E-Learning系统的个性化推荐方法研究

以E-Learning系统建设为背景,通过采用文献查找、调查研究等方法探讨个性化推荐理论的内涵,并结合当前建设中的E-Learning系统,分析了目前常用的个性化推荐策略,并进行介绍比较和分析以后,总结经验,以应用于E-Learning系统的建设。提出适合于E-learning系统建设的个性化推荐策略:采用关联规则推荐策略和协同过滤技术,基于WEB技术建立一个虚拟学习系统,利用推荐算法,结合用户需求,将学习的资源、学习活动和学习策略进行整合,向用户推荐完整的满足用户需求的E-Learning学习方案。     

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。     

基于协同过滤算法的MOOC个性化推荐系统

MOOC(慕课,Massive Open Online Course)大规模在线开放课程是一个在线课堂,旨在通过网络让用户随时无限制学习。为了让用户发现感兴趣且高质量的课程,文中设计了一种基于协同过滤技术的MOOC个性化课程推荐系统,为用户提供个性化的课程选择,以提升用户体验。同时对协同过滤算法存在的缺陷提出了改进思路,并对推荐技术以及MOOC未来的发展进行了展望。     

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。     

基于协同过滤推荐技术的作业资源个性化推荐系统的设计与研究

个性化推荐系统在电子商务领域已经获得成功应用。受其研究领域中相关研究启发,我们尝试在作业资源管理系统中引入协同过滤推荐算法,对协同过滤算法的工作原理、实现方法和存在问题等进行阐述和分析,并提出对存在问题的改进策略。将优化后的推荐技术融入到作业管理的整个流程中去,设计了基于协同过滤技术的作业资源推荐系统的理论模型,并结合作业流程详细说明推荐的实现过程。     

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。     

灵活适应不同业务的个性化推荐系统研究

互联网技术的迅速发展,尤其是以个性化为主要特点的Web 2.0的不断成熟,使得大量信息同时呈现在人们面前,个性化推荐技术的价值日益凸显。提出了一种灵活适应不同业务的个性化推荐系统设计方案,采集并分析用户的所有显式行为和隐式行为,结合用户行为配置文件和熵值法分析用户对物品的兴趣度,并引入时间遗忘函数,解决用户兴趣漂移问题,然后基于协同过滤技术得到用户的个性化推荐列表。通过实际数据进行测试,给出了系统推荐效果评估分析。     

云计算环境下的学习资源个性化推荐技术研究

针对学习资源的个性化推荐,提出了一种基于用户影响关系的协同过滤推荐方法,使用传统协同过滤推荐采用的用户项目评分信息,通过挖掘用户时序交互评论和回复行为数据发现用户之间的相互影响关系,从而优化用户兴趣矩阵,在此基础上改善基于用户的协同过滤方法进行推荐。在数据集上的实验结果表明,通过利用用户之间时序交互行为数据,挖掘隐藏的用户影响关系信息可以有效提高预测的准确度。     

以用户兴趣为指导的个性化广播电视智能推荐系统

广播电视正朝着多样化和个性化的方向发展,使得用户很难在大量的广播电视节目中快速找到自己感兴趣的节目。因此,构建以用户兴趣为指导的个性化广播电视智能推荐系统成为必然。然而,用户的兴趣会随时间出现一定程度的变化,这就导致系统最终推荐的效果不尽如人意。因此,将兴趣随时间变化的趋势作为重要权重引入到协同过滤算法用户相似计算中,构建新型的广播电视推荐系统,最终通过实验验证,所提出的个性化广播电视智能推荐系统能够有效提升推荐结果的准确性。     

基于信任机制的电子商务个性化推荐技术研究

随着电子商务的迅速发展,越来越多的顾客选择网上购物,如何让用户在海量信息中快速而准确地找到合适的产品,做出购买决定是一件很难的事情。个性化推荐技术能够较好的解决此问题,它通过分析顾客相关信息,向用户推荐感兴趣的产品,以便做出最后的决策。本文分析国内外个性化推荐技术研究现状,着重介绍协同过滤推荐技术存在的冷开始、数据稀疏性、伸缩性、“托”攻击等问题。为了改进传统协同过滤技术,结合典型的信任评估模型,提出了本文的观点。并介绍此推荐技术的两种算法,即用户单一兴趣下基于信任机制的电子商务个性化推荐算法和用户多兴趣下基于信任机制的电子商务个性化推荐算法。     

个性化搜索引擎中用户协作推荐算法的研究

个性化信息服务越来越成为信息检索领域中研究的热点,文章综合内容过滤和协作过滤两种技术的优点,给出了一种个性化搜索引擎系统的体系结构,并在此基础上提出了用户协作推荐算法.模拟实验表明,该结构和算法能够有效地推荐出与用户意图相关的信息,并且具有良好的可适应性.     

