一种团购商品的个性化推荐算法研究

团购商品凭借其价格优惠和能够亲身体验的优势越来越得到人们的青睐.为帮助团购网站实现个性化营销,将用户购物过程中的上下文环境因素融入到传统的推荐算法中,提出了一种基于上下文感知的推荐算法,基于用户相似和物品相似中加入上下文信息相似,构造了计算商品预测评分的公式,进而得到推荐列表,使个性化推荐体现得更加充分.     

融合时空上下文信息的兴趣点推荐

为了给用户提供更好的位置服务,提出了一种位置社交网络中融入时空上下文信息的混合个性化兴趣点推荐模型.在空间上,对用户签到进行层次聚类,对各聚类内二维核密度估计的结果取平均.在时间上,利用用户签到的时间信息、签到的位置信息及社交网络构建转移矩阵,运行改进图的随机游走模型.混合模型融合时空上下文信息做推荐.在真实数据集上的实验结果表明,无论在标准推荐场景还是冷启动场景下,混合推荐模型的准确率和召回率性能均优于基准方法.     

适应用户需求变化的前摄推荐模型

为了减少前摄推荐对用户当前活动可能产生的干扰,提出一种适应用户接受度变化的前摄推荐模型,感知用户对系统主动的信息推送是否有潜在需求以及需求的波动性,以提高用户体验。使用接受度向量来评估用户对信息推送的需求,应用决策树算法对用户历史上下文进行规则推理,形成用户对上下文推荐的接受度向量,并根据上下文变化和用户反馈来调整推荐接受度向量。试验结果表明,模型能够响应用户对推荐的动态变化,有助于改善用户体验。     

基于隐语义模型的推荐算法研究

针对传统推荐算法用户兴趣值低、准确性差的问题,提出基于隐语义模型的推荐算法研究。首先对隐语义模型数据特征值进行采集,获取用户的个性化喜好信息,并针对采集到的特征数据及搜索关键词,进行不同信息之间的关联性数值的判断和分类处理。在此基础上,根据判断和分类处理结果对不同层次的信息进行推荐排序处理,优化模型信息推荐步骤,实现隐语义模型信息推荐。实验研究结果表明,基于隐语义模型的推荐算法的用户兴趣值高于其他传统推荐算法,且信息推荐的准确性较高。     

基于网络用户信息行为的个性化推荐模型

探讨了网络用户信息行为的基本概念和个性化推荐的相关技术。以此为基础,创建了基于网络用户信息行为的个性化推荐模型。对比实验结果表明,此模型在准确率、稳定性、推荐效率方面有一定的优势。     

基于四阶奇异值分解的推荐算法研究

三阶奇异值分解推荐算法可以综合考虑用户、物品标签和物品三部分信息,挖掘三者之间的潜在关系进行推荐,然而该方法并没有引入其他方面的有效信息,如用户情感。为了考虑更多维度的信息,本文在三阶奇异值分解推荐算法的基础上,提出了一种加入用户情感信息的四阶奇异值分解推荐算法。该方法基于从评论中的emoji表情提炼出的用户情感偏好,再引入四阶张量模型,存储用户、用户情感、物品标签和物品四元组数据,应用四阶奇异值分解,从而进行个性化推荐。在某在线互联网教育的实证数据集上的实验结果表明,该方法比三阶奇异值分解推荐算法以及传统推荐算法在准确率和召回率性能指标上都有明显提升,其中进行Top-1推荐时,准确率和召回率可以达到0.513和0.339。本文的工作为移动通信端的个性化推荐提供了借鉴。     

一种基于桌面信息的个性化推荐方法

针对当前信息检索服务中存在的固有缺陷,提出了一种基于用户桌面信息抽取的个性化推荐方法．详细介绍了通过用户桌面资源信息抽取建立长期用户模型,以及通过工作场景信息抽取建立短期用户模型的算法．长期用户模型提供了完整全面的用户兴趣偏好信息,短期用户模型则为预测用户当前信息需求提供了依据．实验结果表明,基于用户桌面信息抽取的个陛化推荐服务能较好地预测用户当前需求、具有良好的推荐效果．     

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。     

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。     

基于协同过滤算法的个性化推荐系统的设计及实施

Internet的发展导致了信息资源的膨胀,用户希望能通过自动化的工具来发现期望的信息资源,为了满足用户的这个需求,个性化推荐系统就随之产生了。个性化推荐系统所采用的推荐算法决定了推荐系统的优劣,本文主要设计了基于协同过滤算法的个性化推荐系统模型,并将该模型应用于相应的网站中。     

Web数据反馈的搭配抽取方法

为了提高搭配(Collocation)抽取的精度,提出一种新的互联网数据的搭配抽取方法.传统的搭配抽取统计方法都是基于语料库的,常受到语料库规模的影响和制约,而在互联网数据中蕴含着丰富的知识和信息,基于Web的词汇相关性度量方法,充分利用搭配在谷歌中的页面数模拟其对应语料库的词频数,并分别选取共现频率、互信息、卡方检验3种经典统计关联度量方法.实验结果表明召回率、精确率均好于对应的基于语料库的方法,这说明互联网中大量数据应用于自然语言处理各种任务的可行性.     

电子商务网站考察期用户推荐系统的实证分析

通过对电子商务购物模式下考察期用户的满意度进行调查和实证研究,分析出推荐系统影响考察期用户满意度的主要因素是感知信息质量和信任。针对电子商务网站考察期用户,推荐系统应当提高推荐信息的准确性、相关性和可靠性以提高感知信息质量,为企业利用推荐系统实施有针对性的营销活动提供了依据。     

基于深度学习的推荐算法研究综述

深度学习技术是机器学习领域的一个研究热点,已被深入研究并广泛应用于许多领域. 推荐系统是缓解信息过载的重要技术,如何将深度学习融入推荐系统,利用深度学习的优势从各种复杂多维数据中学习用户和物品的内在本质特征,构建更加符合用户兴趣需求的模型,以提高推荐算法的性能和用户满意度,是深度学习应用于推荐系统的主要研究任务. 对基于深度学习的推荐算法研究和应用现状进行了综述,讨论并展望了深度学习应用于推荐系统的研究发展趋势.     

