基于团购网的消费者网络口碑推荐动机研究

网络口碑推荐是团购网获取新客户的重要途径,口碑推荐动机引导着团购网用户的口碑推荐行为.文中构建了消费者网络口碑传播动机的理论模型,并以团购网为背景通过问卷调查数据进行了实证研究.结果表明,关心其他消费者、支持团购网、优惠幅度和表达正面情感正向影响消费者网络口碑推荐行为,而社会交往需求和便利性对消费者网络口碑推荐行为影响不显著;推荐奖励显著正向影响社会交往需求、表达正面情感、关心其他消费者和支持团购网,从而间接对消费者网络口碑推荐产生显著正向影响;便利性通过表达正面情感间接对消费者网络口碑推荐产生显著正向影响.研究结果对丰富有关理论和指导企业实施口碑营销有重要意义.     

网络学习系统个性化实时推荐策略研究

网络学习资源海量化在给学习用户提供资源选择多样化和学习自主化的同时,也给用户快速获取个性资源提出了更高要求。在分析当前个性化推荐技术的基础上,充分考虑学习的过程性和资源间的语义相关性,提出一种基于本体个性化的实时推荐模型和算法。主要从模型构建、本体构建、语义相关度和个性推荐算法等方面进行研究,设计了网络学习系统中资源个性化推荐的基本框架和流程,为提高网络学习效率提供全新的解决思路。     

微博用户推荐模型的研究

微博用户推荐对改善用户体验、促进社交网络长远发展具有重要意义。该文提取了能够充分反映微博用户之间相关性的多个特征,并通过逻辑回归模型对潜在的用户进行评分排序,为目标用户推荐前N个潜在用户。基于新浪微博数据集的实验结果表明,基于逻辑回归方法的用户推荐模型是切实有效的,可以为微博用户提供高性能的个性化用户推荐。     

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.     

基于用户交互行为的群组推荐偏好融合策略

为尽可能减小群组成员对所推荐项目的不满意度,提高推荐系统的准确度,在传统推荐系统的基础上,提出一种基于用户交互行为的偏好融合策略。通过成员间协同过滤获得用户对项目的预测评分,通过组间协同过滤获得群组对项目的预测评分,再利用用户间的交互行为获得用户在群组中的权重,进而获得群组对推荐项目的最终评分。通过改进的GMAE评估模型对本融合策略进行验证和评价, 结果表明,本策略在准确度、推荐项目多样性方面较传统协同融合策略有明显提高。     

电子商务下的柔性推荐系统

提出了一个电子商务柔性推荐系统（FRS）框架，它主要由推荐系统数据库（RSDW）、推荐系统模型库（RSMW）、推荐策略（Rs）、推荐模型控制引擎（RMCE）、推荐管理（RM）以及电子商务网站系统（Ec-website）组成。它独立于具体的推荐应用和推荐算法，能根据不同的商务推荐策略产生相应的推荐功能。最后给出了基于FRS推荐的实现步骤。     

协同过滤算法的电视节目推荐策略

进入大数据时代,信息超载会对用户造成严重影响,个性化推荐是解决此问题的一个非常有效的办法。协同过滤算法大量应用在个性化推荐系统中,但由于家庭对象并非独立个体,传统的家庭电视节目推荐方法不能根据用户的多样化偏好进行推荐,故提出了基于物品属性和用户偏好相结合的推荐方法。仿真实验结果表明,该方法能够高效和准确地进行电视节目推荐。     

论我国的行政奖励

我国行政奖励是行政行为的重要表现形式之一。然而,对行政奖励的行政法研究在我国并没有得到应有的重视。从阐述行政奖励的基本内涵出发,着重剖析行政奖励的基本原则：依法奖励,实事求是原则;精神奖励和物质奖励相结合原则;一事不再奖励原则;信赖保护与效益至上原则。针对我国行政奖励实践中存在的问题,赋予行政奖励新的时代内涵,并提出完善我国行政奖励制度的若干建议。     

基于Spark的UCSLIM推荐算法研究及实现

稀疏线性( SLIM)推荐算法侧重于通过挖掘物品与物品之间的关系进而产生推荐结果。为了提高推荐质量,借鉴了SLIM算法和协同过滤算法的思想,将用户划分为用户集合,进一步挖掘用户与用户集合之间的隐含关系,并综合考虑用户与用户相关性、用户与用户集合相关性这两个因素,提出了融合用户集合关系的稀疏线性( UCS-LIM)推荐算法。实验结果表明, UCSLIM 算法能够提高推荐结果质量。同时为了提高算法的执行效率,分别在Spark和Hadoop云计算平台上实现了UCSLIM并行推荐算法,并通过实验表明,UCSLIM的Spark版本具有更高的计算效率。     

