适应用户需求进化的个性化信息服务模型

 针对个性化信息服务难以有效适应用户需求变化的问题,从行为动机角度分析了需求变化的原因.基于"马斯洛需求层次论"设计了分析信息类别与信息行为所对应需求层次的机制,进而提出了面向行为动机的个性化信息服务模型.通过分析用户行为记录,模型有选择性得将候选推荐内容多样化,通过监测用户反馈,判定其需求变化趋势并主动做出适应.实验结果表明,利用模型优化后的个性化信息服务系统对用户需求变化的适应能力得到有效提高.     

云计算服务与大规模定制模式应用

云计算是为适应IT应用新需求出现的一种计算新模式,大规模定制是为适应客户个性化需求所出现的生产或服务新模式。本文在分析云计算服务与大规模定制模式的特点和相互影响的基础上,首先讨论在云计算服务中大规模定制模式应用的必要性,然后讨论如何运用云计算服务支持大规模定制模式应用,最后讨论云计算环境下大规模定制客户需求响应互动过程的智能支持。     

图书馆个性化信息服务的模型研究

个性化是图书馆信息服务的发展方向,提供个性化信息服务也将成为未来图书馆的主流业务。与大众信息服务相比较,在信息内容、信息获取、信息识别与匹配、信息整合技术等方面。     

面向大规模定制的非结构个性化客户需求结构化处理研究

大规模定制客户个性化服务需求往往具有非结构化特征,准确获取并分析真实客户需求是大规模定制成功实施的关键。首先讨论大规模定制客户非结构个性化需求的内涵和判定方法,针对非结构个性化需求特点构建大规模定制客户非结构个性化需求结构分析框架,然后设计三元组映射规则,对QFD进行扩展应用,实现非结构个性化客户需求向结构化产品需求的转换,最后举例说明结构化方法的具体应用。方法具有普遍适用性,对云计算等IT个性化服务定制具有指导意义。     

基于用户需求的高校数字图书馆个性化信息服务的研究

在网络环境下,图书馆拥有不同类型的用户,这些用户在利用图书馆信息资源时的行为表现迥异,因此图书馆的用户需求是复杂多样的。作为一种可以满足不同用户需求方式的个性化信息服务,为优化数字图书馆的服务的奠定了基础。文章着重提出了提高高校数字图书馆个性化信息服务水平的策略,旨在为高校图书馆的发展带来新的思路。     

个性化数字服务模型

互连网海量信息与用户狭窄专一产生矛盾,传统的搜索引擎等工具不足以从根本解决这一矛盾,为提高信息的利用度,充分满足用户需求,为用户提供个性化数字生存的环境,本文提出了个性化数字服务的概念,这将成为互联网用的新模式。本文系统叙述了个性化数字服务模型的原理和构成,提出了建立个性化数字服务的具体思路和解决方案。     

基于社会网络面向个性化需求的可信服务推荐

在当前服务计算和社会计算背景下,针对难以获取满足用户个性化需求的可信Web服务问题,给出基于社会网络面向个性化需求的可信Web服务推荐模型;设计用户个性化功能需求分解与匹配算法,并利用语义词典提高功能需求语义匹配的准确性;基于个性化功能需求、社会网络节点信任度及服务信任度,设计了一种满足用户个性化需求的可信服务推荐算法,通过对社会网络节点之间、节点与服务之间的信任相关性进行分析,提高服务协同可信推荐性能。算法分析及实验结果表明该方法是有效和可行的。     

数字图书馆个性化服务

本文主要介绍了数字图书馆以用户需要为导向的个性化服务内容,分析了个性化服务工作要点,并对数字图书馆个性化服务系统的主要功能进行了说明。     

基于SC的个性化服务系统的研究与设计

SC(服务协同)技术是一种高粒度、高抽象性、高灵活性的新型的中间件技术。文中在分析了SC技术原理的基础上,结合业务过程管理技术和个性化服务系统的特点,对传统的个性化服务系统进行了改进,提出了一种适用于用户个性化需求服务的基于个性化服务系统,增加了SC生成层,并对系统中各个层次提供的主要服务和功能进行了说明;重点分析和介绍SC生成层的原理与运行机制。该系统具有较好的灵活性、可操作性、可伸缩性及动态应用的能力。     

CMMI—SCV服务模型特点与应用情况分析

本文比较了服务管理的能力成熟度集成模型CMMI—SVC与能力成熟度开发模型CMMI-DEV模型的区别和联系,关注了CMMI-SVC模型的变迁。同时还比较了CMMI-SVC模型和ITIL、IS020000模型的区别。通过比较和分析,我们得知CMMI—SVC模型是强调质量管理过程体系的过程改进,关注于资源的量化管理,重视各种流程的闭环控制,借此来引导服务型企业提升质量管理体系和服务质量。最近三年来通过CMMI-SVC的评估的企业的统计数据表明CMMI-SVC已经受到越来越多的关注。     

一种基于Dirichelt过程隐变量支撑向量机模型的目标识别方法

在目标识别中,对于样本数较多且分布复杂的数据,若将所有训练样本用来训练一个单一的分类器,会增加分类器的训练复杂度,且容易忽视样本的内在结构,不利于分类。因此人们提出了混合专家系统(ME),即将训练样本集划分为多个训练样本子集,并在每个子集上单独训练分类器。但是传统ME系统需要人为确定专家个数,并且每个子集的学习独立于后端的任务,如分类。该文提出一种基于Dirichlet过程(DP)混合隐变量(LV)支持向量机(SVM)模型(DPLVSVM)的目标识别算法,采用DP混合模型自动确定样本聚类个数,同时每个聚类中使用线性隐变量SVM(LVSVM)进行分类。不同于以往算法,DPLVSVM 将聚类过程和分类器的训练过程联合优化,保证了各个子集中样本的分布上的一致性和可分性,而且可以利用Gibbs采样技术对模型参数进行简便有效的估计。基于人工数据集、公共数据集以及雷达实测数据的实验验证了该文方法的有效性。