用户偏好与时间序列的兴趣点推荐模型

传统的兴趣点推荐通常忽略了用户签到行为中序列模式的重要性,且无法有效地捕捉用户复杂且动态变化的兴趣偏好.由此,本文提出了一种用户偏好和时间序列的兴趣点推荐模型(User Preference&Time Sequence based POI Recommenda-tion,UPTS-PRec).该模型能够分别对短期偏好和...     

用户多兴趣信任度的个性化推荐

目前大多数推荐技术是针对用户单方面兴趣进行的。提出了一种用户多面（multi-faced）兴趣信任度的推荐算法,以适应博客、维客、新闻文章等涉及用户多种兴趣下的推荐。新算法以一种协调的方式将传统的协同过滤算法和基于信任度的推荐算法相结合。实验结果表明,该算法不仅能适应用户多种兴趣下的推荐,而且能有效解决冷启动问题,大大提高了推荐效果。     

基于对比学习的多兴趣感知序列推荐系统

序列推荐的近几年工作通过聚类历史交互物品或者利用图卷积神经网络获取交互的多层次关联信息来细化用户兴趣. 然而,这些方法没有考虑具有相似行为模式的用户之间的相互影响以及交互序列中时间间隔不均匀对用户兴趣的影响. 基于上述问题,提出一种基于对比学习的多兴趣感知序列推荐模型MIRec,一方面考虑了序列内部的物品依赖和位置依赖等局部偏好信息,另一方面通过图信息聚合机制获取相似用户之间的全局偏好信息;然后将融合局部偏好和全局偏好的用户表示输入胶囊网络中,学习用户交互序列中的多兴趣表示;最后通过对比学习使用户的历史交互序列靠近增强的交互序列,获得对时间间隔不敏感的用户多兴趣表示,为用户提供更准确的推荐. 所提模型在2个真实数据集上进行了充分实验,实验结果验证了所提模型的有效性.     

基于用户偏好特征挖掘的个性化推荐算法

为了提升社交网络个性化推荐能力,结合用户行为分布进行个性化推荐设计,文中提出基于用户行为特征挖掘的个性化推荐算法,构建社交网络的用户行为信息特征挖掘模型,采用显著数据分块检测方法对社交网络用户特征的行为信息进行融合处理,提取反映用户偏好的语义信息特征量.从情感、关键词和结构等方面根据用户行为特征组,结合模糊信息感知方法...     

用户多兴趣下的个性化推荐算法分析

目前,客户关系管理的一项重要内容为电子的商务个性化推荐。协同过滤算法是运用范围最广的推荐技术,但传统协同过滤推荐算法不适合多兴趣用户的推荐,则在此基础上通过协同过滤、项目协同过滤算法等,计算目标项目相似集,并在目标相似集中运用协同过滤算法处理。基于此,剖析用户多兴趣下的个性化推荐算法,并结合用户多需求的特点,总结个性推荐算法的优势,旨在通过完善算法推荐,实现个性化推荐算法与传统算法的融合,提高用户的体验满意度,充分展现个性化推荐算法的应用价值。     

基于模糊兴趣模型与多Agent的个性化推荐系统

提出了基于模糊兴趣模型与多Agent的个性化推荐系统框架,通过引入用户模糊兴趣模型,使以Agent为基础的推荐系统无法通过隐式收集用户对商品属性评价的问题得到解决,并且在客户端收集并挖掘用户的私有信息,然后从服务器中获取用户感兴趣的信息,最后生成并更新UserProfile。     

面向用户偏好的个性化音乐智能推荐系统

针对当前个性化音乐智能推荐系统的用户满意度低问题,为此设计面向用户偏好的个性化音乐智能推荐系统。首先采集用户兴趣数据,采用知识本体构建用户个性化音乐兴趣模型,然后采用概率矩阵分解设计个性化音乐推荐算法,最后仿真实验测试系统性能。测试结果表明,系统推荐准确度较高,兴趣吻合度最高可达98.632%,情景吻合度最高可达99.250%,提升了下载与收藏平均精度,实时更新和推荐时延短,实时更新时延低于2 000 ms;实时推荐时延低于600 ms,系统的推荐性能与运行性能都很好。     

基于用户长短期偏好及时空场景的下一个兴趣点推荐

在现实生活中,用户对兴趣点的偏好会受到时空场景的影响,用户希望获得匹配当前时间的推荐结果。由此,提出基于用户长短期偏好及时空场景的下一个兴趣点推荐模型。该模型围绕实时兴趣点推荐这一问题,从用户的长短期偏好两方面来挖掘用户的实时兴趣偏好。对于长期偏好,从历史数据中收集与当前时空场景最相关的信息。对于短期偏好,在序列影响的基础上考虑时间推移影响。在公开数据集上的实验结果证明了方法的有效性。     