新一代Web搜索引擎中数据的抽取

Ｉｎｔｅｒｎｅｔ上日新月异的大量信息资源充斥,这对搜索引擎提出更高要求,为提高搜索引擎中Ｓｐｉｄｅｒ的智能化,引入一种新的数据模型和文档自动检索模型,其中文档自动检索主要由关键字提取和抽取文摘两部分组成。在此模型基础之上的构造全新的数据检索方法,用模型匹配的方法搜索网页为此模型提供带权值的信息资源,为精确描述ＷＥＢ信息提供了依据,这种检索方法同时增强了Ｓｐｉｄｅｒ的适应性,简化了编程维护上工作量。     

Retrieval of canopy biophysical variables from remote sensing data using contextual information

In order to improve the accuracy of biophysical parameters retrieved from remotely sensing data, a new algorithm was presented by using spatial contextual to estimate canopy variables from high-resolution remote sensing images. The developed algorithm was used for inversion of leaf area index （LAI） from Enhanced Thematic Mapper Plus （ETM＋） data by combining with optimization method to minimize cost functions. The results show that the distribution of LAI is spatially consistent with the false composition imagery from ETM＋ and the accuracy of LAI is significantly improved over the results retrieved by the conventional pixelwise retrieval methods, demonstrating that this method can be reliably used to integrate spatial contextual information for inverting LAI from high-resolution remote sensing images.     

耦合社会信任信息的矩阵分解协同过滤模型

在过去的十年中,协同过滤（CF）推荐系统已经取得了巨大的成功。然而,用户-物品矩阵的稀疏性和冷启动问题仍然是一个挑战。在线社交网络的出现,为推荐系统提供了大量社交网络信任信息,从而为解决这一问题提供了契机。该文基于矩阵分解协同过滤方法,提出了一种集成用户信任信息的模型。该方法利用用户信任信息对用户隐因子进行修正,采用自编码器来提取用户和物品隐特征向量的初始化特征,并针对社交网络中的信任关系提出了信任群组的检测算法。大规模的真实数据集上进行的广泛的实验表明,该模型与相关算法对比,不但能有效缓解冷启动,而且取得了更好的推荐性能。     

推荐系统中分布式混合协同过滤方法

传统协同过滤方法面临数据稀疏问题,稀疏的用户-项目关联数据将产生不准确的相似用户或项目,为了改善推荐质量,提出一种基于Map Reduce的混合协同过滤方法.该方法利用用户特征和用户-项目评分数据构造项目偏好向量,然后使用模糊K-Means算法对项目进行聚类,并从每个项目簇中选择相似项目,最后组合所有项目簇的预测结果作出推荐.实验结果显示,该方法能缓解数据稀疏问题,改善推荐精度.     

基于CNN和犹豫模糊决策的欺诈攻击检测

推荐系统能够有效缓解互联网的迅猛发展带来的信息过载问题,但欺诈攻击的存在制约了推荐系统的健康发展,因此如何准确、高效地检测欺诈攻击是推荐系统安全领域的重要问题。针对传统检测方法依赖专家知识人工提取特征的局限性以及已有基于深度学习的欺诈攻击检测方法存在的硬分类问题,利用卷积神经网络（CNN）自动获取用户空间和时间上的低维表示向量,提出了一种基于CNN和犹豫模糊集的欺诈攻击检测方法CNN-HFS。首先对每个用户分别从评分值、评分偏好和评分时间这三个视角抽取三个行为矩阵,利用双三次插值法对三个矩阵进行缩放得到对应的密集评分矩阵、密集偏好矩阵和密集时间矩阵;然后,将每个用户任意视角下的缩放矩阵视为一个图像,在三个不同视角下分别训练CNN,计算任意用户在每个视角下属于攻击用户类的隶属度;最后,引入模糊犹豫集对多视角下的检测结果进行综合决策,根据决策结果识别出攻击用户。实验结果表明,CNN-HFS在MovieLens 1M数据集上的F1值超过95%,在Amazon数据集上的F1值达到85%。与七种对比方法相比,CNN-HFS在两个数据集上均具有更高的检测精度、召回率及F1值。     

基于多特征的搭配翻译模型研究

提出一种新的搭配(Collocation)翻译方法,该方法在最大熵模型框架下,充分利用各种从单语和双语语料库中获取的信息.与过去的过分依赖双语语料库的方法不同,新的搭配翻译方法可以使用单语语料库训练翻译模型,在搭配内在信息的基础上,进一步引入了上下文信息.采用EM(Expectation Maximization)算法估计基于上下文的词汇翻译概率.本模型同时具备集成来自双语语料库信息的能力.实验表明,本文方法优于现有的基于单语语料库的搭配翻译方法,在双语语料库的支持下还可以得到更好的结果.     

数据挖掘研究现状及最新进展

随着Internet和大型数据库的出现,“信息爆炸但知识匮乏”的问题日益显著。如何从海量无序的数据中迅速、准确地提取有用信息和知识,创造更大的效益是一个迫切需要研究的课题。因此,数据挖掘应运而生,成为一个新的研究领域。本文对数据挖掘研究及最新进展从三个方面进行综述,总结了数据挖掘的应用现状,然后介绍了作者等人的相关研究工作,最后提出了数据挖掘未来研究方向。