基于聚类分析的新书推荐

针对大多数图书馆管理系统中的个性化服务中的新书推荐只是定时将新到馆的图书罗列出来让读者浏览进行推荐,推荐效果差的问题。本文在比较三大常用的推荐技术的优缺点后,采用基于聚类分析的推荐算法推荐新书,并具体给出实现的方法。     

决策树分类算法在个性化图书推荐中的应用

采用数据挖掘中的决策树方法,对图书馆的图书借阅数据进行研究和分析,提出了基于读者阅读兴趣的个性化图书推荐模型。实验表明,该模型能够为新老读者有针对性地推荐新书,较好地实现了图书馆的个性化的创新服务。     

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。     

动态书目推荐图书管理系统设计与实现

在图书管理系统中,如何处理复杂读者信息和频繁的图书借还信息,成为系统设计的一个关键问题。本文设计并实现了一个基于内容过滤与协同推荐算法的图书馆管理系统。系统可针对不同用户推荐个性化图书,给予读者动态推荐书目,并通过用户发布的图书评论生成好评率排名,实现图书的动态管理。实践应用表明,该系统在一定程度上能满足个性化图书的动态推荐管理需求。     

基于多Agent的图书馆个性化信息服务应用模型研究

将分布式综合推荐模型和基于Agent技术的Web挖掘模型应用于图书信息服务系统,设计了两级数据库,分别用于支撑内容挖掘模块和协同过滤模块,充分利用分布式架构与Agent技术的优势,实现了跨站点的分布式智能搜索和个性化推荐.     

基于Eclat算法的图书推荐系统仿真

研究了图书馆的个性化推荐系统应用问题,针对常用的协同过滤技术不适用于大数据量的情况,在深入研究关联规则Eclat算法的基础上,为了高效挖掘和优先搜索有效信息,提出了一种改进算法,并将算法应用于图书推荐系统的仿真实验中,新算法充分利用了垂直数据表示和交叉计数的高效优势,直接在垂直数据表示的数据集上通过广度优先搜索和交叉计数产生频繁模式,通过对流通数据库中的借阅记录进行挖掘得到关联规则,产生读者感兴趣的书目.仿真结果表明算法可以在大数据量的情况下实现关联规则的高效挖掘,在图书推荐系统中取得了良好的应用效果.     

基于协作过滤算法的电子商务个性化推荐系统的研究

针对目前电子商务个性化推荐研究的不足,提出准确全面地获取用户独特兴趣爱好、满足用户差异化需求的推荐服务,同时构建了具体的个性化推荐系统模型,给出了基于协作过滤算法的电子商务个性化推荐的流程、系统设计和系统实现,从而有利于推动电子商务的发展。     

基于Mahout的高校图书馆个性化推荐应用研究

为读者提供个性化推荐服务是高校图书馆智慧服务一项重要的内容。高校图书馆可以开发基于协同过滤推荐等方法来构建个性化推荐应用系统。重点介绍了利用Apache Mahout包含的推荐引擎Taste组件开发图书个性化推荐的流程和核心模块实现，模拟数据测试显示该系统实现了初步的推荐。     

个性化服务技术研究

对个性化服务技术中的用户识别、用户描述文件、个性化推荐技术、个性化服务系统的体系结构及目前的研究方向进行了概述。从实现角度详细讨论了3种个性化推荐技术。个性化服务具有针对性,它的目的就是为了使用户更好地找到需要的信息,通过从用户访问网站的历史记录中得到用户的个人信息,利用个性化推荐的方法将信息推荐给用户。个性化推荐避免用户陷入信息的海洋,提高用户查询效率,使得用户可以得到他们真正想得到的信息,避免繁多的人工搜索。     

个性化服务技术研究

对个性化服务技术中的用户识别、用户描述文件、个性化推荐技术、个性化服务系统的体系结构及目前的研究方向进行了概述。从实现角度详细讨论了3种个性化推荐技术。个性化服务具有针对性，它的目的就是为了使用户更好地找到需要的信息，通过从用户访问网站的历史记录中得到用户的个人信息，利用个性化推荐的方法将信息推荐给用户。个性化推荐避免用户陷入信息的海洋，提高用户查询效率，使得用户可以得到他们真正想得到的信息，避免繁多的人工搜索。     

An OWA‐Based Ranking Approach for University Books Recommendation

Generally the book recommendation approaches are personalized in nature, that is, they utilize the users’ purchasing behavior to recommend them the book similar to their preferences. The main problem with the personalized recommendation is its knowledge requirement about users’ past preferences. As a result, these techniques fail in producing appropriate recommendation for a new user whose preferences are not known. The personalized recommendation also needs extra space to store the users’ preferences. In this paper, a framework to recommend books to university students for their studies is presented. In order to answer which books are to be included in the syllabus, a specialized way of recommendation, where recommendations from experts of the subjects at different universities are considered, is presented. We have suggested a ranked recommendation approach for books, which employ Ordered Weighted Aggregation (OWA), a fuzzy‐based aggregation, to aggregate the several ranking of the top universities. On the one hand, it does not need user prior preferences, and on the other hand, it eases the complexities of personalized recommendation to huge number of users and replaces it with a single ranked recommendation. The experimental results are compared with the existing positional aggregation algorithm that demonstrates significant improvement in the results with respect to various performance metrics.     

