OTA系统中的个性化应用推荐系统研究

本文首先提出了OTA全新的个性化应用推荐系统模型,然后对移动用户下载使用与兴趣之间的关联作了讨论与分析,并给出了算法,最后对个性化推荐的两种常见实现方法,即聚类分析与关联规则进行了讨论,给出了OTA系统中的个性化应用推荐引擎的设计思路与实现算法.     

个性化推荐系统研究

信息技术和互联网的迅猛发展把我们带进了信息过载的时代。海量信息的同时呈现,一方面增大了用户发现自己感兴趣信息的难度,另一方面也使得大量信息无法被一般用户获取。个性化推荐系统是目前解决信息过载问题最有效的工具。本文简单介绍了推荐系统的概念和组成要素,重点介绍了几种重要的推荐技术和个性化推荐系统的应用领域。     

个性化推荐系统在IPTV系统中的应用

IPTV丰富的多媒体业务能够较好地满足家庭用户多样化的收视需求.为了提升业务运营效果,提高用户黏性,IPTV需要实现"千人千面"的智慧运营.个性化推荐系统常被用于解决智慧运营中的信息过载问题,但同时也会受到数据稀疏性、冷启动以及可解释性等问题的困扰.本文介绍了基于节目知识图谱、图神经网络及点击率预估的个性化推荐系统,分...     

个性化推荐及其在MOOC中的应用

大数据时代个性化推荐技术被广泛应用到互联网的各个领域,但在教育领域的应用还比较少。随着MOOC教育大数据迅速增长,对海量数据进行分析挖掘,从中提取有价值的信息,为学习者提供个性化的推荐学习服务,是实现个性化教育的重要途径,文章分析了个性化推荐、MOOC、个性化学习及个性化教育的概念及其之间的关系,论述了在MOOC大数据平台上引入个性化推荐技术的必要性,探讨了基于教育大数据的个性化推荐的策略及其发展方向。     

特征提取技术在个性化网页推荐系统中的应用

网页系统在运行过程中,原始特征空间在未经过处理时,特征空间维数的增加,会使网页文本分类的训练时间和空间复杂度都随之增加。为了减少原始空间的维数,提高网页系统的操作能力,在原始空间中提取出部分特征的过程就是特征提取技术。     

智能图书馆个性化推荐服务系统构建研究

从图书数据资源挖掘、个性化推荐服务的角度出发,利用关联规则数据挖掘与清洗技术、UML建模工具,针对不同图书馆的读者类型、功能或服务需求,建立起智能图书馆个性化推荐服务系统,设置用户管理模块、数据处理模块、热门图书推荐模块、个性化图书推荐模块,完成对不同类别图书资源的检索、挖掘、存储与智能推荐,以取得较为良好的图书咨询与管理、个性化推荐服务效果。     

基于协同过滤的电子商务个性化推荐算法研究

采用基于使用者的协同过滤推荐算法进行电子商务个性化推荐,将获取的评价数据作为推荐算法的输入,根据使用者行为的相似性获取"最近邻居"集,统计其中各邻居对项目商品的评价分数,并以使用者对项目商品的评分形式和使用者关注度最高的多个项目商品推荐列表形式进行项目商品推荐。在获取"最近邻居"集的过程中,通过使用者特征集提升电子商务推荐系统推荐最近邻居的准确度,利用兴趣度随时间变化函数修正使用者评价矩阵,从使用者特性和兴趣两方面对协同过滤推荐算法进行个性化改进。研究结果表明,所提算法推荐项目商品所需时间始终低于对比算法,且采用该推荐算法后电子商务平台交易成功率由38.4%提升至87.2%。     

个性化习题推荐算法研究

大数据时代的到来,促进了在线教育平台的飞速发展,使得学习资源呈爆发式增长,学习者无时无刻都将面临信息过载问题。面对众多的习题资源,学习者很难从海量的习题资源中找到真正适合自己的习题集来进行训练,以致出现学习效率低下和学习自主性不高等问题。针对这一问题,提出了个性化习题推荐算法,对个性化习题推荐算法的发展现状进行研究,介绍常用的个性化习题推荐算法以及5个算法评价指标并给出未来的研究热点和方向。     

基于领域本体的个性化推荐在健康系统中的研究

协同过滤技术(Collaborative Filtering)成功应用于个性化推荐系统中,为了用户能更准确地获取信息,提出了利用领域知识进行相似度计算的协同过滤算法,利用用户兴趣与领域本体中概念的映射关系,构建用户兴趣本体,发掘用户兴趣模式,通过融合评分项目相似度和用户相似度的计算,使用户在评分的共同项目很少或为零的情况下也能找到最近邻进行协同推荐.将这一方法应用到某健康系统中进行实验分析,该方法不仅解决了传统的基于项目的协同过滤带来的问题,而且还提高了推荐系统的推荐质量.     

基于大数据的电子商务个性化信息推荐服务模式研究

借助于电子商务网站虽然能够给用户们提供比较多的产品以及服务,但是也让用户们寻求符合自身需求的产品信息难度得到了一定程度的提升,为了使得企业自身的市场竞争能力得到提升,也就需要构建一个基于大数据的电子商务个性化信息推荐服务模式,来为用户们提供更加优质的信息服务.     

