基于用户兴趣模型的大学生就业信息推荐方法

为提高推荐就业信息与大学生偏好就业信息的匹配程度,文章将个体就业需求作为前提条件,设计一种基于用户兴趣模型的大学生就业信息推荐方法。首先,利用兴趣模型中的关联规则,对高校提供的就业信息中兴趣特征点进行匹配;其次,在既定的分类规则下,根据就业文本信息的内容对其进行类别划分;最后,根据用户浏览高校就业信息、在就业招聘界面的停留时间等,针对大学生偏好进行计算。对比实验结果表明：本文中设计的推荐方法应用效果良好,按照规范使用该方法进行大学生就业信息推荐,能够增加推荐就业信息与大学生偏好就业信息的匹配程度,为大学生提供更加优质的就业服务,提高大学生就业质量。     

基于用户行为认知的在线社交网络协同推荐

近年来,在线社交网络成为人们工作、生活不可或缺的信息共享与交流工具,如何对海量庞杂、大范围时空关联的用户行为信息进行认知并据此提供个性化的推荐服务,已成为在线社交网络发展重点关注的问题。为此,提出了一种基于用户行为认知的在线社交网络协同推荐框架,在对用户特征、文本信息及兴趣偏好等行为进行认知的基础上,利用协同过滤算法,实现个性化的推荐服务。实验结果验证了提出的基于用户行为认知的协同推荐策略具有较好的稳定性和实际应用效果。     

基于SNA的群体推荐系统的研究

由于信息爆炸问题,如何为用户提供有效的个性化信息服务已得到广泛关注,而随着社交网络的流行及其带来的大量网络群体,如何为群体提供更好的个性化推荐服务也变得越来越重要.文中不仅考虑用户的兴趣偏好,同时利用社会网络分析法（Social Network Analysis,简称SNA）衡量用户之间的社会关系,将此因素融入推荐过程,实验证明此方法能够取得较好的推荐效果.     

基于时空上下文信息的POI推荐模型研究

随着基于位置的社交网络(LBSN)技术的快速发展,为移动用户提供个性化服务的兴趣点(POI)推荐成为关注重点。由于POI推荐面临着数据稀疏、影响因素多和用户偏好复杂的挑战,因此传统的POI推荐往往只考虑签到频率以及签到时间和地点对用户的影响,而忽略了签到序列中用户前后行为的关联影响。为了解决上述问题,该文通过序列的表示考虑签到数据的时间影响和空间影响,建立了时空上下文信息的POI推荐模型(STCPR),为POI推荐提供了更精准的个性化偏好。该模型基于序列到序列的框架下,将用户信息、POI信息、类别信息和时空上下文信息进行向量化后嵌入GRU网络中,同时利用了时间注意力机制、全局和局部的空间注意力机制来综合考虑用户偏好与变化趋势,从而向用户推荐感兴趣的Top-N的POI。该文通过在两个真实的数据集上实验来验证模型的性能。实验的结果表明,该文所提出的方法在召回率(Recall)和归一化折损累计增益(NDCG)方面优于几种现有的方法。     

面向NGB互动电视业务的用户消费偏好智能推荐模型设计与实现

高清、互动是下一代广播电视网(NGB)建设过程中的一个关键主题,NGB互动电视业务是“三网融合”时代广电运营商的主推核心业务,然而从用户体验和业务运营的角度出发,如何在海量媒体内容中挖掘和引导用户潜在需求,是关键环节.本文从现网运营的用户交易数据和媒体资源属性信息数据入手,挖掘用户个性化服务消费偏好,设计基于用户消费偏好的智能推荐模型,探讨了在现网系统的基础上集成应用智能推荐系统的方法,并进行了示范应用.希望能为各广电运营商在NGB互动电视业务中应用智能推荐技术提供参考.     

电子商务个性化推荐服务过度的解决方案

个性化服务日益成为人们关注的焦点,其中个性化推荐服务也是研究的热点,在个性化推荐服务提供的过程中需要避免服务过度的情况。文中基于Web挖掘技术在电子商务个性化推荐服务中广泛运用,分析了用户兴趣模式构建的过程以及在电子商务个性化推荐服务中的应用。继而从隐私泄露和个性化信息过载角度探讨个性化推荐服务过度的问题。最后提出了通过改进个性化服务过度的挖掘过程、改善用户兴趣模式构建、建立规范和主动提供服务的解决方案。     

基于大数据的个性化音乐推荐系统

中国移动无线音乐作为无线电子商务领域中最成功的应用,已发展到一个较为成熟的阶段,但同时也面临着提升用户活性并进一步扩大音乐用户量的困难.基于大数据的个性化音乐推荐系统以进一步促进全网音乐业务发展为目标,通过对系统中所有的音乐物理文件和保存的海量用户行为记录进行分析,得出用户的兴趣偏好,向用户推荐个性化的音乐服务内容.     