A cloud-based recommendation service using principle component analysis–scale-invariant feature transform algorithm

Cloud computing delivers resources such as software, data, storage and servers over the Internet; its adaptable infrastructure facilitates on-demand access of computational resources. There are many benefits of cloud computing such as being scalable, paying only for consumption, improving accessibility, limiting investment costs and being environmentally friendly. Thus, many organizations have already started applying this technology to improve organizational efficiency. In this study, we developed a cloud-based book recommendation service that uses a principle component analysis–scale-invariant feature transform (PCA-SIFT) feature detector algorithm to recommend book(s) based on a user-uploaded image of a book or collection of books. The high dimensionality of the image is reduced with the help of a principle component analysis (PCA) pre-processing technique. When the mobile application user takes a picture of a book or a collection of books, the system recognizes the image(s) and recommends similar books. The computational task is performed via the cloud infrastructure. Experimental results show the PCA-SIFT-based cloud recommendation service is promising; additionally, the application responds faster when the pre-processing technique is integrated. The proposed generic cloud-based recommendation system is flexible and highly adaptable to new environments.

     

基于电子商务的个性化推荐系统研究

在电子商务环境中,实现个性化服务,理解用户兴趣就成了提供个性化服务的关键任务。因此,建立用户兴趣模型和构建推荐库就成为个性化推荐系统的实现基础。论文通过网络爬虫获取到相关的网页,进行预处理后,采用SVM（支持向量机）分类文档建立推荐库。通过对用户访问路径、搜索关键字等分析,获取用户兴趣,采用向量空间模型表示用户兴趣,利用机器学习构建用户兴趣模型。在推荐库和用户兴趣模型的基础上,加入推荐引擎,实现了基于电子商务的个性化推荐系统。     

基于网络爬虫和智能推荐的大学生精准就业服务系统

为适应新时代国家关于大学生就业服务的要求,在LeanCloud云服务平台下,基于Scrapy网络爬虫技术和智能推荐算法,研究并设计了一个大学生精准就业服务系统。该系统可根据毕业生的求职意向,实现职位的智能推荐。实验证明,该系统能有效满足毕业生个性化就业需求,提高企业的招聘效率,提升学校精准就业服务的水平。     

基于Web日志的煤矿企业网站个性化推荐服务研究

为了解决煤矿企业网站用户查找信息难的问题,提出了一种基于Web日志的煤矿企业网站个性化推荐服务模型。该模型应用关联规则对新用户进行页面推荐,应用聚类算法对老用户进行页面推荐;并结合点击网页的次数、网页的浏览时间、雅可系数与最长公共路径系数来度量用户兴趣度的方法,可为用户准确地推荐其感兴趣的页面。测试结果表明,该模型能够有效地对网页资源进行分类并进行个性化推荐。     

三网融合下图书云服务个性化推荐

随着云计算技术的飞速发展,数字图书馆云平台 SaaS 层的图书应用服务数量将会快速增长,为图书用户选择个性化的云服务带来困难。通过建立偏好树,构建了三网融合环境下的图书用户模型和图书云服务模型。为了确定图书云服务对图书用户的推荐度,设计了服务选择算法。经过实验数据分析,该算法可以根据图书用户模型的偏好需求,为用户推荐匹配度较高的图书云服务。     

改进的FP-growth关联规则算法及其在图书推荐系统中的应用

在FP-growth关联规则算法的基础上提出了基于动态二维数组的算法,引入可变二维数组结构,动态的将事务数据库存入该数组中,可以大大提高数据挖掘的效率。并以图书馆管理系统中的图书借阅数据作为训练数据,使用改进的FP-growth算法实现了高校图书推荐系统,本系统能够从图书馆图书借阅记录中挖掘和发现读者借阅行为中隐含的规律,得到读者与图书的频繁项集,从而可以实现对不同身份的读者推荐不同类型的图书功能。     

关联规则在个性化图书推荐中的应用研究

为了提高图书的借阅率,满足读者的个性化需求,提出使用关联规则挖掘技术。当读者借阅某本图书时,自动从海量图书中找到与该图书相关的书籍推荐给读者。实践证明该方法能减少读者寻找相关图书的时间,达到个性化推荐的目的。