移动端个性化旅游推荐系统模型设计

本文在基于现有的个性化推荐研究基础,提出了用户情境和文本内容组合推荐的方法,并构建了用户兴趣矩阵模型,设计了一套个性化推荐系统。本系统可以依据移动用户的偏好为用户提供推送服务。该系统由移动端及云平台服务器构成,移动端对用户信息进行采集,并展示推荐数据;服务器端收集来自移动端的数据,展开数据分析,构建用户兴趣模型,结合文本处理技术获取推荐内容,推送给移动用户。     

农业云大数据自组织推送关键技术综述

“信息过载”是大数据时代农业用户发现感兴趣信息面临的一个严重问题,个性化推送是解决该问题的一个有力工具.本文提出了农业云环境下大数据自组织区域推送的必要性,同时阐述了当前几项热点关键技术,包括用户建模、推荐对象建模和推荐算法及云计算下个性化数据挖掘,并尝试给出了推荐系统未来研究的难点、重点和热点问题.     

基于微信平台的孕幼健康问题设计与实现

针对孕幼人群设计了基于微信平台的移动学习系统,根据微信公众号的特点实现了微信平台自动答疑和内容推送功能。该系统的开发模式选用B/S架构模式,选择Django框架作为开发框架。该系统能够为用户提供快捷方便的自动答疑服务,根据用户需求智能回复;内容推送功能利用协同过滤与基于内容的推荐算法组合的个性化推荐算法实现,解决用户面对海量的信息内容引起的信息过载问题,定时合理推送用户感兴趣的内容。实验结果表明,该算法推荐精度明显高于传统推荐算法,以微信公众号为载体的学习系统贴合大众利用网络信息获取知识的习惯和阅读方式,也提高了微信平台的综合效用。     

基于SNS的图书推荐系统研究与实践

为提高信息服务质量,数字图书馆可利用推荐系统为用户寻找文献资源带来便利,并提高图书资源利用率。传统的推荐算法面临数据稀疏等问题时有其局限性。针对此问题,提出并实现一个基于社会网络软件的图书推荐系统,系统应用三种个性化图书推荐算法,能够充分挖掘用户数据,建立准确的用户兴趣模型并推送良好的图书推荐结果。数据分析结果表明,引入额外的社会关系数据有助于提升图书推荐系统的性能。     

基于标签体系的环境数据推荐系统设计研究

根据用户个性化需求推送环境数据,可有效提升环境数据主动服务保障的水平。针对环境数据利用效率低,各级用户无法快速精准获取有效环境数据的问题,分析了环境数据及用户标签特点,开展了环境数据及用户标签体系构建研究,设计实现了基于标签体系的环境数据推荐系统。通过某环境保障网站的在线集成测试应用,测试评估了系统功能及推荐算法应用场景。环境数据推荐系统可有效提高环境数据的利用效率,增强用户认知环境的能力。     

个性化广告推荐系统及其应用研究

近年来,随着互联网及智能移动设备的发展和普及,丰富了广告的推送方式和投放平台.但是传统的广告推送无法满足用户对个性化广告的需求,导致用户对广告产生抵触情绪,给广告推送带来极大的挑战.个性化广告推荐系统作为应对这些挑战的有效手段,成为个性化服务领域的研究热点之一.个性化广告推荐系统获取用户兴趣偏好,利用多种个性化广告推荐...     

基于云门户的信息集成及智能推荐研究

为解决信息集成度不高,信息应用不充分,缺少个性化集成界面等问题,充分利用油田云门户的整体架构优势,有效利用现有应用、组件、服务以及各类信息,建立基于云门户的信息集成和智能推荐平台,实现企业应用立体化多维度整合。通过对云门户的多维情境信息智能分类和关联分析,为用户推荐组件和服务,并通过独立模块在云门户显示智能服务推荐结果。通过各类服务的管理层及表示层的集成,为油田各类专业人员提供个性化的云门户平台,提升用户体验,提高工作效率。     

智能推荐系统研究综述

伴随着电子商务平台和新型数字媒体服务迅速发展,网络数据规模持续增长,数据类型呈现多样化,如何从大规模数据中挖掘有价值的信息,已经成为信息技术的一项巨大挑战.推荐系统能够缓解"信息过载"问题,挖掘数据潜在价值,将个性化信息推送给有需要的用户,提高信息利用率.深度学习的表征能力与推荐系统相融合,有助于深层次地挖掘用户需求,...     

基于协同过滤算法的微信小程序智能助手

随着信息技术和网络的不断迅猛发展,互联网的信息资源急剧增长.信息过载问题促进了个性化推荐技术发展.协同过滤算法通过在用户和信息之间建立联系,被广泛应用于电子商务各个领域.本文提出通过利用微信小程序来获取用户的个性化信息数据,并且通过协同过滤算法,为用户设计的微信小程序智能助手,能够为用户推荐符合用户个性化的生活服务信息.在本文中,介绍了智能助手的设计方法,并详细介绍了系统的功能和个性化推荐功能的实现.     

面向个性化学习的慕课资源推荐系统开发

近年来,在线学习得到了大规模普及,互联网上已发布了海量的慕课学习资源.针对广大学习者进行在线慕课学习时面临的"信息迷航"和"信息过载"等问题,以混合推荐算法为基础,通过多角度挖掘用户的个性化信息,设计并实现了一个面向个性化学习的慕课资源推荐系统,以此为广大学习者提供自主学习的辅助支持.该系统能充分挖掘学习者的显式和隐式偏好,为其推荐满意的慕课资源,具有良好的应用价值.     