基于音频增强现实的博物馆交互式引导模型

现有音频增强现实(Audio Augmented Reality,AAR)服务类应用无法根据用户的交互行为进行动态调整音频引导内容,难以满足大规模人群多样化应用需求.针对此问题,构建了一个基于AAR的博物馆交互式引导模型,通过对场景、用户、导航过程三方面的定义实现音频信息的自适应推送,结合用户个人资料、行为特征、历史参观等信息匹配发现个人兴趣偏好,同时支持跟踪用户行为,动态调整兴趣特征参数,达到提供个性化的音频信息服务的目的.实验结果表明,基于该模型的原型系统具有良好的实用性,能更容易地定位展品,并增加观众对展品的兴趣.     

基于环境因素和移动互联网的个性化推荐系统

为解决信息激增给用户带来的信息选择难题,帮助用户节约查找和筛选信息的时间和精力,利用移动互联网环境下用户信息具有位置化和兴趣动态性等特点,提出并实现了基于位置和环境的移动互联网个性化推荐系统。建立了基于环境因素的多维度动态兴趣模型,通过对利用资讯信息的位置化和环境化处理建立了基于环境因素的信息特征模型。在兴趣模型和信息模型的基础上提出基于环境和位置的个性化推荐框架,并给出系统的实现架构。     

融合停留时间的隐Markov个性化推荐模型

静态模型在推荐系统中往往将用户的兴趣偏好看作是固定不变的,而在一定程度上与实际并不符合.为此,基于隐Markov动态模型提出一种融合停留时间的类时齐隐Markov个性化推荐模型(ctqHMM).该模型用隐含状态变量的转移来模拟Web用户的兴趣变迁,并用停留时间来描述用户对某一偏好感兴趣的程度和所推荐页面的重要性.然后,提出一种基于该模型平稳分布的用户聚类方法,并将其用于推荐系统中.在真实的Web服务器访问记录数据上的实验证明,类时齐隐Markov模型具有更好的推荐性能.     

基于用户群组行为分析的视频推荐方法研究

该文采用权重增量及相似聚集的用户行为分析算法,为用户推荐个性化视频提供了一个有效的解决方案。方法包含3个主要部分,首先利用RFM(Recentness, Frequency, Monetary amount)模型分析用户的行为,将相同行为的用户归为一组;然后结合用户的最近习惯,使用基于权重增量的Apriori算法挖掘用户之间的关联规则,并用向量空间模型进行相似度计算从而实现用户相似聚集;最后进行协同过滤式推荐,完成整体个性化视频推荐过程。该方法的特点是行为数据自动收集获取,避免了直接对视频大数据的处理;另外,视频推荐随着用户行为的改变而动态变化,更加符合实际情况。实验结果表明,该方法有效并且稳定,相比于单一推荐方法,在准确率、召回率等综合指标上均有明显提升。     

Abstracting Digital Movies Automatically

Large video-on-demand databases consisting of thousands of digital movies are not easy to handle: the user must have an attractive means of retrieving his movie of choice. For analog video, movie trailers are produced to allow a quick preview and perhaps stimulate possible buyers. This paper presents techniques for automatically producing such movie abstracts of digital videos.     

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。     

Distributed servers architecture for networked video services

In an on-demand video system, the video repository generally has limited streaming capacities and may be far from the users. In order to achieve higher user capacity and lower network transmission cost, distributed servers architecture can be used, in which multiple local servers are placed close to user pools and, according to their local demands, dynamically cache the contents streamed from the repository. We study a number of caching schemes as applied in the local servers depending on whether the repository is able to multicast movie contents to the local servers or not, and whether the local servers can exchange their cached contents among themselves or not. Our caching schemes keep a circular buffer of data for the movie requested, and hence movies are partially cached. By adjusting the size of the buffer, such caching is able to achieve better tradeoff between network channels and local storage as compared to the traditional caching in which a movie is treated as an entity. For each caching scheme, we study the tradeoff between the local storage and the network channels, and address how the total cost of the system can be minimized by appropriately sizing the buffer. As compared to a number of traditional operations (request batching and multicasting, true-VOD, etc.), we show that distributed servers architecture is able to achieve much lower system cost to offer on-demand video services     

Novelty‐driven recommendation by using integrated matrix factorization and temporal‐aware clustering optimization

