝叶斯网客户购物模型的建立和基于概率推理的推荐集的产生两个过程。实数据上的实验表明该方法是一种有效的能为不同客户产生准确而个性化的商品推荐方法。     

电视节目个性化技术的研究

对电视节目个性化技术的多个方面进行了研究，包括电视节目个性化的体系结构，实现电视节目个性化的关键技术：特征表示、用户兴趣学习和节目推荐，以及电视节目个性化系统的性能评价机制，并展望进一步的研究工作．     

基于数据挖掘的秦岭北麓西安段古村镇旅游智能推荐系统设计

为了促进智慧旅游建设，保证旅游系统能够为用户提供个性化服务，以秦岭北麓西安段古村镇旅游为例，基于数据挖掘技术设计一种旅游智能推荐系统。从规模、优越度与聚集度三方面挖掘该地旅游资源空间分布特征；将用户对视频、图片、文本三种类型旅游信息浏览时间的加权平均值作为兴趣度函数，确定每个古村镇的用户兴趣度；将感兴趣的景点保存到相同集合中，通过规则匹配，实现智能推荐；分别设计图形用户界面、智能分析与智能推荐服务模块，完成系统整体设计。仿真实验表明，该系统可实现旅游个性化智能推荐，提高用户满意度。     

大数据视角下智能营销

大数据被广泛应用于客户营销领域。大数据技术中的智能推荐、实时数据的个性化推荐、对未来市场的供需预测等，使智能营销与传统营销有明显的差异。互联网时代，应及时把握客户的需求变化，应用大数据进行智能分析与深度挖掘，对客户未来的需求进行精准预测，构建大数据技术在大客户营销中的应用体系，让市场环境充满活力与挑战。     

大数据驱动的个性化服务智能推荐系统研究

大数据时代背景下,数据信息资源海量化,个性化智能推荐系统是有效解决由于海量数据信息超载的一种高级商务智能平台,它能根据用户的需求实施数据信息的个性化推荐。通过对大数据技术和人工智能概念进行梳理,给出了大数据驱动的个性化服务智能推荐关键技术,提出了系统架构,进一步提炼了大数据和人工智能的价值,使大数据技术和人工智能的价值有了新的体现。希望该研究能为大数据驱动下的智能推荐系统的研究者提供参考和借鉴。     

基于Web使用挖掘的个性化学习推荐系统

针对当前E learning推荐系统存在的问题，引入多Agent（MAS）系统，提出一种基于Web使用挖掘的集成MAS与Web services的分布式智能推荐系统模型。该模型能动态生成基于用户使用信息的个性化链接页面，有效地帮助学员找到所需的资源信息。提出了一种基于最近最少使用策略的系统推荐算法，包括系统整体实现算法、系统聚类算法及推荐算法。实时性能分析显示该系统运行性能良好。     

个性化学习推荐系统的设计与实现

针对远程教学系统中的个性化服务需求，本文在介绍个性化服务相关技术的基础上，提出了基于内容过滤和协同过滤两种方法相结合的个性化推荐算法，设计并实现了个性化学习推荐系统。     

教育网站个性化推荐系统中的一种用户兴趣模型的建立

用户兴趣模型用于描述用户的个人信息、专业背景、偏好倾向和历史行为等，通过这些信息，系统可以发现和预测用户的信息需求，从而对用户进行个性化的信息推荐服务。用户兴趣模型是影响推荐系统服务效率的重要因素，因此针对用户兴趣进行建模是个性化推荐系统实现中要重点考虑的问题之一。本文从教育网站用户对象特点出发，提出了将用户兴趣分为固定兴趣与临时兴趣相结合的动态模型：     

