面向在线学习的个性化学习资源推荐系统设计

为了解决在线学习资源数量庞大，学生无法快速从中选择适合自己的学习资源的问题，使学生高效、快速的获取合适的学习资源，本文建立了个性化学习资源推荐系统。系统采用基于用户的协同过滤推荐算法进行个性化学习资源的推荐。针对算法中可能出现的评分稀疏和“冷启动”问题，对使用者信息获取方式进行了优化，采用隐性评分的方式进行学习资源的评分。对于新注册的使用者，系统采用内容过滤算法进行学习资源的推荐。采用F-measure和平均绝对误差作为评价指标进行了性能验证试验。试验结果表明：系统的个性化学习资源推荐效果较好。     

分布式信息资源发布订阅推荐模型研究

针对现有网络信息资源分布式特征和语义搜索的要求,提出一种应用发布/订阅技术实现信息资源语义推荐模型。资源以消息方式发布到分布式模型系统中,用户的个性化要求通过订阅方式存储在查询本地,实现将用户被动搜索信息变为系统主动推荐个性化的信息服务的转变,同时应用语义Web技术实现基于内容的信息匹配。该系统模型改变了现有基于网页搜索信息资源的方式,更易于部署,实验结果表明,该模型比传统的网页推荐模型信息匹配准确率更高。     

网络学习系统个性化实时推荐策略研究

网络学习资源海量化在给学习用户提供资源选择多样化和学习自主化的同时,也给用户快速获取个性资源提出了更高要求。在分析当前个性化推荐技术的基础上,充分考虑学习的过程性和资源间的语义相关性,提出一种基于本体个性化的实时推荐模型和算法。主要从模型构建、本体构建、语义相关度和个性推荐算法等方面进行研究,设计了网络学习系统中资源个性化推荐的基本框架和流程,为提高网络学习效率提供全新的解决思路。     

面向学习情境的个性化学习资源推荐研究

为了提高海量情境数据环境下捕捉和推荐资源的准确度,进行个性化学习资源推荐算法研究.将学习者的学习情境加入到学习资源推荐系统中,构建了"学习者-学习情境-学习资源"推荐模型.通过对学习者个性化学习行为的捕捉来勾勒学习者画像,然后根据学习情境与学习者行为的相似度计算结果搜索、推荐与其相匹配的学习资源.实验结果表明,基于用户...     

协同过滤技术研究综述

协同过滤作为构建个性化推荐系统的主要技术,旨在解决各领域的信息过剩问题,其主要类型包括基于记忆、基于模型以及组合协同过滤算法。分析了基于记忆的协同过滤方法的基本原理,介绍了4种典型的基于模型的方法及3类组合协同过滤算法,并从行为数据的构造、数据分割的方法及常用评估指标3方面阐述了协同过滤的算法性能的验证方法,总结了协同过滤算法在构建推荐系统时面临的问题和各类协同过滤算法的性能。单一协同过滤算法的推荐性能各有优劣,构建个性化推荐系统的关键在于:针对推荐任务的需求及数据集的特点,选择合理的推荐算法与评价指标。     

融合用户行为网络信息的个性化餐馆推荐

目前主流推荐算法是在显式评分或者隐式特征相似的基础上,忽略了用户就餐行为序列中的网络拓扑结构关系,使得用户就餐行为中隐含的喜好信息难以被很好地定性刻画。对此,提出了一种融合用户行为网络信息的个性化餐馆推荐系统。首先根据用户的历史就餐行为序列信息,构建其就餐地理位置转移网络和口味信息转移网络。然后利用网络图表征方法得出位置和口味标签的向量表征,刻画了用户历史就餐行为偏好,并提出用户每次就餐时的怀旧指数GT。最后,将怀旧指数GT结合用户评分信息融入到已有的协同过滤推荐算法框架中,得到改进的融合用户行为网络信息的个性化餐馆推荐模型。在Yelp数据上的实验证明:该模型的推荐效果高于传统的基于评分的推荐算法和最好的图嵌入推荐算法。     