结合非负矩阵分解的主题社区好友推荐算法

为用户推荐好友是在线社交网络的重要个性化服务。好友推荐可以帮助用户发现他们感兴趣的好友,减轻信息过载的现象。然而,目前现有的推荐方法仅考虑用户链接或内容信息,推荐精度不高,不足以提供高质量的服务。在本文中,考虑了用户之间的链接和内容信息,提出了一种结合非负矩阵因式分解的主题社区好友推荐算法(T-NMF)。该算法给出了主题社区和综合相似度计算方法,产生好友推荐列表。实验表明,该算法可以更好的反映用户的偏好,并且具有比传统方法更好的推荐性能。     

水利财务管理信息系统关键技术研究

为了进一步实现财务信息系统的精细化、智能化管理,通过南京水利科学研究院财务管理信息系统建设,对系统技术架构及财务报销约号系统、财务移动审批 App 系统、用户决策信息动态推送服务等关键技术进行研究分析,实现科学化预约报销、智能化审批、个性化信息服务及一体化管理,为财务管理者与财务系统使用者提供更高效的平台。     

基于云‒端融合的个性化推荐服务系统

主流个性化推荐服务系统通常利用部署在云端的模型进行推荐,因此需要将用户交互行为等隐私数据上传到云端,这会造成隐私泄露的隐患。为了保护用户隐私,可以在客户端处理用户敏感数据,然而,客户端存在通信瓶颈和计算资源瓶颈。针对上述挑战,设计了一个基于云?端融合的个性化推荐服务系统。该系统将传统的云端推荐模型拆分成用户表征模型和排序模型,在云端预训练用户表征模型后,将其部署到客户端,排序模型则部署到云端;同时,采用小规模的循环神经网络（RNN）抽取用户交互日志中的时序信息来训练用户表征,并通过Lasso算法对用户表征进行压缩,从而在降低云端和客户端之间的通信量以及客户端的计算开销的同时防止推荐准确率的下跌。基于RecSys Challenge 2015数据集进行了实验,结果表明,所设计系统的推荐准确率和GRU4REC模型相当,而压缩后的用户表征体积仅为压缩前的34.8%,计算开销较低。     

人体经络系统中的个性化信息服务研究

人体经络较为复杂,涉及到经络、穴位、疾病、脏腑和针灸等方面的知识,容易导致＂信息迷航＂,且对于不同的用户,信息需求也各不相同。针对该问题,文章系统地研究了人体经络系统中的个性化信息服务,构建了用户兴趣模型,并根据用户对场景的访问次数和停留时间来更新用户的兴趣模型,在此基础上提出基于相似用户兴趣的个性化推荐算法,从而实现为用户提供个性化的信息服务。实验结果表明,系统能根据用户信息及其交互行为,有效地推荐与用户兴趣相关的信息,较好地为用户提供个性化的信息服务。     

基于内容过滤的农业信息推荐系统

针对如何有效实现个性化推荐服务的问题,在农业信息推荐系统的设计过程中,采用基于内容过滤的推荐技术,提出一种新的用户综合兴趣模型。模型通过将用户背景、阅读与操作行为等因素进行综合加权,计算用户与文档的相似度,并以此向用户推荐文档。测试结果表明,提高用户阅读与操作特征在模型中所占的权重,可以有效提高推荐精度。     

基于电子商务的个性化推荐系统研究

在电子商务环境中,实现个性化服务,理解用户兴趣就成了提供个性化服务的关键任务。因此,建立用户兴趣模型和构建推荐库就成为个性化推荐系统的实现基础。论文通过网络爬虫获取到相关的网页,进行预处理后,采用SVM（支持向量机）分类文档建立推荐库。通过对用户访问路径、搜索关键字等分析,获取用户兴趣,采用向量空间模型表示用户兴趣,利用机器学习构建用户兴趣模型。在推荐库和用户兴趣模型的基础上,加入推荐引擎,实现了基于电子商务的个性化推荐系统。     

基于TF-IQF模型的查询建议

基于TF-IQF模型的建议方法不考虑用户查询行为的上下文,在满足用户个性化需求方面存在缺陷。针对这一情况,在该方法的基础上进行优化改进,根据不同用户的查询上下文来分析用户的查询偏好,重新排序系统推荐的查询。实验结果表明,改进方法能够给出个性化的查询建议,提高用户查询的满意度。     

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。     

结合使用挖掘和内容挖掘的web推荐服务

随着Internet的基础结构不断扩大和其所含信息的持续增长,Internet用户越来越感觉容易在WWW服务中“资源迷向”。提高用户访问效率的方法有页面预取技术,站点动态重构技术和web个性化推荐技术等。现有的大多数web个性化推荐技术主要是基于用户使用记录的数据挖掘方法,没有或很少考虑结合页面内容—这才是用户真正感兴趣的。该文提出一种结合用户使用挖掘和内容挖掘的web推荐服务,该推荐服务根据频繁最大前向访问路径,提出含有导航页和内容页的频繁访问路径图概念,根据滑动窗口内的最近用户访问页面内容和候选推荐集中页面内容相关性,来向用户提供个性化推荐服务。经推荐质量分析,这种方法具有较好的推荐优化能力。     

海量学术资源个性化推荐综述

进入大数据时代,信息超载是互联网用户面临的一个严重的问题,个性化推荐是解决此问题的一个非常有潜力的办法。在学术领域,学术资源个性化推荐是解决信息超载的有效途径,其为用户推荐符合其兴趣的个性化学术信息。从个性化推荐过程的用户建模、推荐对象建模和推荐策略等三个模块角度对现有学术资源个性化推荐研究进行了探讨。针对目前广泛应用的学术资源个性化推荐方法,包括基于内容的推荐、协同过滤推荐和基于网络结构的推荐等,总结其研究的关键点和存在问题,并对学术资源个性化推荐的研究趋势进行了预测。