基于图算法的定向越野数据智能分析系统设计

为实现越野爱好者的数据智能分析和定向推荐,设计一个基于DeepGNN深度图算法的定向越野数据智能分析系统。进行定向越野数据智能分析系统整体构建后,分别从活动管理模块、用户管理模块、会员推荐模块和数据库模块进行功能设计;会员活动推荐中,通过基于深度学习网络的显性特征和基于图卷积网络的隐性特征,将两个特征相结合提取高维融合特征,得到DeepGNN深度图算法推荐模型;并基于DeepGNN推荐算法对会员进行定向推荐。测试结果表明,相较于传统的Geniepath模型、Wide&Deep、DeepFM模型,本模型的AUC指标和F1值分别为0.913 5和0.868 4,均高于另外三种模型,分别高出了14%～15.6%左右;通过系统测试发现,本系统可实现定向推荐和智能数据分析,满足越野用户需求。     

实时个性化微博推荐系统

目前很多社交网络服务对用户的个性化需求考虑得不充分,并且社交网络服务由于需要处理海量数据而难以保障服务的实时性。为了实时响应用户在微博推荐中的个性化请求,提高推荐的效率和质量,提出了一种基于LDA主题模型和KL散度相结合的RPMPS微博推荐模型。RPMPS推荐模型不但通过文档-主题概率分布矩阵获得了用户信息与待推荐微博的主题相似性,而且还通过文档-词来对词频概率进行统计,从而获得用户信息与待推荐微博的内容相似性。最后,基于RPMPS推荐模型构建实时个性化微博推荐系统,并在数据处理过程中对微博进行过滤以缩短系统的响应时间。通过真实数据集验证了系统可较好地满足用户的实时个性化需求。     

基于客户喜好的双向个性化推荐算法

为了解决现有推荐算法仅考虑同类产品间单向推荐所缺乏的灵活性,提升产品的销量及用户的购物体验,提出一种基于客户喜好的双向个性化推荐算法,不仅可以为客户精准推荐产品,还可以为商家推荐潜在客户.首先,基于产品购买网络中客户及其邻居的购买信息,扩展客户购买信息;其次设计客户产品喜好权重计算办法,分析客户的购买喜好,并在客户喜好的指导下为客户提供个性化的产品推荐;最后,基于商家提供的样本客户,挖掘与样本客户相似的客户构成社区,为商家提供潜在客户推荐以及精准客户维护.在真实数据集上的实验验证了算法的有效性.该算法从客户和商家两个维度出发实现了产品与客户的双向推荐,为个性化推荐领域的研究提供有益的帮助.     

一种基于贝叶斯网客户购物模型的商品推荐方法*

提出一种新的基于客户购物模型的推荐系统框架。它把推荐过程形式化为客户购物信息的知识表达、知识推理过程。该方法首先对客户的购物历史数据进行学习, 得到贝叶斯网客户购物模型, 然后结合客户当前的购物行为, 提出并实施了一种基于概率推理的推荐算法。实验表明该算法能高效实时地为客户产生个性化的商品推荐集合, 且在覆盖率和准确率方面优于某些传统方法。     

Exploiting long‐term and short‐term preferences and RFID trajectories in shop recommendation

Shop recommendation in large shopping malls is useful in the mobile internet era. With the maturity of indoor positioning technology, customers' indoor trajectories can be captured by radio frequency identification devices readers, which provides a new way to analyze customers' potential preferences. In this paper, we design three methods for the top‐N shop recommendation problem. The first method is an improved matrix factorization method fusing estimated prior customer preference matrix that is constructed by Session‐based Temporal Graph computing. The second method is a Bayesian personalized ranking method based on the first method. The third method is by tensor decomposition combined with Session‐based Temporal Graph. Besides, we exploit customer history radio frequency identification devices trajectory information to find customers' frequent paths and revise predicted rating values to improve recommendation accuracy. Our methods are effective in modeling customers' temporal dynamics. At the same time, our approach considers repeated recommendation of the same shop by designing rating update rules. The test dataset is formed by JoyCity customer behavior records. JoyCity is a large‐scale modern shopping center in downtown Shanghai, China. The results show that our approaches are effective and outperform previous state‐of‐the‐art approaches. Copyright © 2016 John Wiley & Sons, Ltd.     

