基于本体用户兴趣模型的个性化推荐系统

针对传统个性化推荐系统用户兴趣模型创建和更新的不足,无法准确地感知用户特定背景下的语义信息和用户兴趣随着时间的变化,基于用户兴趣本体提出一种新用户兴趣模型,并通过激活扩展理论描述该用户兴趣模型的更新算法。同时,改进了推荐算法,结合协同过滤进行个性化推荐。实验结果表明,该模型能够有效反映用户兴趣,新的推荐算法在MEA、多样性、冷启动处理、稳定性方面都具备很高的性能。     

个性化新闻推荐系统研究综述及探讨

随着新闻媒体技术的快速发展,网络新闻数量呈指数级增长。为了解决网络信息过载的问题,个性化新闻推荐扮演着极其关键的角色。它通过学习用户的浏览行为、兴趣爱好等信息,主动为用户提供感兴趣的新闻,从而提高用户的阅读体验。个性化新闻推荐逐渐成为新闻领域及计算机科学领域的研究热点和实践难题,业界专家已提出多种推荐算法用于提高推荐系统的性能。本文系统阐述个性化新闻推荐的国内外最新研究现状和进展,首先,简要介绍新闻推荐系统的架构,并对新闻推荐系统中核心推荐算法和常用评价指标进行研究。虽然个性化新闻推荐给用户带来很好的体验,但是潜移默化中也给用户带来很多未知的影响。跟其他新闻推荐综述不同的是,本文还结合新闻媒体专业研究了当前新闻推荐系统对用户行为产生的影响及面临的问题。最后,根据当前遇到的问题提出个性化新闻推荐的研究方向及未来工作重点。     

基于MAS的个性化推荐系统架构研究

针对现有推荐系统的不足,提出了一个基于MAS(多Agent协作系统)的个性化推荐系统开发模型,并给出了该模型的工作原理,论述了该模型所采用的关键技术。     

基于用户兴趣三维建模的个性化推荐算法

针对推荐系统中用户的个性化需求,提出一种基于用户兴趣三维建模的个性化推荐算法.通过分析用户行为数据,从兴趣广度、兴趣深度和兴趣时效3个角度分析用户的兴趣构成,对用户兴趣进行三维建模,并在此基础上,逐步添加维度,设计用户之间兴趣相似度的三级计算方法.在真实推荐系统数据集上的实验结果表明,用户兴趣三维模型比一维模型、二维模型更能准确地表征用户兴趣,基于用户兴趣三维建模的个性化推荐算法能够提高个性化推荐的准确率.     

基于协同过滤的网络论坛个性化推荐算法

提出一种基于协同过滤的网络论坛个性化推荐算法,根据用户的发帖、回帖、阅读等记录,采用加权方法计算用户帖子的评分矩阵,获取邻近用户集合,通过邻居用户的帖子评分,计算目标用户的帖子预测评分,推荐预测评分最高的帖子。实验结果表明,该算法的推荐质量较高。     

个性化新闻推荐技术研究综述

新闻每时每刻都在发生,阅读新闻已经成为很多人的习惯。新闻媒体众多,网络媒体凭其迅捷性和便利性成为很多人的首选。网络新闻众多导致新闻过载,这就迫切需要个性化的新闻推荐系统,帮助用户快速地找到感兴趣的新闻。伴随着新闻大数据的产生和移动互联网的蓬勃发展,个性化新闻推荐迎来了新的机遇和挑战。首先介绍了个性化新闻推荐的挑战性;然后提出了个性化新闻推荐系统的基本框架,该框架包含新闻建模、用户建模、推荐引擎和用户接口四个模块,并以该框架为基础,分别综述了每个模块的研究进展,列举了现有的个性化新闻推荐系统中四个模块所采用的技术;最后总结了常用数据集、实验方法、评测指标和未来的研究方向。     

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。     

基于本体的旅游资源二次推荐方法研究

为降低用户寻找旅游资源时的负担,更好地处理用户的需求和偏好,从用户角度出发,提出了一种基于本体的二次推荐方法。该方法引入本体来描述旅游资源,实现了用户的直接需求及偏好兴趣信息与推荐中过滤条件的关联,用户可对推荐结果进行评价。理论分析和实验表明,该方法可行,推荐结果能够覆盖绝大部分用户的选择,具有较好的效果。     

基于本体的Web资源个性化推荐算法

为提高Web资源推荐的准确度,提出基于本体的Web资源个性化推荐算法(BO-RM)。设计Web资源主题抽取算法和相似性度量方法,利用本体语义推理机制实现资源聚类,在推荐过程中通过实时分析用户浏览行为捕获用户个性化偏好的变化,动态实时推荐内容。与基于情境的协同过滤算法（CFR-RM）和基于模型的个性化预测算法（BM-RM）进行对比,结果显示BO-RM的时间开销相对稳定,在平均排序倒数(MRR)和平均准确率(MAP)上均取得了较好的效果。实验结果表明:BO-RM离线完成海量Web资源的分析聚类,有效提高了运行效率,实用性比较强;BO-RM实时捕捉用户兴趣变化,动态更新推荐列表,更加贴近用户的真实需求。     