基于浏览偏好挖掘的实时商品推荐方法

在分析了当前推荐技术中各种算法的优缺点和及其存在的主要问题的基础上,提出一种浏览偏好挖掘的实时商品推荐方法。该算法通过分析用户Web游览记录,并使用贝叶斯网预测其浏览偏好,然后将用户偏好与商品特征进行匹配计算进而产生商品推荐。实验表明该方法能为用户提供更为精确有效的个性化推荐。     

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。     

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。     

娱乐门户网站个性化推荐服务研究

本文从娱乐门户网站的访问日志中挖掘出用户喜好的访问模式,分析得出用户偏爱度反相关于日志中时间距离,正相关于使用频度,并推导出用户偏爱度函数,从而以用户偏爱度来指导系统自动调整用户的显示界面和内容,并以管理子系统为例介绍实现智能的个性化推荐系统。     

一种基于中间代理的个性化推荐系统

个性化推荐系统能很好地解决互联网中信息过载的问题,传统推荐系统存在着商家较为分散、隐私容易泄漏的问题。提出了一种基于中间代理的电子商务智能推荐系统,利用内容过滤技术进行推荐,在考虑用户隐私的基础上使用向量空间模型挖掘用户的兴趣偏好和商品的特征评价,引入时间遗忘函数以处理兴趣变化问题,根据收集的信息产生推荐序列,针对重点难点问题提出了解决方案。采用Movielens数据集进行的实验结果表明,该方法能提供较好的推荐准确度与计算性能。     

对应用型本科生开设数据挖掘课程的尝试

本文对数据挖掘课程的特点以及应用领域、数据预处理方法以及关键的四项技术、Web挖掘与个性化推荐以及算法实现及应用上做了分析,并且在教学实践中做了尝试,提出了一些经验和不足。     

基于改进自编码器的在线课程推荐模型

随着互联网技术的发展以及2020年新冠疫情的爆发, 越来越多的学生选择在线教育. 然而在线课程数量庞大, 往往无法及时找到合适的课程, 个性化智能推荐系统是解决这一问题的有效方案. 本文根据用户在线学习具有明显时序性的特点, 提出一种基于改进自编码器的在线课程推荐模型. 首先, 利用长短期记忆网络改进自编码器, 使得模...     

一种支持个性化Web推荐的聚类分析

提出基于关联的聚类分析方法,挖掘具有相似访问兴趣的用户访问模式,分离不相关的用户模式,并提出基于关联的聚类算法。实验证明,该算法大量减少不相关的用户访问模式,提高个性化推荐质量。为进一步研究个性化推荐技术奠定基础。     

基于FP-Growth的智能家居用户时序关联操控习惯挖掘方法

针对传统关联规则挖掘算法无法高效且准确地挖掘出隐含于用户操作记录中的时序关联操控习惯,提出一种基于FP-Growth的智能家居用户时序关联操控习惯挖掘算法。该算法分为三个阶段,分别为基于用户操控动作森林、改进的FP-Growth算法和一种时间约束规则进行事务集的生成、时序频繁项集的生成以及最终时序关联操控习惯的生成。最后,使用真实用户操控记录进行对比实验,结果表明该算法能提高生成事务集的效率,并能更准确地发现用户操控家居设备的时序关联习惯。     

基于本体的旅游资源二次推荐方法研究

为降低用户寻找旅游资源时的负担,更好地处理用户的需求和偏好,从用户角度出发,提出了一种基于本体的二次推荐方法。该方法引入本体来描述旅游资源,实现了用户的直接需求及偏好兴趣信息与推荐中过滤条件的关联,用户可对推荐结果进行评价。理论分析和实验表明,该方法可行,推荐结果能够覆盖绝大部分用户的选择,具有较好的效果。     

一种改进Apriori的个性化信息推荐算法

对现有的Apriori算法进行改进,用分治策略引入哈希技术的方法完成了压缩侯选集,减少频繁扫描数据库的次数,克服了原有关联规则的数据挖掘算法生成频繁集比较大,且需要反复扫描数据库的问题。     

个性化推荐推荐系统中基于WEB 的挖掘

Intemet的普及和应用带来了WEB上的信息爆炸,如何基于WEB挖掘技术设计有效的信息推荐算法和推荐系统成为当前的研究热点。开发了一种基于WEB使用的推荐系统WRS（Web Recommendation System）,在该系统中,提出了一种利用图形分割技术聚类用户访问模式的算法,并采用最长公共子序列算法对用户目前的行为进行识别。理论分析和实验结果表明,改进后的模型在推荐质量上有了较大提高。