一种基于中间代理的个性化推荐系统

个性化推荐系统能很好地解决互联网中信息过载的问题,传统推荐系统存在着商家较为分散、隐私容易泄漏的问题。提出了一种基于中间代理的电子商务智能推荐系统,利用内容过滤技术进行推荐,在考虑用户隐私的基础上使用向量空间模型挖掘用户的兴趣偏好和商品的特征评价,引入时间遗忘函数以处理兴趣变化问题,根据收集的信息产生推荐序列,针对重点难点问题提出了解决方案。采用Movielens数据集进行的实验结果表明,该方法能提供较好的推荐准确度与计算性能。     

基于多Agent混合智能实现个性化网络信息推荐

1 引言互联网的迅速发展和普及,使得人们可以通过网络获取大量的信息资源,为帮助用户从互联网获取需要的各种信息资源,各种搜索引擎,如Yahoo!、Excite等相继诞生,它们为用户提供信息导航服务,帮助用户获取需要的信息。但随着网络资源的指数膨胀,使得搜索引擎难以为用户提供满意的服务。在这日益增多的     

基于移动Agent的分布式个性化推荐系统

目前推荐系统在处理信息过载问题方面已经得到了广泛的应用,同时也提出了许多推荐方法,但是并没有一种统一的、最好的方法能适应于所有的环境.为此,本文引入了移动agent思想,提出了一个基于移动Agent的分布式个性化推荐系统架构--MABDPRS.该系统允许多种推荐方法同时为用户生成推荐,并能协同它们共同工作,从而能够弥补单一推荐方法的不足,满足多种推荐需求.     

一个基于VSM的个性化信息推荐系统

为了帮助用户从Internet上方便地获得信息，针对Proxy用户环境设计了一个信息推荐系统。先通过Proxy日志挖掘获得用户兴趣，再根据向量空间模型为用户生成兴趣特征，并据此对用户进行信息推荐。系统通过服务评估和反馈来保证信息推荐的质量。     

个性化推荐系统综述

信息超载是目前网络用户面临的一个严重问题,个性化推荐系统是解决该问题的一个有力工具,并受到了众多的关注和研究。给出推荐系统的定义,同时阐述了推荐系统的几项关键技术,包括用户建模、推荐对象的建模和推荐算法。后来总结了推荐系统的体系结构和性能评价指标,并尝试给出了推荐系统未来研究的重点、难点和热点问题。     

基于隐私保护的个性化推荐系统

针对传统个性化推荐系统存在的隐私容易泄露的缺点,提出一个基于代理的智能推荐系统,在向用户提供准确方便的内容推荐服务的同时保护用户隐私。在该系统中,所有用户私有信息的操作都在客户端执行,使用户隐私得到完善的保护。以嵌于RSS阅读器中的个性化广告系统为例,表明该方法能准确地推荐用户感兴趣的内容并且保护用户隐私。     

基于矩阵分解的个性化推荐系统研究

随着社交网络的快速发展,用户在使用社交应用时会产生大量有价值的数据。通过对社交网络进行数据挖掘,发现隐藏在数据中关联用户与物品之间的偏好关系。然后对用户建模分析,选择合适的推荐引擎进行个性化物品推荐,这是一个非常有价值的研究方向。该文重点研究矩阵分解算法对处理大规模用户与物品评分矩阵的推荐效果,为了提高推荐的准确度展开了对用户社交关系和隐性反馈的研究,在组合预测模型中加入社交关系、人口统计学信息配置项、用户的消费记录等隐因子项,通过实验验证了扩展之后的混合预测模型在RMSE值上比SVD算法降低了0.259 475,在推荐性能有较大幅度的提高。     

基于多代理的个性化推荐学习系统

针对现有学习系统存在信息过载、缺乏个性化服务能力、不能提供检索服务的问题,提出基于多代理构建个性化推荐学习系统。该系统利用JADE设计学习者Agent与推荐Agent,采用Lucene设计带有个性化能力的搜索引擎支持推荐,并融合3种推荐方法发挥多Agent间协商与协作的优势。实验结果表明,相比单一推荐方法,该系统具有较好的推荐效果和效率。     

基于多模信息融合的个性化推荐系统的研究

为了解决信息过载的问题,我们可以通过在用户和产品之间建立二元关系的方法,利用已经拥有的比较相似的关系或者选择过程,挖掘出各用户可能感兴趣的对像。目前解决信息过载问题最有效的工具就是个性化推荐,该文利用不同的推荐算法,简单介绍了协同过滤系统,基于内容的推荐系统,基于用户—产品二部图网络结构的推荐系统,混合推荐系统。并分析这些推荐系统的特点以及存在的缺陷,帮助读者了解这个研究领域。     

