基于数据挖掘的开源电子资源访问行为统计模型

为了解决当前图书馆资源个性化推荐过程中存在推荐的准确率、召回率以及效率较低的问题,采用二维距离模型构建用户社区模型,用于描述访问用户与图书馆开源电子资源之间的关系,并对互联网用户需求和访问行为进行模糊规则推理.依据互联网用户属性和图书馆资源访问需求属性之间的模糊规则,建立图书馆开源电子资源访问行为统计模型,并利用该模型向用户提供个性化推荐服务.仿真结果表明,所建模型的推荐召回率高达98. 4%,推荐准确率为99. 2%,运行时间小于0. 04 s.所建模型能够为互联网用户提供准确、高效地图书馆资源个性化推荐服务.     

基于SOA的工程协同设计环境

针对当前复杂产品设计中智力资源和知识资源异地分布、学科领域广泛交叉的现状,研究了面向服务架构下的工程协同设计环境,讨论了实现该设计环境的关键方法与技术,包括以SORCER为基础的底层技术架构,标准化的设计服务接口与信息交互协议的建立,智力资源和知识资的封装等.最后以工程布局设计为例初步验证该设计环境的有效性.     

知识图谱技术综述

知识图谱技术是人工智能技术的重要组成部分,其建立的具有语义处理能力与开放互联能力的知识库,可在智能搜索、智能问答、个性化推荐等智能信息服务中产生应用价值。该文在全面阐述知识图谱定义、架构的基础上,综述知识图谱中的知识抽取、知识表示、知识融合、知识推理四大核心技术的研究进展以及一些典型应用。该文还将评论当前研究存在的挑战。     

一种基于粗糙集和模糊推理的生活方式病检查模型

为了实现从大量的医学数据中获取有效的知识并形成规则和做出正确的推理,提出了一种基于粗糙集和距离型模糊推理进行生活方式病检查的模型.采用改进的依赖度属性约简算法研究属性约简,去掉不必要属性,减小规则库规模,提高粗糙集知识发现方法在医疗健康数据上的分类效率和准确性.采用距离型模糊推理方法匹配知识库中已有规则,计算规则和给定事实的距离进行推理检查,构建距离型模糊推理的检查系统.通过实验数据描述了知识库的构建过程,并验证了模型的有效性.     

基于多Agent案例推理的个性化智能推荐服务

针对个性化智能推荐服务是大型科学仪器协作共用网的重要组成部分的情况,分析了个性化智能推荐服务的工作原理、系统结构及相关技术;重点论述了个性化智能推荐服务案例库的结构设计、案例生成及推理过程的算法描述.将基于案例的推理方法(CBR),多Agent技术与MVC模式有效地融入个性化智能推荐服务中,采用基于Struts构架的B/S多层混合体系结构,设计并实现了一个基于Struts构架与多Agent案例推理的交互式个性化智能推荐服务系统.     

一种基于过程框架结构生成机械设计专家系统的方法

本文针对机械产品设计过程的多阶段、多层次的特征,提出了机械产品设计知识组织的层次结构模型和设计过程框架(DPF)描述概念,研制出设计过程的控制结构和 DPF 程序处理器,使完成某一设计任务的专家系统可以采用多知识表示形式和多推理模式,能满足机械产品设计复杂过程的需要.     

基于属性关系深度挖掘的试题知识点标注模型

在各类在线学习系统中,为了给学生提供优质的学习资源,一个基础性的任务是对大量未标注的试题进行知识点标注.已有标注方法通常基于人工专家标注或者采用传统机器学习方法.在实际应用中,这些方法普遍存在成本过高、标注精准度不足等局限.为此,本文提出了一种基于属性关系深度挖掘的试题知识点标注模型.首先,利用句法语义模型和结构语义模型分别从试题文本和试题图形中抽取试题的显性属性关系.然后,利用蒙特卡罗树搜索构建问题求解框架,挖掘试题的隐含属性关系.最后,结合学科知识图谱,将属性关系映射到知识图谱空间,生成试题知识点.实验结果表明,所提出的方法能够有效地进行试题知识点标注,将对学生认知诊断、个性化试题推荐等具有一定的实际应用价值.     

个性化推荐系统描述文件攻击检测方法

个性化推荐系统能产生针对性的、个性化的信息来满足不同用户需求,但也很容易受到用户描述文件注入恶意攻击,影响正常的推荐结果.针对该问题,分析和研究了描述文件的形式化模型、描述文件的属性及分类方法,应用粗糙集理论,设计了数据预处理离散化、决策表约简和个性化推荐处理相应算法,提出了一种用户描述文件分类学习和攻击检测的方法;为...     

基于知识的汽车后桥CAx集成技术与应用研究

针对制造企业在应用CAx系统过程中如何集成各种信息资源和知识的问题,以汽车后桥产品设计开发为研究对象,提出了一种基于知识的协同CAx集成系统平台框架.采用基于本体论的知识建模方法,提出一种特征参数度量的相似实例检索方法,实现了知识的重用,着重叙述了基于实例推理技术、面向设计流程的知识驱动设计计算、基于特征参数的CAD建模方法、基于模型共享的CAE分析以及产品虚拟装配等关键技术,并开发了此系统平台,实现了基于知识的CAD/CAE集成,有效地支持了汽车后桥产品设计.     

