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。     

基于多模信息融合的个性化推荐系统的研究

为了解决信息过载的问题,我们可以通过在用户和产品之间建立二元关系的方法,利用已经拥有的比较相似的关系或者选择过程,挖掘出各用户可能感兴趣的对像。目前解决信息过载问题最有效的工具就是个性化推荐,该文利用不同的推荐算法,简单介绍了协同过滤系统,基于内容的推荐系统,基于用户—产品二部图网络结构的推荐系统,混合推荐系统。并分析这些推荐系统的特点以及存在的缺陷,帮助读者了解这个研究领域。     

基于多粒度特征和混合算法的文档推荐系统

文库系统对信息的传播利用有着重要的作用, 但在文库系统中出现信息过载问题后, 数据的利用率会大大降低. 针对该问题提出了一种基于多粒度特征和混合算法的文档推荐系统, 系统在短语和词语两个粒度上对用户兴趣及文档特征进行建模, 综合基于内容推荐算法及协同过滤算法, 为用户生成兴趣列表. 系统测试数据表明, 系统在准确率、召回率、覆盖率、新颖度等指标上均有较为优异的表现, 其为用户推荐的文档较符合用户实际偏好, 有助于提升文库系统的数据利用率, 改善用户体验.     

基于云计算技术的个性化推荐系统

传统的协同过滤推荐技术在大数据环境下存在一定的不足。针对该问题,提出了一种基于云计算技术的个性化推荐方法：将大数据集和推荐计算分解到多台计算机上并行处理。在对经典ItemCF算法MapReduce化后,建立了一个基于Hadoop开源框架的并行推荐引擎,并通过在已商用的英语训练平台上进行学习推荐工作验证了该系统的有效性。实验结果表明,在集群中使用云计算技术处理海量数据,可以大大提高推荐系统的可扩展性。     

推荐系统研究进展

推荐系统（recommender system,RS）是当今网络时代的产物,在技术研究和应用方面取得了很多成果。综述了推荐系统领域的研究状况和进展,提出了3个研究阶段,并指出了每个阶段标志性意义的事件。在当前大数据环境下,从数据的角度看推荐,提出了推荐系统新的分类方法,即根据推荐时所使用的数据不同分为7种类别,同时指出了每个类别使用了哪些推荐模型及其优缺点。提出了在大数据环境下进行推荐是未来推荐系统研究的一个大方向,分析了推荐视角下的大数据机制。最后比较和总结了推荐系统的评价指标,给出了未来的主要研究方向和可能的突破点。     

基于协同过滤的移动电子商务个性化推荐系统若干研究

在简要介绍移动电子商务个性化推荐系统概念的基础上,给出了移动电子商务推荐系统EMC-PRS的模块结构。重点分析比较了基于最近邻居的协同过滤算法和基于项目评分预测的协同过滤算法。经测试发现,基于项目评分预测的协同过滤推荐算法可以显著提高个性化推荐系统的推荐质量。     

个性化推荐算法综述

在现有文献统计下个性化推荐算法可以分为如下三类~([1,2]):基于内容的推荐(Content-based Recommendation)~([3,4])、基于协同过滤的推荐(Collaborative Filtering based Recommendation)~([5-7]),以及混合型推荐系统(Hybrid Recommendation)~([8-10])。其中,基于协同过滤的推荐因其对专家知识依赖度低以及可以利用群体智慧等特点,得到了最为深入也最为广泛的研究,它又可以被分为多个子类别,主要包括基于用户的协同过滤(User-based CF)~([11]),基于物品的协同过滤(Item-based CF)~([12]),以及基于模型的协同过滤(Model-based CF)~([6]),等。其中基于模型的推荐是一类方法的统称,它指利用系统已有的数据和用户历史行为,学习和构建一个模型,进而利用该模型进行用户偏好建模、预测与个性化推荐,根据具体应用场景和可用数据的不同,这里的模型可以是常用的奇异值分解等矩阵分解模型~([13]),也可以是主题模型、人工神经网络、概率图模型、组合优化甚至深度学习等机器学习模型~([1])。在下面的部分,我们将在如上几个方面对个性化推荐系统的研究现状进行具体的介绍。     

基于Web挖掘的个性化推荐算法研究

个性化推荐系统是根据用户的爱好,给用户推荐符合用户兴趣的对象的一种高级商务智能平台.论文重点探讨基于用户的协同过滤算法,介绍其基本思想和工作流程,并通过高级语言C＋＋来实现三种相似度计算方法,通过实验比较得出了最佳的计算方法,并设计实现了一个电子商务个性化推荐系统原型,对其他同类网站应用个性化推荐系统具有很好的参考价值.     

