基于用户兴趣行为模型的个性化广告推荐研究

随着移动互联网和网络终端的快速发展,产品的营销方式发生了重大变化,在互联网上投放广告已成为商家的重要宣传和销售渠道。然而,在线广告能否进行准确推荐是困扰产品厂家和广告代理商的一个主要问题。文章通过分析在线广告的非结构化特征和搜索用户行为数据,提出一种基于用户兴趣行为模型的个性化广告推荐方法,该方法可以通过主题模型提取用户的兴趣偏好,并基于最近邻算法和用户行为生成广告推荐列表。实验结果表明,基于最近邻算法和用户行为的个性化广告推荐方法可以推荐个性化广告,并且比基于内容的推荐方法具有更好的性能。     

基于用户行为及语义相关实时更新用户兴趣的推荐系统

在现有的推荐系统中,其用户兴趣模型都能够有效地表达出用户的兴趣,但在用户兴趣发生变化时却不能很好地调整用户兴趣模型,不能及时适应用户兴趣的动态变化。本文提出一种基于语义相关实时更新用户兴趣模型的推荐系统。该系统能够及时响应用户兴趣变化,从而改善了以往推荐系统对用户兴趣更新不及时所导致的推荐结果不够全面、准确的问题。实验表明该系统能够准确表达用户兴趣,特别是在用户兴趣发生变化时比以往系统具有更高的准确性。     

大数据背景下的智能课程推荐系统研究

笔者从研究背景入手,简单介绍了推荐系统的研究现状,在明确研究对象及研究定位的基础上,通过按权重、按需求组合完成课程推荐。依托现有的推荐技术,在分析课程推荐系统设计原则的基础上,结合高校课程推荐系统的相关业务功能,探讨并设计了课程推荐系统的功能,并分析了具体功能模块,同时,设计了数据库。此系统可以完成课程申报和课程选择等功能,达到了向学生推荐课程的设计目标。     

基于用户近期兴趣视图的个性化推荐

提出了一种基于用户近期视图进行个性化推荐的方法。通过对用户浏览行为的捕获,形成用户近期视图反应用户的这种近期兴趣变化,以此为用户提供及时准确的个性化信息推荐。并用实验验证了利用此方法进行个性化推荐具有比较理想的效果。     

基于用户浏览行为挖掘的网站个性化推荐系统

文章介绍了电子商务个性化推荐系统,在此基础上提出了一种基于用户浏览行为进行数据挖掘的个性化推荐系统模型,并给出了详细的挖掘流程及实现算法.     

基于兴趣增强的知识概念推荐系统

现有的知识概念推荐系统并未考虑用户的短期兴趣。针对该问题,提出一种基于兴趣增强的知识概念推荐系统（KCRec-IE）。首先,根据用户的知识概念点击序列捕获用户的短期兴趣,并利用侧信息构造一个异构图。其次,利用元路径指导的图卷积在异构图上进行知识概念实体和用户实体的表示学习。与知识概念实体的表示学习不同,学习用户实体的表示时,根据用户的短期兴趣可区分不同邻居用户对目标用户的贡献。最后,根据知识概念实体、用户实体和用户的短期兴趣进行评分预测。在公开数据集Xuetang X上的实验结果表明,相较于KCRec-SEIGNN,KCRec-IE在HR@5指标上提升了3.60个百分点;相较于KCRec-IEn,KCRec-IE在HR@10指标上提升了1.02个百分点;相较于KCRec-SEIGNN,KCRec-IE在NDGC@5和NDGC@10指标上分别提升了1.60和1.18个百分点,验证了所提方法的有效性。     

一种基于兴趣度知识的推荐系统框架

随着Web Mining技术的应用.基于Web Mining技术的推荐系统得到了迅速发展.本文就此系统作了一些改进,并提出了工作框架RESIK.     

