适应用户兴趣变化的指数遗忘协同过滤算法

协同过滤是目前推荐系统中最为成功的推荐技术,但传统的协同过滤算法没有考虑用户兴趣的变化。针对上述问题,从艾宾浩斯记忆遗忘规律得到启发,提出一种基于资源相似度的协同过滤算法,利用基于指数遗忘的数据权重来逐步减小资源相似度的权重。实验结果表明,该算法显著提高推荐系统的推荐质量。     

基于生物记忆原理的智能词汇记忆模型

词汇学习是学习英语的基础,传统记忆模型采用机械的记忆方法,使用户在固定的时间周期内记忆词汇,这些静态的记忆模型计划制定复杂,不利于用户有效记忆词汇。针对上述问题,提出一种智能词汇记忆模型。从生物的记忆过程出发,采用幂函数量化艾宾浩斯生物记忆曲线,利用生物记忆曲线追踪每个单词的学习情况,在单词临近遗忘的边缘提醒用户及时复习,动态调整生物记忆曲线。实验结果表明,与传统记忆模型相比,该模型能为用户制定精确的复习计划,可减少用户37.04%的时间用来掌握词汇,具有更高的记忆效率。     

面向新闻推荐的用户兴趣模型构建与更新

针对新闻推荐系统中用户兴趣模型构建与用户兴趣漂移问题,提出了一种面向新闻推荐的用户兴趣模型构建与更新方法。首先采用向量空间模型与bisecting K-means聚类算法构建了原始用户兴趣模型;然后以艾宾浩斯遗忘曲线为基础构造了遗忘函数,并以此对用户兴趣模型进行时间加权,从而达到对用户兴趣模型更新的目的。实验以基于用户的协同过滤推荐、基于物品的协同过滤推荐为baseline,实验结果表明所构建的原始用户兴趣模型推荐性能更优,在◢F◣值上提升了4%,更新后的模型与原始模型相比◢F◣值提高了1.3%。     

基于记忆效应的协同过滤推荐算法

针对传统协同过滤算法无法及时反映用户兴趣变化的情况,将人脑的记忆和遗忘特性引入到个性化推荐中,提出基于记忆效应的协同过滤推荐算法。利用短时记忆体现用户近期兴趣变化,应用长时记忆强调用户早期兴趣的重要性,给出将短时记忆和长时记忆相结合的调和记忆,使推荐系统可以自适应地跟踪用户兴趣变化。实验结果表明,与CF算法、SCF算法和AUICF算法相比,该算法的推荐精度更高、收敛速度更快。     

基于.NET的英语四六级学习平台的设计与实现

英语学习过程中词汇是最基础与核心的一个部分,而词汇的记忆有很多规律可循,根据艾宾浩斯遗忘曲线规律,制定合理的学习计划和复习计划,每天按照计划进行学习和复习,从而达到较佳的记忆效果。本文描述了如何设计和实现一个针对英语四六级考试的学习平台,从而实现英语学习的听、说、读、写四大基本功能。该平台主要分为单词模块、练习模块、语音模块、统计分析模块和系统模块等五大功能。单词模块包括单词查找、单词学习;练习模块提供在线答题的功能;语音模块实现了系统的有声化;统计分析模块提供了学习情况和复习情况的统计与分析功能;系统模块则保证了系统的可靠性和安全性。本系统功能的实现是在.NET平台环境的支持下,采用C#编程语言,结合数据库系统完成的。     

基于遗忘曲线的协同过滤研究

随着信息技术和互联网技术的发展,推荐系统成为解决信息过载的重要方式。而协同过滤因为其算法简单,又能够处理复杂的问题并产生比较良好的效果而被人们广泛应用,也成为了推荐系统中最成功的技术。然而用户的兴趣是时刻变化的,且对于新用户系统无法预测用户的偏好。因此为了解决这一问题,对艾宾浩斯遗忘曲线和推荐算法进行了研究,发现由于人的兴趣是不断变化的,而这种变化是自然遗忘的过程,也就符合遗忘曲线,所以用遗忘函数模拟人的兴趣变化。由于时间对评分的起着很重要的作用,在使用相似度算法时加入了时间因子,对用户的原始评分进行衰减,以此来反应用户的兴趣变化。然后为此算法设计了两组实验来验证算法的有效性。通过两组实验的结果证明,总体上来讲,基于遗忘曲线的相似度的计算方法比传统的算法要好一些。     

基于遗忘曲线的协同过滤研究

随着信息技术和互联网技术的发展,推荐系统成为解决信息过载的重要方式。而协同过滤因为其算法简单,又能够处理复杂的问题并产生比较良好的效果而被人们广泛应用,也成为了推荐系统中最成功的技术。然而用户的兴趣是时刻变化的,且对于新用户系统无法预测用户的偏好。因此为了解决这一问题,对艾宾浩斯遗忘曲线和推荐算法进行了研究,发现由于人的兴趣是不断变化的,而这种变化是自然遗忘的过程,也就符合遗忘曲线,所以用遗忘函数模拟人的兴趣变化。由于时间对评分的起着很重要的作用,在使用相似度算法时加入了时间因子,对用户的原始评分进行衰减,以此来反应用户的兴趣变化。然后为此算法设计了两组实验来验证算法的有效性。通过两组实验的结果证明,总体上来讲,基于遗忘曲线的相似度的计算方法比传统的算法要好一些。     

基于艾宾浩斯遗忘的用户兴趣模型更新机制

用户兴趣更新是指在用户兴趣模型建立之后,对模型增加新获取的用户兴趣知识或者删除过时不用的用户兴趣知识。本文基于艾宾浩斯遗忘规律,对用户兴趣漂移和更新用户兴趣模型分别提出前验用户兴趣漂移和基于遗忘百分比更新的算法,这两个算法共同组成了用户兴趣模型的更新机制。     

《词汇大爆炸》 轻松、省时

由于综合应用了心理学、数学与计算机技术的最新成果——“艾宾浩斯—满爱镇”微分数学模型,《词汇大爆炸》能够根据用户记忆能力智能生成相应的学习方案,可更大限度地挖掘用户的记忆潜能。     

基于主题分组与随机游走的APP推荐

随着智能手机的发展,手机中应用软件（APP）的功能日益增多,已经逐渐成日常生活的重要工具。近年来,APP的数量在爆炸式地增长,在庞大数量的手机APP中找到合适的APP给用户带来了困难。传统的推荐系统方法运用到APP推荐上时有很多的局限性,例如难以解决冷启动和用户对不同类别的应用具有不同的选择偏好等问题。文中提出了一种基于主题分组和随机游走的个性化推荐算法TGRW。TGRW针对用户对每类APP需要的数量、偏好的程度各不一样的特点,根据用户的APP使用记录,构造了user-APP组-APP的三元图模型,通过对不同的用户在不同的推荐组上设置不同的权重,再利用随机游走算法计算出用户对每个APP的偏好概率,从而形成推荐列表。在真实用户数据集上的实验表明,我们的方法比其他方法在推荐效果上得到了明显提升。