With the rapid proliferation of information and communication technology (ICT), the vast amount of available data creates information overload. The Websites and e‐commerce applications employ several information filtering methods such as personalized recommender system to manage the information overload. The recommender system assists the users in obtaining the desired list of products based on their interest. Several existing research works focus on the novelty or unexpectedness in the recommendation list while ensuring the quality to enhance the recommendation mechanism. It is essential to balance the unexpected and useful products or services to generate the satisfactory personalized recommendations with novelty. Thus, this paper proposes a novelty‐driven movie suggestion using integrated matrix factorization and temporal‐aware clustering optimization (NOMINATE). The proposed approach determines the personalized preferences through probabilistic matrix factorization (PMF) and contextually updates the rules and extracts the user preferences based on the inherent features of both the users and movies with temporal information. The NOMINATE approach also suggests the novelty‐driven, and desired top‐N movies to the users through the K‐means, and particle swarm optimization (PSO)‐based clustering algorithm with the help of LOD source. To identify the expert users, the NOMINATE approach applies the K‐means and PSO‐based clustering algorithm to enrich the personalized features of the users. Moreover, it integrates the relevant features with the preferred set of features for each user using the LOD source and decides a set of optimal preferences of the users. Finally, the NOMINATE approach generates the top‐N recommendation list for the corresponding user through ranking method. The experiment results stipulate that the NOMINATE approach personalize the top‐N movie recommendations with high performance regarding accuracy and novelty when compared with the existing recommendation method.     

Extending critical bandwidth allocation techniques for stored video delivery across best‐effort networks

In this paper, we propose two new techniques for the delivery of compressed prerecorded video streams across best‐effort networks like the Internet. Current approaches for the delivery of stored video across best‐effort networks typically alter the quality of the video frames, the frame rate delivered to the user, or a combination of both. By using network feedback, these algorithms continually adjust the video quality to fit within the available network resources. These approaches, however, do not take advantage of the a priori information available from stored video streams, namely the frame sizes that the movie consists of. We will show how monitoring the a priori information and actively monitoring a client‐side buffer can help smooth the video frame rate delivered to the user, providing a more consistent quality of video. Copyright © 2001 John Wiley & Sons, Ltd.     

Techniques for movie content analysis and skimming: tutorial and overview on video abstraction techniques

With the proliferation of digital video, video summarization and skimming has become an indispensable tool of any practical video content management system. This paper provides a tutorial on the existing abstraction work for generic videos and presents state-of-the-art techniques for feature film skimming. The paper also describes the authors' recent work on movie skimming using audiovisual tempo analysis and specific cinematic rules. With the maturity of the movie genre classification, content understanding and video abstraction techniques, an automatic movie content analysis system that facilitates navigation, browsing, and search of desired movie content is possible in the near future     

自适应推荐算法在电子超市个性化服务系统中的应用研究

为了满足电子超市中用户的个性化的服务需求，提出并实现了一种基于支持向量机的自适应推荐算法。首先，将用户模型按照层次化方式组织成领域信息和原子需求信息，考虑多用户同类信息需求。采用支持向量机对领域信息节点中的原子需求信息进行分类协同推荐，然后在针对每一领域信息节点中的原子信息需求进行基于内容的过滤。该算法克服了分别采用协同推荐和基于内容的推荐单一方法的缺点，大大提高了信息的查准率和查全率，尤其适合大规模用户群的信息推荐。该算法用于基于电子超市的个性化推荐服务系统（PRSSES）中，结果表明是有效的。     

一种基于动态角色标识和张量分解的推荐模型

社交网络推荐中,通常未依据用户兴趣变化进行用户角色动态标注,会造成推荐预测误差,并且用户评分数据稀疏造成评分预测不准确.根据以上问题,本文提出一种基于动态角色标识和张量分解的推荐模型.首先,针对用户角色无差别标识问题,引入信息熵指标度量用户兴趣多样性,对目标用户进行角色定量标识.其次,考虑到用户兴趣漂移现象,提出基于时间窗的动态角色标识方式,解决静态角色标识产生的个体评分数据无偏好差异问题,实现用户评分数据层次化处理.最后,为提高评分预测准确率,通过引入张量分解在数据维度转换和数据压缩的特性,构建基于"用户-项目-角色"张量分解的评分预测模型.同时,在张量分解的过程中,通过对数据缺失值处理,提高评分预测精度,生成目标用户推荐列表.实验表明,该方法缓解了用户无角色差异形成的预测误差问题,并能够有效改善评分数据稀疏情况下传统方法推荐精度不足的问题,提高推荐效率.     

基于自编码器与多模态数据融合的视频推荐方法

现今常用的线性结构视频推荐方法存在推荐结果非个性化、精度低等问题,故开发高精度的个性化视频推荐方法迫在眉睫。提出了一种基于自编码器与多模态数据融合的视频推荐方法,对文本和视觉两种数据模态进行视频推荐。具体来说,所提方法首先使用词袋和TF-IDF方法描述文本数据,然后将所得特征与从视觉数据中提取的深层卷积描述符进行融合,使每个视频文档都获得一个多模态描述符,并利用自编码器构造低维稀疏表示。本文使用3个真实数据集对所提模型进行了实验,结果表明,与单模态推荐方法相比,所提方法推荐性能明显提升,且所提视频推荐方法的性能优于基准方法。