基于本体的个性化协同推荐

推荐系统已成为减轻信息过载时用户负担的关键工具,由于要处理不同形式的用户交互,因此协同推荐要与用户的具体情况和不断变化的兴趣相关。基于此,提出建立上下文相关的协同推荐,以领域本体的形式包含语义知识,把用户配置定义为一个本体。文章描述用户配置本体如何学习、增量更新和如何用于协同推荐。     

基于协同表示学习的个性化新闻推荐

新闻推荐是互联网推荐系统的研究热点之一,传统的协同过滤算法应用于新闻推荐中会面临严重的新闻冷启动问题,而且也没有考虑新闻内容本身包含的丰富的语义信息。该文将文档与词的表示学习模型与基于矩阵分解的协同过滤算法结合起来,提出一种用于推荐领域的协同表示学习模型,能同时学习带有语义信息的用户和文档的表示向量。在真实的新闻点击数据集上的实验表明,该文提出的模型优于其他基准模型。     

OHR:一种基于本体的个性化混合服务推荐模型

随着网络信息量的日益增加,为用户提供个性化服务是一种趋势。该文通过建立一个通用的服务本体模型,将项目集合划分到多个服务子类中,经过概率计算得到用户的兴趣分布,并在此基础上提出了一个结合内容过滤和项目协同过滤的个性化混合服务推荐模型(OHR)。实验结果表明了该模型在服务推荐上具有较高的准确率和发现用户新兴趣的能力。     

基于微博用户模型的个性化新闻推荐

新闻推荐是互联网推荐系统的研究热点之一,传统的新闻推荐方法是在新闻网站内,通过记录用户浏览的新闻来实现推荐应用。然而,许多新闻网站并不强制要求用户必须注册才能浏览新闻。微博作为目前最主流的自媒体形式,它由用户自己发起或传递,进而实现草根媒体的职能。对新闻进行高效组织并使用微博进行新闻推荐,这是之前研究欠缺的。该文通过提出基于微博分析的新闻推荐,提出了基于新闻和微博本身特点的解决方法,从而实现微博和新闻的关联。实验表明,该文设计的各模块具备较高的效率和实用效果。     

基于知识图谱的金融新闻个性化推荐算法

个性化新闻资讯推荐能够有效地捕捉用户兴趣,提供高质量推荐服务的能力,因而吸引了大量高黏性用户,而知识图谱则以"实体-关系-实体"的形式表示事物间的关系,通过知识图谱中实体间的关系学习到更丰富的特征及语义信息.为更好地实现金融领域新闻的个性化推荐,提出一种基于知识图谱的个性化推荐算法KHA-CNN.结合金融业知识图谱,采...     

基于效用的个性化推荐方法

当前的推荐方法未能从个性化效用角度评价推荐项目,因此用户需按自己的偏好,在推荐结果中进行再次筛选。针对该情况,提出一种基于效用的个性化推荐方法。该方法采用逼近于理想值的排序法(TOPSIS)作为衡量推荐对象效用的基本方法。为克服TOPSIS中静态权重设置的不足,采用可变精度粗糙集发现用户对属性的偏好。实验结果表明,该方法能为用户提供更好的个性化效用及准确性的推荐服务。     

Web个性化推入技术与展望

对个性化服务技术中用户描述文件的表达与更新、资源描述文件的表达、个性化推荐技术及该领域的主要研究成果进行了综述。讨论了实现个性化服务的关键技术并对个性化服务技术进一步研究工作的方向进行了展望。     

基于CNN-LFM模型的个性化推荐

评分数据的稀疏性和新物品的冷启动问题一直是阻碍推荐系统发展的难题。针对这些问题,利用物品的图像数据作为辅助信息以提高评分预测的准确性,提出一种基于卷积神经网络与隐语义模型的推荐模型(CNN-LFM)。CNN-LFM模型利用隐语义模型挖掘评分数据,获得用户和物品的潜在特征,其中物品的潜在特征会在卷积神经网络提取的图像特征的约束下不断完善。在真实数据集下进行实验,对结果的定量和定性分析表明CNN-LFM模型不存在新物品的冷启动问题,即使当评分数据十分稀疏时,其性能也远远优于其它推荐模型。     

中文新闻事件本体建模与自动扩充

针对中文新闻事件的语义层次自动理解问题,给出了新闻事件的定义,构造了一种基于本体的新闻事件模型NOEM。NOEM利用事件的类型、时间、空间、结构、因果、媒体六个方面特征描述新闻事件的5W1H(Who,What,Whom,When,WhereandHow)语义要素。将抽取的关键事件语义要素自动扩充到本体中后,可构成事件知识库支持事件语义层次的应用。与现有事件模型的比较以及实际应用结果显示,NOEM能够有效描述单个新闻文档中的关键事件、语义要素以及它们之间的关联,具有很强的形式化知识表达、应用集成和扩展能力。