多维关联规则推荐在商务站点中的应用

提出了一种多维关联规则推荐系统,为客户提供更加准确的个性化推荐。该系统利用了客户购物信息、注册信息数据和经过评估的客户消费能力信息,通过多维、多层次的关联规则挖掘生成推荐集。针对不同的客户提供不同的商品,从而改善了个性化推荐的效果。     

新客户在商务站点中的个性化推荐

提出了一种针对新客户在商务站点购物的个性化推荐方法。首先利用已购物客户的浏览信息生成购物行为模型,得到新客户在站点中的浏览行为生成浏览行为模型,通过最近邻居的协同过滤技术生成与新客户行为最为相近的用户集,将最近邻居已购商品推荐给新客户。该方法能够给新客户提供及时准确的个性化商品信息。     

Mining Skewed and Sparse Transaction Data for Personalized Shopping Recommendation

A good shopping recommender system can boost sales in a retailer store. To provide accurate recommendation, the recommender needs to accurately predict a customer's preference, an ability difficult to acquire. Conventional data mining techniques, such as association rule mining and collaborative filtering, can generally be applied to this problem, but rarely produce satisfying results due to the skewness and sparsity of transaction data. In this paper, we report the lessons that we learned in two real-world data mining applications for personalized shopping recommendation. We learned that extending a collaborative filtering method based on ratings (e.g., GroupLens) to perform personalized shopping recommendation is not trivial and that it is not appropriate to apply association-rule based methods (e.g., the IBM SmartPad system) for large scale prediction of customers' shopping preferences. Instead, a probabilistic graphical model can be more effective in handling skewed and sparse data. By casting collaborative filtering algorithms in a probabilistic framework, we derived HyPAM (Hybrid Poisson Aspect Modelling), a novel probabilistic graphical model for personalized shopping recommendation. Experimental results show that HyPAM outperforms GroupLens and the IBM method by generating much more accurate predictions of what items a customer will actually purchase in the unseen test data. The data sets and the results are made available for download at http://chunnan.iis.sinica.edu.tw/hypam/HyPAM.html.     

个性化新闻推荐技术研究综述

新闻每时每刻都在发生,阅读新闻已经成为很多人的习惯。新闻媒体众多,网络媒体凭其迅捷性和便利性成为很多人的首选。网络新闻众多导致新闻过载,这就迫切需要个性化的新闻推荐系统,帮助用户快速地找到感兴趣的新闻。伴随着新闻大数据的产生和移动互联网的蓬勃发展,个性化新闻推荐迎来了新的机遇和挑战。首先介绍了个性化新闻推荐的挑战性;然后提出了个性化新闻推荐系统的基本框架,该框架包含新闻建模、用户建模、推荐引擎和用户接口四个模块,并以该框架为基础,分别综述了每个模块的研究进展,列举了现有的个性化新闻推荐系统中四个模块所采用的技术;最后总结了常用数据集、实验方法、评测指标和未来的研究方向。     

基于信息流的实时电子商务推荐策略

针对企业对实时个性化推荐的需求,基于信息流的表达、生成和分析对顾客访问记录进行了深层次挖掘,研究了电子商务系统实时个性化推荐策略。提出了包含信息流定义、信息流评价、知识匹配、网站动态组织等算法在内的个性化推荐算法。基于J2EE技术完成了包含客户端、服务器端和存储系统在内的实时动态个性化推荐系统的结构设计。实例表明,随着训练次数的增加推荐准确度呈升高的趋势,并优于关联规则法。     

基于无线定位的个性化导览关键技术及其在博物馆中的应用

本文提出一种基于Wi-Fi无线定位网络能够满足相关应用精度需求的室内导览方法,该方法使用智能手机自身处理能力实时进行信号强度概率分布以及位置指纹匹配计算,使用基于动态权值的方法来对室内环境进行建模,引入加权线性公式组合推荐算法实现基于优化A星算法的路线规划。本文同时给出了该方法应用于构建博物馆个性化导览系统的应用示例,实验结果表明该方法具有较高的定位精度和推荐准确率。本文所提室内导览方法具有通用性好和组网成本低的特点,能够较好满足博物馆等室内导览系统应用需求,具备进一步进行商业化应用的潜力。