一种基于信息老化的协同过滤推荐算法

协同过滤推荐算法中存在推荐信息低时效性问题,该文针对此问题,结合信息老化理论,提出一种基于信息老化的协同过滤推荐算法。该算法利用用户的点击记录,构建项目的时效性评价模型来预测项目当前时刻被点击的概率;将模型与基于项目协同过滤推荐算法结合,综合考虑用户的兴趣和项目的时效性来发现项目的最近邻居,从而进行高时效性的推荐。实验结果表明,与传统基于项目的协同过滤推荐算法相比,该算法提高了推荐结果的时效性。     

关联规则在移动电子商务推荐系统中的应用

以数据挖掘中的关联规则为基础,深入研究了个性化推荐系统的架构和推荐系统模型。针对传统关联规则挖掘算法在解决移动电子商务环境个性化推荐问题时反复扫描数据库,频繁项挖掘效率低,关联规则挖掘准确率低以及规则大量冗余等不足,采用基于事务矩阵和兴趣度的关联规则挖掘算法构建个性化的推荐系统模型,提升了个性化推荐质量。     

一种基于协同过滤的网格门户推荐模型

随着网格技术的不断发展,作为网格资源管理接口的网格门户也迅速发展起来。访问网格门户的用户数和门户管理的资源数也越来越多。为了解决网格门户系统资源管理信息规模过载、服务器大规模查询和处理资源负载较高、用户获取所需资源的满意度较低等问题,该文通过分析网格门户的主要功能和特点,在结合现有协同过滤推荐算法并改进的基础上,提出了基于协同过滤的网格门户推荐模型。推荐模型包括协同过滤交互模型、处理模型和展现模型。在设计模型的基础上提出了二次组合协同推荐算法并且进行了和现有算法的比较工作。实验表明：该文提出的推荐模型可以较好地实现网格门户的个性化协同推荐功能,并且可以保证个性化推荐的准确度和质量。     

音乐推荐技术的现状与发展

综述了音乐推荐的应用背景、起源和发展以及几种典型的方法,同时分析了当前推荐技术中存在的问题,提出了基于生理和心理状态输入的新的音乐推荐技术的发展方向。     

基于Spark的实时情境推荐系统关键技术研究

随着移动互联网的飞速发展,人们面临的信息过载的问题日益严重,大数据场景下对用户的推荐面临着巨大困难。为了解决推荐时效性、准确度、大数据量,提出了一种基于Spark的实时情境推荐算法。该算法在协同过滤的基础上融合了情境过滤,以Kafka作为实时消息收发器,以Spark Streaming来处理实时流数据,增强了算法的准确性和时效性。实验证明,该算法和传统协同过滤算法相比,准确率和时效性更高,且在大数据场景下更有优势。     

基于数据挖掘的个性化智能推荐系统应用研究

在当前家庭数字化日趋普及的环境下,为了给用户提供一种智能型、个性化的多媒体内容推荐服务,通过研究协同式信息过滤技术,结合数据挖掘技术,设计并实现了一个智能型、个性化的多媒体推荐系统。系统可以根据用户的使用习惯、使用时间、使用环境以及最近选择的项目进行分析,进行判断后列出最优推荐资源。系统通过研究个人信息的自我学习技术、个性化特征分析技术以及多媒体内容的搜寻技术,将上述技术应用在推荐服务系统中,具有一定的实际意义。     

一种基于RFM模型的新型协同过滤个性化推荐算法

摘要：为了提高个性化推荐效果及预测准确度,特别是针对传统算法中评分矩阵过于稀疏等问题提出一种新颖的协同过滤算法。该算法首先利用RFM模型合理地筛选用户信息,其次通过黏性客户的消费记录稠密化用户—项目评分矩阵,并改进了传统相似度计算公式。通过仿真实验证实了算法的准确性,最后将其应用于一套具有个性化商品推荐功能的系统原型中,证明了该推荐算法的有效性及实用性。     

一种基于多任务学习的科学文献推荐算法

传统推荐算法通过主题模型或者词语向量化的平均值对文本内容进行映射。针对现有方法不能充分利用文本信息或忽略词序信息这一问题,文中面向科学文献,提出了一种多任务学习推荐方法。该方法基于多任务学习框架,设计编码器并搭建了GL模型。该模型被训练为内容推荐与文本元数据预测的组合,可改善传统协同过滤的稀疏性问题,使得协同过滤模型正则化。最后,分别在公开数据集与私有数据集上进行了评估测试,结果表明所提方法性能优于现有的经典方法。