基于点击流的个性化图书推荐

该文运用点击流和个性化推荐的相关技术,构建了一个基于点击流的个性化图书推荐系统,使用将不同的推荐技术相结合的方法,克服各自的部分缺点,达到比较理想的个性化图书推荐的目的。     

基于点击流的用户矩阵模型相似度个性化推荐

研究用户学习网页点击流数据,挖掘用户兴趣,从而为用户进行个性化学习资源推荐,提出JMATRIX算法。基于用户历史资源点击流信息,构建用户资源点击数据有向图模型,并将有向图模型转化为矩阵模型存储。采用求解矩阵模型相似度,从而求得用户相似度,极大地降低了资源点击频率和资源点击路径用户相似度求解的复杂度,提高用户相似度求解的效率与准确度。结合Leader Clustering算法及粗糙集理论进行用户聚类和用户个性化资源推荐。实验结果表明,相比Leader Clustering算法,JMATRIX算法具有更高的效率和更准确的推荐效果。     

基于协同推荐的高校个性化图书推荐系统

为了提高高校图书馆的图书借阅率,满足学生读者的个性化需求,本文设计了基于协同推荐的高校个性化图书推荐系统。系统使用java开发的B/S体系结构,采用基于用户的相似性的协同过滤推荐算法实现图书推荐。     

基于主题模型的个性化图书推荐算法

针对传统推荐算法精准度不高的问题,在潜在狄利克雷分布(LDA)主题挖掘模型的基础上提出了一种新的适用于图书推荐(BR)的数据挖掘模型——BR_LDA模型。通过对目标借阅者的历史借阅数据与其他图书数据进行内容相似度分析,得到与目标借阅者历史借阅图书内容相似度较高的其他图书。通过对目标借阅者的历史借阅数据及其他借阅者的历史借阅数据进行相似性分析,得到最近邻借阅者的历史借阅数据。通过求解图书被推荐的概率,最终得到目标借阅者潜在感兴趣的图书。特别地,当推荐数量为4000时,BR_LDA模型比基于多特征方法和关联规则方法精准度分别提高了6.2%、4.5%;当推荐数量为500时,BR_LDA模型比协同过滤的近邻方法和矩阵分解方法分别提高了2.1%、0.5%。实验表明本模型能够更准确地向目标借阅者推荐历史感兴趣类别的新图书及潜在感兴趣的新类别的图书。     

高校图书分享阅读推荐个性化服务探析

图书分享阅读推荐的个性化服务,主要是在海量的图书种类中。推荐有深度、有内涵的书籍,有助于读书计划的管理。目前依靠教师,依靠学生口口相传读书信息的阅读方式,不满足信息社会发展的需求,因此,提出图书分享阅读推荐的个性化服务,包括各个领域的专家和教师推荐的专业阅读书籍,也涉及学生个人爱好推荐的课外阅读书籍,由真人图书馆分享彼此成功的阅读计划;并设计模拟系统进行实验演示。     

决策树分类算法在个性化图书推荐中的应用

采用数据挖掘中的决策树方法,对图书馆的图书借阅数据进行研究和分析,提出了基于读者阅读兴趣的个性化图书推荐模型。实验表明,该模型能够为新老读者有针对性地推荐新书,较好地实现了图书馆的个性化的创新服务。     

三网融合下图书云服务个性化推荐

随着云计算技术的飞速发展,数字图书馆云平台 SaaS 层的图书应用服务数量将会快速增长,为图书用户选择个性化的云服务带来困难。通过建立偏好树,构建了三网融合环境下的图书用户模型和图书云服务模型。为了确定图书云服务对图书用户的推荐度,设计了服务选择算法。经过实验数据分析,该算法可以根据图书用户模型的偏好需求,为用户推荐匹配度较高的图书云服务。     

基于协同标记的个性化推荐

互联网上社会书签的应用日渐流行,并由此诞生了协同标记。它提供了一种便捷有效的组织管理海量信息的方式。为了充分发挥其潜能,需要提取出协同标记中的深层关系。提出了发掘这些关系进而构造用户个人元数据,并据此进行个性化推荐的方法。提出的推荐算法同时具有基于内容和基于协同过滤推荐方法的优点,且可以灵活满足用户长短期的多个兴趣。在著名社会书签网站del．icio．us上的数据进行的实验显示了方法的优越性。     

智能图书系统中的个性化推荐

互联网时代的到来造成知识的“过度”传播,知识点的分散和无组织使得有系统学习要求的用户无从下手,用户对专业知识的查找、学习变得困难,如何面向用户实现个性化的知识推荐是智能图书系统中需要解决的关键问题之一. 本文利用上下文偏好提取技术,获取用户的兴趣度. 在基于用户的协同过滤推荐算法和基于项目的协同过滤推荐算法的基础上引入时间加权因子,较好地解决了对新用户推荐时产生的“冷启动”问题,实现了服务推荐结果的个性化.     

