基于社交网络的社会化推荐算法研究

社交网络日趋活跃,基于社交网络的推荐成为电子商务推荐系统研究的热点领域之一;如何利用社交网络数据给用户进行推荐物品,是基于社交网络的推荐算法的研究重点。对社交网络的定义、社交网络数据的分类进行概述,研究基于邻域的社会化推荐和基于图的社会化推荐算法;结合实际推荐系统对社会化推荐算法进行改进设计。     

基于Android的音乐推荐系统的设计与实现

大数据时代,信息爆炸式增长,网络资源面临信息过载问题。如何能够有效获取所需信息,推荐系统应运而生。基于Android的音乐推荐系统主要实现用户管理、音乐推荐、音乐搜索等功能。尤其是音乐推荐,能够根据用户的兴趣或喜好自动推荐歌曲,有利于向用户推送长尾音乐。系统经过测试,功能基本实现,能够满足用户听音乐的兴趣或喜好需求。     

基于社交网络的人才推荐探析

本文对比传统的招聘渠道,剖析了基于社交网络的人才推荐具备覆盖范围广、信息真实有效、定位更精准、双方良性互动、成本更低等特点。基于社交网络的人才推荐过程,根据人才是主动被推荐给企业还是被动被企业发现,将基于社交网络的人才推荐模式分为主动推荐与被动推荐两种模式。其中,主动推荐模式是社交网络招聘的主流方式,被动推荐模式则有助于企业发现潜在候选者。     

基于领域协同过滤的专家评审推荐方法

针对创新、创业项目中专家评审匹配度低、针对性差等问题,本文提出基于领域协同过滤的专家评审推荐方法。结果表明,本文提出的基于协同过滤的专家评审智能推荐方法大大提高了项目的匹配度,同时提高了资源利用效率。     

考虑行为和眼动跟踪的用户兴趣模型

针对以往用户建模信息来源单一,用户兴趣判断模糊等缺点,本文以"淘宝网"及其用户为研究背景,将眼动跟踪、人机交互行为记录技术和回归分析相结合,研究用户人机交互行为和眼动跟踪特征和用户兴趣三者之间的相关性,最终建立基于人机交互行为和眼动跟踪的用户兴趣模型。并通过实验验证了该模型的有效性,为今后的智能化推荐系统建立奠定了基础。     

一种基于用户信任机制的个性化协同过滤推荐算法研究

传统的协同过滤推荐算法产生的数据稀疏性和冷启动问题存在潜在安全危机,不利于个性化推荐质量的提高。文章引入基于用户兴趣度和满意度的信任机制,改进传统用户信任度,通过信任度权重因子ωi,j,优化用户综合信任度,以提升预测评分质量。仿真实验分别从算法的推荐准确率和推荐覆盖率展开分析,实验结果表明,当ωi,j取值在0.5时,推荐准确率和覆盖率较RTCR算法、Trust Impact MF算法、A&I-Based算法明显占优。     

基于学习者画像的网络学习资源个性化推荐技术研究

利用个性化推荐技术解决学习者在海量学习资源中的"信息迷航"问题,是教育信息化领域的一项重要课题。本文对学习者画像的特点及构建方式进行了分析,并基于学习者画像库研究了网络学习资源的个性化推荐技术。     

基于用户学习路径分析的教育资源个性化推荐研究

针对学习者用户差异性需求推荐个性化教育资源是智能学习领域研究的难点,也是构建E-learning个性化学习支持服务的关键。学习者在网络学习过程中,其时序化的学习行为日志蕴含了各种学习路径信息。通过对目标用户学习路径分析可挖掘其所潜在的认知风格、学习偏好、认知水平等各种隐性特征信息,为E-learning教育资源个性化推荐提供重要依据。基于关联规则挖掘对用户行为日志分析,从系统架构、模型构建、路径匹配以及推荐算法四个维度切入,提出了E-learning环境下基于用户学习路径分析的教育资源个性化推荐解决方案。     

TopN推荐系统的差分隐私保护研究

提出了1种基于差分隐私保护的TopN协同过滤推荐算法—DP-TopN算法,使用Laplace噪音机制分别对推荐过程的数据预处理部分和用户评分部分进行随机扰动,并对推荐算法步骤进行调整,使得整个推荐过程满足差分隐私模型,从而达到保护用户隐私安全的目的。通过在真实数据集上进行的实验和理论分析表明,所提算法能在满足精确推荐的同时有效地保护用户的个人隐私。     

基于Mahout与协同过滤算法的中医调理文章推荐引擎

本文研究了推荐系统的相关知识,在传统的基于用户的协同过滤算法上引入了属性相似度,增加了相似度的准确度,提高了推荐性能;利用评估推荐器计算平均绝对误差评测、调整推荐器的性能;利用Mahout开源框架,结合协同过滤算法构建了中医调理文章推荐系统。