一种基于桌面信息的个性化推荐方法

针对当前信息检索服务中存在的固有缺陷,提出了一种基于用户桌面信息抽取的个性化推荐方法．详细介绍了通过用户桌面资源信息抽取建立长期用户模型,以及通过工作场景信息抽取建立短期用户模型的算法．长期用户模型提供了完整全面的用户兴趣偏好信息,短期用户模型则为预测用户当前信息需求提供了依据．实验结果表明,基于用户桌面信息抽取的个陛化推荐服务能较好地预测用户当前需求、具有良好的推荐效果．     

基于旅游业移动电子商务的个性化推荐模型研究

通过建立个性化推荐模型,分析用户的网络访问行为,利用KSP算法以及MIAR算法获取关联规则,从海量的模糊数据中挖掘出个性化信息,修改移动网站的内容和结构以满足用户信息需求,并对用户的移动网络搜索数据进行智能挖掘,推荐相关的Top-N旅游产品。同时针对以上研究设计旅游业移动电子商务个性化推荐模型,并对该模型流程进行分析,探讨后台移动数据库设计。     

基于隐语义模型的推荐算法研究

针对传统推荐算法用户兴趣值低、准确性差的问题,提出基于隐语义模型的推荐算法研究。首先对隐语义模型数据特征值进行采集,获取用户的个性化喜好信息,并针对采集到的特征数据及搜索关键词,进行不同信息之间的关联性数值的判断和分类处理。在此基础上,根据判断和分类处理结果对不同层次的信息进行推荐排序处理,优化模型信息推荐步骤,实现隐语义模型信息推荐。实验研究结果表明,基于隐语义模型的推荐算法的用户兴趣值高于其他传统推荐算法,且信息推荐的准确性较高。     

基于多场景融合的分布式推荐模型

个性化推荐系统中普遍存在着信息共享程度低、资源复用不足等问题.针对这些问题,提出基于多场景融合的分布式推荐模型,给出了该模型的组成单元和运行流程,以及对应的场景数据结构.该模型采用分布式的双向刻画的方法,通过多场景融合算法,进行客户特征(需求)与服务场景的互生成,并最终生成推荐列表.仿真实验证明,该模型较之独立节点的推荐模型,在消费娱乐领域,具有较高的客户覆盖度、推荐精度,且占用系统资源较少,具有较高的性价比.     

个性化推荐系统描述文件攻击检测方法

个性化推荐系统能产生针对性的、个性化的信息来满足不同用户需求,但也很容易受到用户描述文件注入恶意攻击,影响正常的推荐结果.针对该问题,分析和研究了描述文件的形式化模型、描述文件的属性及分类方法,应用粗糙集理论,设计了数据预处理离散化、决策表约简和个性化推荐处理相应算法,提出了一种用户描述文件分类学习和攻击检测的方法;为...     

移动终端离线浏览系统的新闻推荐服务研究

对移动信息服务中面向用户的个性化问题进行了研究,提出了一种基于移动终端浏览系统,采用改进的K－近邻分类器的个性化推荐算法对每个移动用户的新闻访问行为序列进行跟踪、记录、建模和分析,将个性化特征归类存储,实现了实时的个性化新闻推荐。仿真实验结果验证了该个性化推荐模型的实用性和可行性,推荐正确率可以达到70%。     

二分网络中多步物质扩散推荐算法的逼近分析

物质扩散推荐算法由于其简洁有效的特点自提出以来便受到了广泛关注。然而，至今为止，人们对该算法的研究大多停留在二分网络中的两步扩散过程，而对多步扩散过程少有涉及。该文利用矩阵分析的方法对二分网络中的多步物质扩散过程进行了研究，通过对扩散转移矩阵 W 的性质进行分析，发现当扩散步数N趋于无穷时 W N收敛。与之对应，在多步扩散之后，网络中的资源分布最终会达到一个稳定状态，且此时每个节点最终获得的资源数与该节点的度成正比，而与资源的初始分布状态无关，这导致推荐算法将完全根据物品的热门程度进行推荐，推荐结果也不再具有个性化特点。研究结果表明二分网络中的物质扩散推荐算法随着扩散步数的增加将逐渐失去个性化特性。     