基于情感分析的个性化推荐算法研究

对基于情感分析的个性化推荐算法进行研究。为了推荐用户可能感兴趣的产品,该算法研究了以前的评级数据和用户文本评论中的情感数据,并将其与推荐算法相结合。使用情感词典和情感分类算法对文本评论进行聚类分析,并将情感得分作为评分数据的补充,然后使用基于邻域的协同过滤算法来为用户推荐物品。使用京东评论数据集进行了实验,并与其他基于协同过滤算法进行了比较。实验结果表明,该算法能够显著提高推荐准确度和用户满意度。     

一种电影个性化推荐系统的研究与实现

在协作过滤算法研究的基础上,考虑到相似项目之间评分的相似性,将此因素加入过滤算法得到改进的协助过滤算法,提高了算法的准确度。综合内容和协作过滤的优缺点,提出一种具有自适应调节的混合过滤算法,提高了过滤性能和准确度。根据改进的算法,针对电影领域进行实验,证明了其可行性。     

基于免疫算法的个性化推荐系统

针对个性化推荐系统中用户的多个不同需求,提出一种基于免疫算法的求解方法。该算法将要求解的个性化 推荐列表建模成一个最大化推荐准确性和多样性的多目标优化问题,采用基于用户的协同过滤技术对用户进行分类,设计了 适合推荐问题求解的抗体编码方式、克隆、变异算子。仿真实验结果表明,所提算法能够有效求得个性化推荐的最佳解,达到 可以同时为多个用户提供多个不同推荐的需求。     

基于信任偏好的个性化推荐

协同过滤推荐作为主流的个性化推荐方法在实际应用中存在一定缺陷, 在一些情况下得到的推荐结果不够准确。考虑到信任与用户偏好相似性的关系, 将信任引入到推荐模型中, 并同时考虑暗示用户偏好的多维因素, 提出基于信任偏好的个性化推荐方法, 以提高推荐系统的准确性, 并用实验验证了此方法的有效性。     

协作学习中基于协同过滤的学习资源推荐研究

符合学习者特征的学习资源对于提高协作学习效率具有重要的影响。但是传统的学习资源推荐,没有充分考虑学习者、学习资源的特征和高效的推荐算法。针对上述问题,提出了基于协同过滤的学习资源推荐算法,根据学习者学习特征、学习资源特征和学习者对学习资源历史评价信息,采用协同过滤推荐算法,实现学习资源推荐。首先,通过学习者特征和学习资源的评分,寻找相似学习者并计算学习资源预测评分,然后根据该评分值和学习资源与学习者匹配度推荐学习资源,从而为学习者推荐符合自己兴趣爱好最合适的学习资源。实验结果表明该算法在个性化学习资源推荐的准确性上优于传统算法。     

基于概念层次树的个性化推荐算法

改进了传统的协同过滤算法,提出了基于概念层次树的用户模型,利用该模型进行协同运算,使系统在用户共同评分项极其稀疏时也能产生推荐。在相似性计算和产生推荐阶段引入了概念分层思想,分别在商品种类上产生推荐,避免了推荐的单一现象。MovieLens数据集实验表明,改进后的算法在推荐质量上有了明显的提高。     

基于隐私保护的个性化推荐系统

针对传统个性化推荐系统存在的隐私容易泄露的缺点,提出一个基于代理的智能推荐系统,在向用户提供准确方便的内容推荐服务的同时保护用户隐私。在该系统中,所有用户私有信息的操作都在客户端执行,使用户隐私得到完善的保护。以嵌于RSS阅读器中的个性化广告系统为例,表明该方法能准确地推荐用户感兴趣的内容并且保护用户隐私。     

基于云相似度的B2B供应商个性化推荐算法

为满足B2B电子商务平台下供应商选择个性化服务需求,引入云模型中云的相似性度量算法和基于资源相似度的数据权重,对基于项目的协同过滤推荐算法进行改进,并用于供应商推荐过程中。实验表明,改进后的算法可以在一定程度上解决数据稀疏性问题并及时反映用户兴趣变化,从而实现个性化推荐服务,帮助企业快速有效开发供应商伙伴关系,提高企业的生产效率和竞争力。     

基于用户行为的个性化推荐系统的设计与应用①

目前电子商务网站提供的推荐服务很难满足用户的个性化需求,协同过滤算法作为应用最成功的推荐算法,依然存在数据稀疏性、用户评分真实性等问题,制约着推荐系统的质量。设计和实现了一个基于用户行为的个性化商品推荐系统,主要采用前融合组合推荐策略,避免了单纯使用协同过滤算法的弱点。阐述了基于用户行为的个性化推荐系统的设计思想和实现过程,最终通过实验验证了本推荐系统具有良好的推荐效果。