语义环境下个性化推荐系统建模

为解决现有个性化推荐系统中缺乏对语义信息处理能力的问题,建立了语义推荐系统模型,使用描述逻辑实现了该模型,并给出了推荐算法。在实现模型的过程中引入了两条规则实现了概念层次关系在兴趣程度和关联程度上的传递。实验证明,通过将用户的兴趣和待选资源的相关概念在语义层面进行适当扩展,语义推荐系统模型能产生更多符合用户兴趣的推荐项目。     

面向会话型推荐系统的个性化分层循环模型

为了精准地捕捉用户行为模式,引入中期兴趣的概念,提出一个基于循环神经网络（RNN）的个性化分层循环模型,通过在同一框架下联合利用用户的会话、区块和全部行为序列来学习用户的综合兴趣.利用一个捕捉会话内序列模式的会话级RNN建模用户的短期兴趣;设计了一个捕捉区块内相邻会话关联关系的区块级RNN,进一步描述用户的中期兴趣;使用一个用户级RNN追踪长期兴趣的演化;引入带有不同交互机制的融合层,以有效融合不同层次的兴趣信息.在3个真实数据集上进行实验,结果表明,该方法与先进的推荐方法相比,Recall@10提升了18.35%.     

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。     

基于网络心理挖掘的个性化推荐系统

传统的电子商务推荐系统挖掘时效性较差,客户信息浪费较多;为应对这些问题,提出了基于网络心理挖掘的商品推荐系统.该系统通过网站内的商品属性心理特征挖掘和客户心理行为进行挖掘,并结合客户浏览行为对客户的需求和决策进行量化与预测;最终以上述信息为依据,从系统的数据库中提取推荐商品与客户信息.实验表明,该系统能够较好地挖掘客户消费心理,提高商品推荐的精准性和有效性.     

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。     

电子商务环境中个性化信息推荐服务的发展

基于因特网的电子商务蓬勃发展,信息强度和密度前所未有,用户数与项目数呈级数增长,个性化信息推荐服务显得越来越重要．电子商务下的个性化信息推荐系统在理论和实践上都得到了很大发展,协同过强推荐技术是最成功的个性化推荐系统．     

电子商务个性化推荐系统的应用

在传统的电子商务推荐系统的基础上,引入了分布式计算、基于语义的发布/订阅、本体库等技术手 段,设计了一种个性化电子商务推荐模型系统,构建了电影领域的本体库,并在Prot湨g湨3.3.1中实现本体库模型。 重点实现了用户特性聚类算法和基于语义的发布/订阅匹配算法。实验结果表明,基于发布/订阅的个性化推荐系 统具有较好的推荐准确率。     

服装推荐系统研究进展

利用文献调研和VOSviewer对国内外服装推荐系统相关文献的发文量、关键词进行可视化分析,梳理总结服装推荐系统的发展趋势.在此基础上,从感官评价、模糊技术、协同过滤、机器学习4个方面归纳整理了服装推荐系统关键技术与方法.从应用情况的角度探讨了服装推荐系统的分类,即服装产品推荐、服装搭配推荐与服装设计推荐.最后,基于服装推荐系统发展趋势、关键方法与技术和应用领域,指出未来可在传统文化元素的创新应用、个人服饰搭配与依据消费者隐性需求和显性需求的轻定制交互化设计中深入研究服装推荐系统.     

基于CNN和犹豫模糊决策的欺诈攻击检测

推荐系统能够有效缓解互联网的迅猛发展带来的信息过载问题,但欺诈攻击的存在制约了推荐系统的健康发展,因此如何准确、高效地检测欺诈攻击是推荐系统安全领域的重要问题。针对传统检测方法依赖专家知识人工提取特征的局限性以及已有基于深度学习的欺诈攻击检测方法存在的硬分类问题,利用卷积神经网络（CNN）自动获取用户空间和时间上的低维表示向量,提出了一种基于CNN和犹豫模糊集的欺诈攻击检测方法CNN-HFS。首先对每个用户分别从评分值、评分偏好和评分时间这三个视角抽取三个行为矩阵,利用双三次插值法对三个矩阵进行缩放得到对应的密集评分矩阵、密集偏好矩阵和密集时间矩阵;然后,将每个用户任意视角下的缩放矩阵视为一个图像,在三个不同视角下分别训练CNN,计算任意用户在每个视角下属于攻击用户类的隶属度;最后,引入模糊犹豫集对多视角下的检测结果进行综合决策,根据决策结果识别出攻击用户。实验结果表明,CNN-HFS在MovieLens 1M数据集上的F1值超过95%,在Amazon数据集上的F1值达到85%。与七种对比方法相比,CNN-HFS在两个数据集上均具有更高的检测精度、召回率及F1值。     