基于评分可信度的大数据线性回归推荐算法

针对传统线性回归推荐算法没有考虑用户兴趣漂移、活跃度和评分可信度等影响因素,为进一步提高算法的准确度和对用户偏好的拟合度,提出一种融合评分可信度的线性回归推荐算法。首先将用户的兴趣漂移度、活跃度和用户对商品的评价信息综合考虑到用户评分可信度的计算方法中;然后将该方法融合到传统线性回归推荐算法系数矩阵求解过程当中;最后利用优化后的线性回归推荐算法对用户评分进行预测。为了验证该算法的准确性,在Hadoop集群和亚马逊商品评分数据集上与传统的线性回归推荐算法进行了对比,实验结果表明,该算法在处理效率、推荐效果和拟合程度上有明显提高。     

基于兴趣标签的个性化新闻推荐系统

随着互联网的飞速发展所带来的“信息过载”问题使准确的新闻推荐技术变得越来越重要。提出基于兴趣标签的个性化新闻推荐系统,利用Hadoop大数据平台,采用基于项的协同过滤算法,通过收集用户的浏览记录和兴趣标签,挖掘用户的主题兴趣,建立用户的兴趣模型,提高个性化推荐系统的准确性和可扩展性,具有良好的推荐效果。     

基于用户兴趣特征提取的推荐算法研究*

传统的推荐算法一定程度上降低了网络消费者的搜索成本,但难以实时提供消费者满意的推荐服务,也忽略了用户偏好动态转移性。为了提高电子商务系统的推荐质量,从用户偏好的行为特征入手,建立了网络用户的兴趣特征提取模型,并设计了相应的推荐算法。通过对用户兴趣特征提取模型的检验和用户兴趣度矩阵的建立,依据与目标用户偏好相似的邻居用户对商品的兴趣程度预测用户对未浏览商品的兴趣度,并选择兴趣度值较高的N个商品推荐给用户。实验结果表明,在用户偏好动态转移的情况下,所设计的推荐算法的推荐精度和推荐效率明显提高,提高了网络用户的     

基于兴趣模型的WEB信息预测采集过滤方法

Web网上海量信息急速膨胀使得有效定向采集相关信息检索成为网上信息查询一个日益重要的研究方向。该文提出一种基于用户兴趣模型的Web文本信息预测采集过滤方法。这种方法根据正反集文本过滤方法,设计出一种用户兴趣模型,并在对Web站点结构进行分析的基础上,通过对网页的相关度的预测来控制信息的采集。在保持定向采集精度的同时,缩短采集时间、减少存储、加快检索,节约了网络资源。     

基于微博的学生学习资源推荐系统的构建

随着Internet技术的不断发展,信息孤岛、信息过载和资源迷航问题严重影响用户高效率地发现、利用互联网资源。以为学生用户推荐优秀的学习资源为出发点,利用微博技术构建一个为学生用户推荐学习资源的资源推荐平台。该平台以空间向量模型为表示模型,通过Heritrix、SCWS分词器、基于内容且带有协同过滤的混合推荐算法等多种技术来收集、获取、筛选、推介学习资源数据。     

融合社交网络信息的长尾推荐方法

在长尾推荐场景中,目标用户更信任与自己兴趣相似的好友的推荐结果,故为目标用户推荐其好友的个性化偏好物品有利于提高长尾推荐性能.相应地,如何有效融合社交网络信息与评分矩阵信息,提升推荐性能自然成为长尾推荐中的重要问题.为此,文中从信息融合视角出发,通过社交网络和评分矩阵共享用户的潜在特征向量,并将好友推荐信息作为长尾推荐...     