基于信息检索及k均值聚类的音乐个性化推荐算法

为追求更高的推荐质量与更快的推荐效率,以音乐资源为研究目标,构建了一种结合MIR与k-means标签聚类的个性化推荐算法。选取音高变化与轮廓作为系统处理数据,利用输入、预处理、特征提取、相似度匹配和输出模块架构音乐信息检索系统,依据用户与资源的选择关系形成多模网络,通过延伸、局域范围界定以及连接优先化阶段组建检索系统的动态多维网络模型,采用k-means标签聚类搜索邻域用户,获取最近邻用户集,将解得的综合特征值设定成初始聚类中心,根据排序后的推荐资源预测结果,实现个性化推荐。针对阿里天池音乐数据开展仿真实验,采用平均绝对误差、准确率和召回率等指标验证算法性能,经实验数据比对后发现,本文算法准确率较为理想,误差较小,具备比较优越的推荐有效性。     

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.     

基于培养学生自主学习能力的远程教学平台研究

针对远程教学平台发展到现阶段存在的“知识个性化需求”问题,提出了一种“行为反馈-系统改善”机制。该机制通过对平台使用者的学习爱好、学习习惯、学习进程等行为信息收集与分析,向使用者有针对性、个性化地推荐其所需的内容,以达到针对每位使用者自适应、有针对性地个性化服务目的,形成“自主学习-系统推荐-更有针对性地自主学习”这样的良性循环。     

基于相似学习者发现的资源推荐系统

为了解决给规模大、分布广的远程学习者提供个性化的学习资源推荐的这一难点问题,提出了一种新颖的基于多代理的远程协作学习资源推荐机制,引入学习状态评估向量对复杂的学习行为进行建模,并基于组代理之间的交互来发现具有相似学习状态的学习者,同时构建了一个供社区学习者共享的即时交互和学习资源推荐平台,为社区学习者的学习资源共享提供了有针对性的推荐.实验证明,具有较高的相似学生发现准确率和社区构建效率,同时通过社区学生的资源推荐和共享,提高了学习者的学习效率和成绩.     

基于MABM的消费者情感倾向识别模型——以电影评论为例

识别线上消费者群体评论的情感倾向,有助于优化平台推荐算法及提升服务质量,如何有效识别消费者情感倾向,是一个热门的研究选题。本文基于多头自注意力机制的双向长短期机制提出MABM(Multi-head self-Attention and Bidirectional long-short term Memory neural network)情感倾向识别模型,采用知名电影点评网站豆瓣点评在线评论数据作为语料,使用文本挖掘工具对数据进行预处理,以10个机器学习模型和4个深度学习模型为对照组,按照8:2划分训练集和测试集来验证对比评估MABM模型的有效性和稳健性。两组对比实验结果发现,深度神经网络模型预测效果整体优于机器学习模型,并且以MABM模型的分类效果最佳。MABM模型能够有效识别消费者评论的情感倾向,使推荐算法能有效结合消费者的心理行为,以获得更显著的营销效果。     

一种基于深度学习的精准商品推荐方法

随着互联网技术的飞速发展,互联网用户在畅游网络的同时也面临着信息过载的问题,而个性化推荐技术则成为了解决信息过载问题的有力工具。为了对用户提供更精准的商品推荐服务,提出了一个基于栈式降噪自编码器（SDAE）和贝叶斯个性化排序（BPR）相结合的深度神经网络模型SDAE-BPR。首先,使用SDAE把商品评分数据作为输入,编码后得到隐特征。其次,用BPR的方法学习对应商品的隐特征向量。该模型能够避免矩阵稀疏性的影响,因此达到了更精准推荐商品的效果。最后,分别使用Movielens 20 M和Movielens 1 M数据集,对SDAE-BPR模型与传统基于商品的协同过滤模型（IB-CF）、传统基于用户的协同过滤模型（UB-CF）做了对比,结果发现SDAE-BPR具有更高的准确度。     

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。     

基于多头注意力卷积网络的电力负荷预测

预测居民用电相当于预测一个多元时间序列.针对多个传感器信号的特定窗口能够利用预测模型提取不同的特征来预测用电量.然而,由于时间序列内部特征存在着不规则的模式,包括电力属性之间隐藏的相关性,使得负荷预测准确率不高.为了提取复杂的不规则电力模式,选择性地学习时空特征以减少电力属性间的平移方差,本文提出了一种基于多头注意力的卷积循环神经网络深度学习模型.相较于单纯的时间序列模型,该模型利用卷积和加权机制对电力属性和有功功率间的局部相关性进行建模.它利用softmax函数和点积运算的注意力分数来模拟电力需求的瞬态和脉冲特性,有效地对瞬时脉冲功耗进行预测.在美国加州大学欧文分校(University of California,Irvine,UCI)家庭用电数据集共2 075 259个时间序列上的实验表明,所提出的模型与现有方法相比,准确率得到了较大提升.     

基于深度学习的融合多源异构数据的推荐模型

为了充分利用多源异构数据所提供的信息提高推荐准确度,提出一个基于深度学习的混合推荐模型.该模型融合评分、评论和社交网络数据进行推荐,采用深度学习方法对文本和评分进行特征学习,然后使用社交网络对采样进行约束,从而得到更准确的用户和物品的特征表示.实验结果表明,该方法具有较高的准确度.     

基于点击图特征的稀疏广告点击率预测方法

为更全面地反映用户个人偏好,提高推荐的准确度,提出了一种融合多源异构数据的混合推荐模型.综合考虑了用户社交关系和用户评论对用户评分的影响,从评论中提取主题信息作为用户和商家的特征,采用社区发现算法为用户划分社区,利用机器学习方法为社区建立模型,预测用户对商家的评分,再根据评分对商家进行排序,取前N个商家推荐给用户.实验结果表明,提出的混合推荐模型与经典推荐算法相比,可提高评分预测的准确度,从而提高推荐的准确度.