一个基于搜索结果的个性化推荐系统

搜索引擎返回的结果太多且不能根据用户的兴趣提供检索结果是当前较受关注的问题。把用户兴趣模型和STC聚类算法相结合,提出了改进的STC算法,并提出个性化推荐的策略和兴趣描述更新的方法,实现了一个基于搜索结果的个性化推荐系统(SRPRS)。SRPRS基于改进的STC算法自动组织搜索结果,帮助用户利用主题的方式发现所需的资源。通过实验,分析了SRPRS系统的聚类特性和时间特性。针对搜索引擎的列表显示结果,SRPRS系统在快速查找用户感兴趣的文档上有较好的性能。     

基于多级客户模型的个性化推荐机制

个性化是未来Web智能系统的一大特征．为了实现商品的个性化推荐，提出了一种新的基于多级客户模型的推荐系统机制，它由数据准备、模型学习、推荐集的生成和智能过滤四个子过程构成．该机制借助于多级客户模型从客户的购物需求、偏爱特征和消费能力三方面捕获客户的实际需求，从而实现了一种深层次的个性化推荐，改善了推荐效果．     

基于搜索结果的个性化推荐系统研究

搜索引擎返回的信息太多且不能根据用户的兴趣提供检索结果,使得用户使用搜索引擎难以用简便的方式找到感兴趣的文档。个性化推荐是一种旨在减轻用户在信息检索方面负担的有效方法。文中把内容过滤技术和文档聚类技术相结合,实现了一个基于搜索结果的个性化推荐系统,以聚类的方法自动组织搜索结果,主动推荐用户感兴趣的文档。通过建立用户概率兴趣模型,对搜索结果STC聚类的基础上进行内容过滤。实验表明,概率模型比矢量空间模型更好地表达了用户的兴趣和变化。     

RealCC在文本信息检索的个性化推荐中的应用研究

为实现文本信息检索中的个性化推荐，本文以用户焦点作为用户个性特征的描述，设计了适用于快速分类的混合前向角分类神经元网络RealCC。以用户焦点作为样本数据训练该网络后，可以通过该网络对用户查询结果进行快速分类以获得每务查询结果的推荐优先级。给出了使用用户焦点训练该网络的算法。实验表明，RealCC可以在保持分类精度的同时快速的完成对数据的分类，同时，基于用户焦点的个性化推荐，可以有效地减轻用户因从包含大量无关信息的查询结果中筛选感兴趣信息而产生的负担，较好地满足了用户对文本信息检索的时间要求。     

基于异构网络表示学习的相关图书推荐研究

扩展和综合利用多种图书特征及其关联关系,从语义相关的角度提高图书推荐的准确性和多样性,探索不同特征对于图书推荐的贡献程度和影响.抽取多种图书特征构建图书异构网络并设计形成特征间的多维关联关系.引入异构网络表示学习方法,融合多种图书特征,形成图书的语义向量表示,选取向量相似度指标计算并表示图书间的语义相关程度,实现相关图...     

基于协同过滤的图书推荐系统

在商业领域,推荐系统被广泛用于向用户推荐符合其个人偏好的产品、服务或内容。借助这一技术建立图书推荐系统可以有效提高图书馆的服务水平。所提出的图书推荐系统是使用协同过滤技术通过对具有相似阅读习惯读者的借书数据进行偏好评分计算,从而为指定读者推荐符合其偏好的图书列表。为了解决推荐系统中所存在的数据稀疏性、评分的系统偏差以及图书偏好的量化等问题,该研究采用了矩阵分解、在评分中引入偏差值以及使用带时间戳的借阅记录生成偏好量化数值等解决方法。实验结果表明该推荐系统具有较好的准确度。     

一种基于集体智慧的图书评价推荐方法

当前图书馆只能向读者提供非常有限的图书推荐服务。本文提出可采用从网上书店获得的大量公开数据作为推荐参考标准的思路,使推荐不再依赖有限的本地数据,而是基于集体智慧。本文提出一个根据图书关联关系网络来评价图书的内容相关性及推荐价值的方法。初步实验结果表明,这一基于集体智慧的图书推荐方法能做出更全面和满意的图书推荐。     

网上图书荐购系统的UML分析与设计

图书荐购系统的开发将最大限度地保证馆藏质量。论文基于UML对网上图书荐购系统进行了分析,并对系统的功能模型与数据库结构进行了设计。     

基于分类方法的Web站点实时个性化推荐

提出一种新的基于分类方法的实时个性化推荐方法，该文首先根据用户访问事务文法生成序列访问事务集，用于得到每个用户访问的序列特性并且便于分类器进行分类，然后利用该事务集训练一个多类分类器，作者通过推荐引擎得到每个用户的当前访问序列和用户当前请求页面，然后把该序列送入分类器进行分类，以得到用户的下面一些可能访问的页面，这些推荐页面的地址被附加到用户当前请求的页面的底部由推荐引擎返回以进行推荐，在这种方法中，用户不需要注册信息，推荐不打扰用户，可以为用户提供实时个性化的服务，实验表明这种方法是成功的。