供应链中的均衡价格和广告策略研究

针对供应链系统中的均衡价格和广告策略问题,利用微分对策理论构建动态模型,运用动态规划原理和最优控制理论分别得出了制造商和零售商在非合作和通道合作两种情况下的均衡价格和广告策略.将结果进行比较,可以得出通道合作可降低产品的零售价格,提高整个供应链系统的利润.     

基于BP神经网络与马尔可夫链的短期电价预测

提出了一种基于BP神经网络与马尔可夫链的短期电价预测方法.在采用BP神经网络模型进行短期电价初步预测的基础上,按照模糊C-均值聚类法划分预测误差的马尔可夫链状态区域,再根据状态转移概率矩阵对预测误差进行修正,得到最终预测结果.算例仿真结果表明,所提出的方法比单纯采用神经网络的预测精确度更高.     

基于BP神经网络的舰船修理价格估算研究

舰船装备价格管理是舰船保障的重要环节，建立舰船装备修理价格估算模型具有十分重大的意义；充分考虑舰船修理价格影响因素，利用BP神经网络的非线性处理能力，建立了基于BP神经网络的舰船修理价格估算模型。计算实例表明：应用神经网络估算舰船修理价格具有精度高、客观性和动态性好的特点。     

基于WebGIS的江苏省地价信息网的构建

地价信息网建设是新一轮国土资源大调查城市土地价格调查项目的重要组成部分，其目的是实现地价动态监测与地价信息社会化服务体系．以MapXtreme为基础平台，利用计算机网络技术，提出了江苏省地价信息网的建设方案，利用该系统可实现城市地价的动态监测、城市基准地价的更新和地价信息的发布与查询等功能．     

基于模糊性分析的装备合同价格博弈策略

介绍了装备合同价格谈判的内容和价格构成,归纳总结了装备合同价格谈判博弈过程,建立并分析了动态博弈模型,提出用模糊分析理论对合同价格进行测算的方法,最后依据测算结果对企业报价情况进行评判,并制订了相应的合同价格谈判策略。     

基于改进灰色神经网络的房地产价格走势分析

针对房地产价格走势状况,通过对灰色预测模型GM（1,1）和BP神经网络的研究,将两大模型进行组合改良,形成新的组合灰色神经网络预测模型,以南京市中房指数为例,以Matlab为预测工具,进行2013年12个月份的价格指数预测,研究结果证明新的组合预测模型精度较高,可为房地产价格指数的预测和研究提供参考依据。     

基于博弈论的钢铁行业节能减排对策分析

针对现阶段在钢铁行业实施节能减排仍存在诸方面障碍的问题,借助博弈论,分析了影响钢铁行业节能减排的因素,建立了钢铁行业节能减排博弈模型,结果显示,政府对钢铁行业的政策取向、政府的监管效率和钢铁行业的自身因素都影响了其是否采取节能减排的行为。在模型分析的基础上,提出了促进钢铁企业节能减排的对策建议。     

基于峰谷电价与阶梯电价的分时阶梯电价研究

结合峰谷电价与阶梯电价思想,提出分时阶梯电价策略。将不同时段不同价格梯段所对应的电量视为不同的商品,提出分时阶梯电价的理论假设,在这些假设的基础上建立居民分时阶梯电价模型。通过实例分析验证了模型的有效性,其研究结果表明所提出的分时阶梯电价模型能够通过价格杠杆实现电能的削峰填谷目的。     

基于随机博弈模型的网络攻防策略选取

针对网络攻防过程中无法有效应对攻击意图与策略变化的问题,提出一种基于随机博弈模型的网络安全攻防策略选取方法.将网络安全攻防理解为二人随机博弈问题,以主机脆弱性信息为基础,结合主机重要度与防御措施成功率,生成单一安全属性攻防收益值,根据攻防意图对整体攻防收益进行量化.在此基础上,给出攻防均衡策略选取算法.实例分析表明,所研究的模型与算法在攻防策略选取方面合理、可行.