基于数据挖掘的自动化推荐系统算法

结合人工神经网络中的自适应共振理论（ART）及数据挖掘（Data Mining）技术来建构一个可自动聚类族群特征且能挖掘出关联特质的自动化在线推荐系统。探讨如何有效地运用数据挖掘技术从大量的数据库中挖掘出完整知识,以推荐适当的信息给使用者,帮助他们在浩大的信息流中找到真正需要、有用的文件或信息。整合ART及数据挖掘技术,并针对推荐系统的特性提出一种改进的ART算法（MART算法）。实例验证了算法的有效性。     

基于用户喜好的个性推荐系统优化

采用协同过滤方式的传统推荐系统具有一定实用性,但也存在未考虑用户个性喜好的问题。为提高推荐精度,特别针对用户个性化特点和需求,提出了采用改进相似度计算和回归分析方法对协同过滤推荐进行系统优化。实验结果表明,优化算法可明显改善系统的推荐效果,并加强基于协同过滤推荐的有效性。     

基于协同过滤算法的个性化推荐系统的设计及实施

Internet的发展导致了信息资源的膨胀,用户希望能通过自动化的工具来发现期望的信息资源,为了满足用户的这个需求,个性化推荐系统就随之产生了。个性化推荐系统所采用的推荐算法决定了推荐系统的优劣,本文主要设计了基于协同过滤算法的个性化推荐系统模型,并将该模型应用于相应的网站中。     

营养食疗个性化推荐系统设计与开发

中医体质分型是实施个人健康管理的重要依据。其主要目的是通过对个体及人群进行筛选分类,再根据其不同的健康问题和危险因素制定健康改善目标和干预措施。运用数据库技术,建立药膳食疗的数据库模型,针对不同体质进行个性化的推荐,可以更好地达到这一目的。     

基于关联规则挖掘的电子商务个性化推荐系统研究

分析了个性化推荐系统体系结构,并对其推荐过程进行了详细阐述,最后给出了一个基于关联规则挖掘的电子商务个性化推荐系统的具体实例.     

面向大规模定制的个性化推荐研究

分析了面向大规模定制的个性化推荐的特征,并给出了基于关联规则挖掘的个性化推荐模型.模型中的关联规则代表了客户特征与产品属性之间的关系,包括基于全部客户定制历史记录的基本规则和基于特定用户的定制历史记录的个性化规则.针对现有关联规则研究应用的关联规则存在知识冗余,规则数量太多的问题,提出最强关联规则的概念并将其应用于大规模定制的个性化推荐.最后,采用著名的个性化推荐数据库MovieLens数据,给出应用实例,验证了本方法的效果.     

网络资源中基于K-Means聚类的个性化推荐

为了实现在网络资源中为网络用户提供针对兴趣爱好的推荐项目,提出了一种基于K-means聚类的应用于动态多维社会网络的个性化推荐算法.首先根据用户评分数据对用户进行建模,并根据评分数据集构建多维用户网络,再加入局域世界演化理论形成动态多维网络;然后根据改进的K-means算法对用户聚类;最后根据最近邻居得到目标用户的预测评分作出推荐,从而形成一种应用于动态多维社会网络中的个性化推荐算法.实验表明,相比协同过滤个性化推荐系统,新推荐策略的预测值和真实值之间的误差较小,个性化推荐水平得到了一定程度的提高.     

基于用户兴趣图谱的个性化推荐系统设计

借鉴Web2．0、社交网络、复杂网络、本体论和云计算等理论,设计了基于用户兴趣图谱的个性化推荐系统结构,阐明了基于用户兴趣图谱的推荐原理,提出了用户兴趣图谱生成与集成方法,以及用户兴趣图谱的动态演化与反馈机制,提高了推荐系统的推荐质量和精度。     

一种基于上下文信息的个性化推荐模型

个性化推荐为解决互联网信息过载问题提供了新的思路。为有效地构建用户模型和改进个性化推荐的效果,提出了一种挖掘非结构化文本中上下文信息的新模型,将得到的上下文信息嵌入用户模型信息中,丰富了用户模型。实验结果表明,该模型应用于客户对旅馆评论的上下文数据中,能够大大改善推荐的性能。