IPTV视频个性化推荐方案

分析了IPTV视频领域个性化推荐需求,以“虚拟视频用户”为基础建立了IPTV视频用户画像,构建了“离线批处理数据分析+在线流式推荐引擎”架构的个性化推荐系统,实现了IPTV视频的个性化推荐。验证结果证明该方案是大数据技术在提升用户IPTV使用体验方面的有益尝试。     

基于协同过滤的个性化图书推荐系统研究

在许多应用领域,多标准推荐系统使用多标准决策方法实施推荐,但是,多标准推荐系统在实施和测试方面仍然相当有限,特别是在一些特定领域,文中提出了三种多标准功效协同过滤算法的几种设计方案的实验分析,使用的数据集是模拟产生的,实验的目的是为了证实当来自于真实用户的多标准评估数据集不能得到的时候,如何产生数据集,并用于实施研究和选择一个恰当的算法。一个来自数字图书馆图书推荐的实例用于说明算法的使用,验证其有效性。     

基于协同过滤技术的个性化推荐系统研究

为了解决信息检索中无法获取符合个人需求的特色资源的问题,介绍了个性化推荐系统的概念以及推荐系统常用的算法;重点阐述了协同过滤技术的流程：利用用户项目矩阵计算用户之间的相似性,结合最近邻信息预测出符合个人特性的推荐信息;最后指出了协同过滤研究的难点问题。     

Spark平台下教育资源个性化推荐研究

在面对海量教育数据处理情况时,传统的协同过滤算法在单机上训练和测试效率低下,针对该问题,提出了基于Hadoop分布式平台和Spark并行计算模型的无中间结果输出改进型教育资源推荐策略,该策略较好地发挥了Spark的迭代计算能力优势,在应用于教育资源推荐时,比较了传统算法与改进算法在分布式情况和非分布式情况下的推荐效率和推荐质量的情况.实验结果表明,利用Spark计算模型实现协同过滤算法能够有效地提高教育资源个性化推荐的推荐质量以及推荐效率.     

个性化服务中用户兴趣聚类算法研究

讨论了个性化服务中用户兴趣建模对聚类算法的要求,指出经典聚类算法应用于用户兴趣聚类时的不足。在基于图论的K近邻聚类算法的基础上进行改进,提出一种基于相似度的聚类算法。实验证明,与K近邻算法相比,该算法能够显著提高聚类质量,有效区分孤立点,适用于用户兴趣聚类。     

基于改进的协同过滤图书推荐算法

高校图书馆图书个性化推荐没有得到很好的推广和实施,一个重要原因是用户对图书的评价不足.因此,提出了一种基于兴趣的高校图书推荐算法.该算法较好地解决了协同过滤算法无法使用和评分不足的问题.同时,将流行与反向流行的特征结合,使其更接近读者的行为.实验表明,该算法优于传统的协同过滤推荐算法,能够满足实际需求.     

G2B公共服务平台个性化服务推荐研究

我国政府管理模式正在从传统的行政管理模式向公共服务模式转变,电子政务个性化推荐是提升政府公共服务水平的有效手段。在国内外电子政务个性化推荐研究基础上,综合采用Apriori、FCC和协同过滤等多种推荐算法,通过用户数据挖掘,用户聚类,个性化推荐三个过程,有效缓解了数据矩阵的高维性和数据极端稀疏性,提高推荐精度,以"××中小企业网"为例,验证了该个性化推荐算法的实用性和有效性。     

Service recommendation method based on context-embedded support vector machine

Combined with contexts and SVM,a service recommendation method based on context-embedded support vector machine (SRM-CESVM) was proposed.Firstly,according to the different contexts,the user rating matrix was modified to make it with embedded contexts.Secondly,the rating vectors with embedded contexts were used as service feature vectors to construct training set,meanwhile the dimension of service feature vector were not increased by the introduction of contexts.Thirdly,a separation hyperplane for active user was acquired based on training set using SVM,and then the SVM prediction model was built.Finally,the distances between the feature vector points representing the active users' unused services and the hyperplane were calculated.Considering the distances and the recommendation of similar users,the service list was recommended.The experimental results further demonstrate that the proposed method has better recommendation accuracy under different rating matrix densities and can reduce recommendation time.     

Collaborative filtering recommendation algorithm based on rough set rule extraction

To address the problem that in a practical recommendation system (RS),because of the datasets are often very sparse,the traditional collaborative filtering (CF) approach cannot provide recommendations with higher quality,a novel CF based on rough set rule extraction was proposed.Firstly,the attributes of user/item and the user-item rating matrix were used to construct a decision table.Then,the core value of each rule in the table was extracted through using the decision table reduction algorithm.Finally,according to the nuclear value decision rule of the core value table,the reductions of all decision rules were utilized to predict the rating scores of un-rated items.Experimental results suggest that the proposed approach can alleviate the data sparsity problem of CF,and provide recommendations with higher accuracy.