基于Agent的个性化智能信息检索系统

Internet空问中的信息资源是异构的．人们要想从Internet中发现、收集和维护自己需要的信息则要花费大量的时间和精力。虽然目前Internet上有很多的搜索引擎，如Yahoo、搜狐等，但这些引擎还存在着不少缺陷，如在适应用户兴趣、交互方式等方面均存在着不足。人们迫切需要一种工具以有效地利用Internet信息空间中的各种信息资源。本文是针对当前Internet检索系统中存在的不足，开发设计了一个“基于Agent个性化智能信息检索系统”。该系统的研究内容属目前智能信息检索领域的重要课题。     

智能主体主要理论的综述与分析

智能主体是发展迅速的一个研究热点 ,其理论也纷繁多样。分别以如何解决单智能主体和多主体系统的核心问题—资源有限智能问题和主体间协调问题为线索对两方面现有的理论分类总结 ,从而勾勒出了当前该领域理论研究方面的一个大致的轮廓。     

旅游服务智能推荐系统的研究与设计

本文根据旅游服务的特点,提出了一种综合信息检索、联机分析处理和数据挖掘等多种技术的旅游智能推荐系统。文章介绍了系统的主要功能及相关技术,针对系统的核心部分——数据挖掘处理模块,进行了详细的分析与设计。该系统能够根据用户需求提供智能化、个性化的旅游服务。     

电子商务个性化推荐系统的构建

针对电子商务环境下,客户需求日趋差别化,构建个性化推荐系统,进而阐述该系统的功能及工作流程,并具体分析系统的结构,旨在更为有效地为客户推荐其所需信息。     

基于时效性的Web页面个性化推荐模型的研究

Internet的快速增长导致了对个性化服务需求急剧增加。该文通过分析个性化挖掘的特点,提出了基于时效性的Web页面个性化推荐模型。该模型的挖掘算法在FP-Tree的存储结构上加入时效价值系数,并进行增量挖掘。通过实验证明,该模型挖掘出来的信息,能够更好地符合用户的真实需求。     

基于PHP&MYSQL的读者荐购系统构建研究

随着Web2.0技术的不断发展,网上图书荐购作为读者参与图书馆资源建设的重要方式得到了很大的发展,文章以读者荐购系统为研究对象,通过对广东省的部分高校读者荐购系统进行了调查分析,总结出了现有荐购系统存在的主要问题,并提出利用PHPMYSQL的技术构建新的荐购系统,同时对新荐购系统的框架结构,功能模块,及主要特色进行了论述。     

个性化课程推荐中LFM自动聚类算法研究

为给学生推荐不同兴趣粒度的课程,提出隐含语义模型（Latent Factor Model,以下简称LFM）,并将其应用于网络环境中学生对于课程学习点击的隐性反馈数据集,对学生的兴趣主题、行为习惯和课程类别自动聚类,然后进行Top-N推荐.实验表明,该方法是有效的,且具有较高的准确度.     

基于s-Tree算法的个性化推荐服务研究

本文提出了基于关联规则的挖掘最大频繁访问的新算法——s-Tree算法,并以此去分析用户的访问模式,挖掘出特定用户访问模式和浏览偏爱路径信息,进而优化站点结构,为用户提供“一对一”个性化的Web页面访问预测及内容推荐。     

基于粗糙集的个性化Web搜索系统

本文提出了一种基于粗糙集理论的个性化web搜索系统。用户偏好文件中对关键字进行分组以表示用户兴趣类别。利用粗糙集理论处理自然语言的内在含糊性,根据用户偏好文件对查询条件进行扩展。搜索组件使用扩展后的查询条件搜索相关信息。为了进一步排除不相关信息,排序组件计算查询条件和搜索结果之间的相似程度,根据计算值对搜索结果进行排序。与传统搜索引擎进行了比较,实验结果表明,该系统有效地提高了搜索结果的精度,满足了用户的个性化需求。     

基于Agent的智能导购方法研究

文中提出了一种基于Agent思想的智能导购方法,该方法将Agent思想运用到电子商务智能导购领域,利用模糊聚类方法对项目属性聚类,得到项目在属性特征上的相似用户群,并综合基于内容的导购和基于协同过滤推荐的优点,提出一种智能导购方法,该方法在一定程度上减少了人工参与。     

基于覆盖约简的个性化协同过滤推荐方法

协同过滤(CF)无法同时提供高精度和多样化的个性化推荐.基于此情况,文中提出基于覆盖约简的协同过滤方法(CRCF).结合覆盖粗糙集中的覆盖约简算法与CF中的用户约简,匹配覆盖中的冗余元素与邻近用户中的冗余用户,利用覆盖约简算法将冗余用户从目标用户的邻近用户中移除,保证CF中邻近用户的高效性.在公开数据集上的实验表明,在稀疏数据环境下,CRCF可以同时为目标用户提供高精度和多样化的个性化推荐.