基于轨迹挖掘模型的旅游景点推荐

针对旅游推荐系统中基于内容的推荐和基于协同过滤的推荐方法的数据稀疏性和冷启动问题,以及现有轨迹挖掘方法忽略旅游轨迹中高级语义的问题,提出基于门控循环单元轨迹挖掘模型的推荐方法.为了充分利用旅游轨迹的高级语义信息,基于循环神经网络设计轨迹挖掘表示模型,对游客的旅游轨迹进行建模,在利用游客历史轨迹建模后向游客提供个性化旅游景点推荐.在真实旅游轨迹数据集上的实验表明,相比广泛使用的基线方法,文中方法在景点推荐的准确性和质量上都有一定提高.     

基于社交网络的信息推荐系统

随着互联网的快速发展,从海量信息中获取感兴趣的信息越来越困难。推荐系统正是解决这一难题最热门的技术之一。数据稀疏性问题是当前推荐系统所面临的主要问题之一。为了缓解数据稀疏性的问题,本文借助社交网络,提出了一种融合用户社交网络的推荐算法,将用户在社交网络中的亲密度引入推荐系统。在实验部分,本文采用百度电影推荐算法创新大赛的数据集,设计实验验证了提出算法的有效性。实验结果表明,本文提出的算法能够有效地缓解传统协同过滤算法面临的数据稀疏性问题,明显提高预测的准确性。     

一种基于用户行为分析的协同反垃圾邮件策略

垃圾邮件的最显著特性是它干扰人们的正常使用,反垃圾邮件系统要做的就是最大限度地减少这些干扰,用户在检收邮件过程中,已对是否为垃圾邮件作出相应的鉴别处理,通过收集分析这些用户行为信息,在邮件服务器端统计、分析用户阅读邮件的行为特征,进行是否为垃圾邮件统计鉴别,再删除服务器中的同类邮件,从而减少其他用户处理垃圾邮件的时间,降低垃圾邮件的危害。     

基于用户评分和评论信息的协同推荐框架*

用户的反馈通常包含一个数值评分和一段文本形式的评论.文中利用用户评论学习商品特征在不同主题上的分布及用户对商品不同特征的偏好程度,把商品特征和用户偏好的契合度引入传统的协同过滤算法中,提出基于用户评分和评论信息的协同推荐框架.使用该框架可较方便地将用户评论信息引入到现有的协同过滤算法中.通过引入用户评论信息,可一定程度缓解传统协同过滤算法面临的数据稀疏性问题.在22个亚马逊的真实数据集上的实验证明文中方法的有效性.     

基于趋势分析的健康状况调查模型的探讨

本文以数据仓库理论为依据,利用回归模型拟合,提出对参加医疗保险人群的健康状况调查的模型,据此模型可研究一定人群随年龄的变化趋势,估计出不同健康状况的平均年龄段,并进一步绎不同年龄段的人群给出健康状况的评价分析。     

基于多数据源和联合聚类的智能推荐

随着Internet的普及和电子商务的盛行,智能推荐系统也应运而生.协同推荐是目前公认为最好的一种推荐技术,但其存在着一些不足之处,如:稀疏性、可扩展性和冷启动问题.本文提出一种混合推荐技术来克服协同过滤的不足.首先,通过引入多个数据源对评价矩阵进行平滑填充来解决数据的稀疏性问题.其次,采用从用户和项目两方面进行联合聚类来提高系统的可扩展性和精度.实验结果证明,该方法在很大程度上较传统的协同过滤方法推荐精度高,且在线推荐的速度快.     

基于Widrow-Hoff神经网络的多指标推荐算法

为解决传统的协同过滤推荐算法不能综合运用多个指标进行推荐的问题,通过引入多指标评分的概念对标准的协同过滤推荐算法进行扩展,提出一种基于Widrow-Hoff神经网络的多指标推荐算法。利用Widrow-Hoff最小二乘法自适应算法在进行系统辨识时的高精度拟合特性,提出一种基于Widrow-Hoff最小二乘法算法的用户偏好特征向量计算方法。利用用户偏好特征向量和空间距离矩阵度量用户相似度,以定位邻居集并为用户推荐最优项目。实验结果表明,本文算法可提高推荐精度,改进推荐质量。