云环境下基于资源类别聚合的算法

随着云服务类型和数量不断增长,用户很难从中选择有效的云服务。为解决云环境下海量服务的个性化推荐问题,提出了一种基于类别聚合的个性化推荐算法。首先对数据存储节点上的资源进行分类;然后计算类别之间的相关性;其次寻找资源的最近邻;最后产生推荐集。通过实验数据进行验证,提出的云环境下的协同过滤算法与传统协同过滤算法相比,推荐质量和系统性能都有很大提高。     

语义环境下个性化推荐系统建模

为解决现有个性化推荐系统中缺乏对语义信息处理能力的问题,建立了语义推荐系统模型,使用描述逻辑实现了该模型,并给出了推荐算法。在实现模型的过程中引入了两条规则实现了概念层次关系在兴趣程度和关联程度上的传递。实验证明,通过将用户的兴趣和待选资源的相关概念在语义层面进行适当扩展,语义推荐系统模型能产生更多符合用户兴趣的推荐项目。     

基于相似学习者发现的资源推荐系统

为了解决给规模大、分布广的远程学习者提供个性化的学习资源推荐的这一难点问题,提出了一种新颖的基于多代理的远程协作学习资源推荐机制,引入学习状态评估向量对复杂的学习行为进行建模,并基于组代理之间的交互来发现具有相似学习状态的学习者,同时构建了一个供社区学习者共享的即时交互和学习资源推荐平台,为社区学习者的学习资源共享提供了有针对性的推荐.实验证明,具有较高的相似学生发现准确率和社区构建效率,同时通过社区学生的资源推荐和共享,提高了学习者的学习效率和成绩.     

基于四阶奇异值分解的推荐算法研究

三阶奇异值分解推荐算法可以综合考虑用户、物品标签和物品三部分信息,挖掘三者之间的潜在关系进行推荐,然而该方法并没有引入其他方面的有效信息,如用户情感。为了考虑更多维度的信息,本文在三阶奇异值分解推荐算法的基础上,提出了一种加入用户情感信息的四阶奇异值分解推荐算法。该方法基于从评论中的emoji表情提炼出的用户情感偏好,再引入四阶张量模型,存储用户、用户情感、物品标签和物品四元组数据,应用四阶奇异值分解,从而进行个性化推荐。在某在线互联网教育的实证数据集上的实验结果表明,该方法比三阶奇异值分解推荐算法以及传统推荐算法在准确率和召回率性能指标上都有明显提升,其中进行Top-1推荐时,准确率和召回率可以达到0.513和0.339。本文的工作为移动通信端的个性化推荐提供了借鉴。     

电子商务个性化推荐系统的应用

在传统的电子商务推荐系统的基础上,引入了分布式计算、基于语义的发布/订阅、本体库等技术手 段,设计了一种个性化电子商务推荐模型系统,构建了电影领域的本体库,并在Prot湨g湨3.3.1中实现本体库模型。 重点实现了用户特性聚类算法和基于语义的发布/订阅匹配算法。实验结果表明,基于发布/订阅的个性化推荐系 统具有较好的推荐准确率。     

网络资源中基于K-Means聚类的个性化推荐

为了实现在网络资源中为网络用户提供针对兴趣爱好的推荐项目,提出了一种基于K-means聚类的应用于动态多维社会网络的个性化推荐算法.首先根据用户评分数据对用户进行建模,并根据评分数据集构建多维用户网络,再加入局域世界演化理论形成动态多维网络;然后根据改进的K-means算法对用户聚类;最后根据最近邻居得到目标用户的预测评分作出推荐,从而形成一种应用于动态多维社会网络中的个性化推荐算法.实验表明,相比协同过滤个性化推荐系统,新推荐策略的预测值和真实值之间的误差较小,个性化推荐水平得到了一定程度的提高.