基于信任社区的电子商务推荐模型

针对电子商务平台中出现的信息"超载"问题,通过采用用户聚类划分和节点信任值计算分析的方法建立电子商务信任社区,并结合商品自身评价信息,构建电子商务推荐模型。该模型根据用户最信任的若干邻居对商品的评价信息,预测用户对未购买的商品的评分值,将预测评分值较高的商品推荐给用户,并且在推荐算法设计过程中考虑了推荐的时间效应,为用户提供有效的商品推荐服务。     

一种多层混合的推荐模型研究

在全面分析研究邻域模型和隐语义模型的基础上,针对现有推荐模型的优缺点,首先建立了一种融合邻域模型和隐语义模型的混合Top-N推荐模型,有效利用了用户反馈的信息,并全局考虑了用户与项目的潜在关系。然后综合考虑用户反馈信息、自身特征信息及潜在信息等因素,提出了一种基于SVD++上的全新混合Top-N推荐模型SHT(基于SVD++的混合Hybrid Top-N推荐模型缩写)。通过将特征信息融入模型,可准确地表现用户与项目的属性特征,实现依照用户的喜好与习惯高效、快捷和精准地推荐。实验结果表明,每一层的模型都能够在不同程度上提高推荐结果的精度。     

浅析电子商务个性化推荐技术

随着互联网的普及和电子商务的发展,电子商务系统在为用户提供越来越多选择的同时,其结构也变得更加复杂,用户经常会迷失在大量的商品信息空间中,无法顺利找到自己需要的商品。电子商务推荐系统利用人工智能、统计学、数据挖掘等技术,直接与用户交互,帮助用户更好、更快的找到需要的商品。本文着重介绍并分析了目前常用的几种个性化推荐技术,包括基于关联规则的推荐技术、基于最近邻居的协同过滤技术和基于内容的推荐技术。并对今后个性化推荐技术的研究热点和发展方向进行了展望。     

网络推荐系统对消费者的营销效果——技术接受模型视角

消费者在网购时面临"信息超载"难题,而网络推荐系统既能帮助消费者更加便捷地找到合意商品,也能帮助网商提高销售额,因而得到了广泛应用。关于网络推荐系统,现有研究主要关注网络推荐系统的算法优化,而较少探索网络推荐系统对消费者网购决策的影响。文章基于技术接受模型,构建推荐系统与推荐信息特性对感知易用性、感知有用性及推荐采纳意向的影响模型。以当当网的消费者为样本收集数据,运用PLS结构方程模型进行数据分析发现,界面设计对感知易用性无显著影响;附加功能对感知易用性有显著正向影响,对感知有用性无显著影响;推荐数量对感知有用性与感知易用性均有显著正向影响;推荐质量对感知有用性有显著正向影响;感知易用性对感知有用性有显著正向影响,对推荐采纳意向无显著影响;感知有用性对推荐采纳意向有显著正向影响。因此,为更好地提高网络营销效果,网商可通过主动向消费者解释推荐原因,主动了解消费者对推荐结果的满意度,展示推荐商品详细信息,来改善网络推荐系统的性能;可通过推荐合适数量的商品,展示多样化的推荐列表,来降低消费者搜索成本,满足消费者多元化需求;可通过优化推荐算法,尽量选择知名度、美誉度、感知质量高的品牌,适当推荐新奇商品,来改善推荐信息的质量;通过提高感知易用性、感知有用性来提高推荐采纳意向。     

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。     

基于感知价值和隐私关注的用户移动个性化推荐采纳

移动商务的发展带来了移动网络信息量的激增,为解决信息超载问题,提升用户体验,帮助消费者更加快捷高效地找到合意的商品或服务信息,许多电商网站开发了移动个性化推荐系统。所谓移动个性化推荐,就是以移动终端为载体,根据用户自身或相似用户过去的偏好和行为向其推荐可能感兴趣的商品或服务信息,是购物消费模式向服务消费模式转变的重要手段。鉴于移动个性化推荐主要依赖于用户信息挖掘,会引起用户对个人隐私信息泄露的关注,因此在推荐模型算法改进和移动营销实践中一定要考虑用户对移动个性化推荐的感知和行为意向。基于探索性因子分析、验证性因子分析、结构方程模型及回归分析,实证分析感知价值和隐私关注对用户移动个性化推荐采纳意愿的影响和作用机制发现,用户感知功能价值和体验价值对其移动个性化推荐采纳意愿的影响最为显著,其次是隐私关注,最后是安全价值,感知社会价值的影响不显著;隐私关注对用户感知功能价值和安全价值与移动个性化推荐采纳意愿之间的关系存在负向调节作用。因此,为更好地提高用户移动个性化推荐采纳意愿,唤起用户消费心理并转化成消费行为,一定要在进一步完善移动个性化推荐功能属性,通过加强基于情境的个性化推荐提升用户体验,提高推荐精准性和新颖性的同时,加强用户隐私保护,营造安全的移动营销环境。     

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。     

基于深度学习的个性化推荐模型应用

随着信息技术的进步,推荐系统被广泛应用于购物以及新闻等网站门户中,通过分析用户的行为,得出用户兴趣偏向,进而对用户推荐相关信息,以吸引用户的注意。同时深度学习理论与技术的完善,更多复杂的模型被提出,在计算机视觉、语言理解等方面有着广泛的应用。将深度学习技术应用于推荐系统,能够更加充分的融合用户社会属性等方面信息,生成个性化的推荐,使得推荐质量得到较大提升。     

推荐系统及其相关技术研究

在介绍推荐系统的定义和分类的基础上,深入讨论现有推荐系统普遍存在的问题,并提出了相应的改进策略:结合上下文信息;支持基于多标准推荐算法;在保证推荐精度的同时兼顾推荐的多样性;加强交互界面设计,提高系统逻辑的透明度;支持包括推荐包在内的多种推荐模式.我们相信这些策略有助于提高推荐质量,激发用户的参与度,从而增强推荐系统的实际可用性.     

基于用户聚类的图书推荐算法设计与实现

个性化推荐算法中一直存在新用户的冷启动问题,文章通过引入ID3算法来预测、分析新用户的类别选择。首先,根据实验数据特征对ID3算法加以改进;其次,根据分析数据表中各字段的属性确定试验参数;最后,得出实验结果。