基于混合模式推荐技术的研究

随着网络技术的发展,接入网络的服务器数量呈现出指数级增长的态势。在海量信息面前,人们对信息的利用率渐渐降低,盲目地在网络中搜寻需要的内容。用户急需一种能够帮助他们购物的辅助工具,该工具能够按照用户自身的兴趣爱好自动地进行推荐。通过改进一种混合模式的推荐技术解决该问题,实验部分也进行了相关验证。     

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。     

基于链路预测的推荐方法研究

推荐系统在数字化环境中能够提供有价值的服务,并且在图书、电影和音乐等在线产业中取得了巨大的商业成功。大多数推荐系统采用协同过滤算法,通过分析用户和物品之间的交互行为推理用户的兴趣和偏好。协同过滤算法的推荐效果受到数据稀疏性问题的影响很大。为了解决这个问题,文章使用一种基于图的方法探索用户和物品之间的交互。文章采用二分网络链路预测的方法对用户进行物品推荐,并与协同过滤方法进行了比较,通过在豆瓣数据集上的实验结果表明,基于链路预测的方法比标准的协同过滤方法要好。     

推荐算法的现状和趋势发展

网络上的信息越来越丰富和杂乱,大家都希望能在尽可能短的时间内从网上获得有效的信息,因此对于推荐系统的要求越来越严格。在推荐算法已经发展较完善的背景下,本文对协同过滤算法、基于内容的推荐、基于流行度的推荐、基于模型的推荐、基于关联规则的推荐以及混合算法等不同的推荐算法进行分析并判断各种算法的优势和劣势,并对推荐算法的发展趋势提出了简单的看法,对于推荐系统的研究以及核心算法的选择具有良好的参考价值。     

医疗信息服务应用中情境感知推荐的研究与实现

随着智能手机用户量的不断上升,医疗信息服务逐渐应用于客户端上,同时伴随着医疗服务信息量的日益增长,移动医疗信息服务应用中出现了信息过载和用户访问效率偏低的现象。针对这种情况,对现有医疗信息服务平台在智能手机上的应用进行研究,并根据移动应用中基于地理位置服务的特殊性和LBS推荐系统的特殊要求,提出基于情境信息的医疗信息服务推荐系统框架。通过对获取到的用户位置及当前时间、天气、环境、交通等丰富的情境信息进行分析,使用基于规则的推荐方法以降低计算量,实现在线个性化智能推荐服务。结果表明,融合了丰富情境信息的移动医疗信息服务平台中的推荐,使得推荐更加个性化,更加符合用户需求。     

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。     

移动群智感知中基于协同排序的任务推荐方法

针对移动群智感知中参与者积极性不高导致的数据质量低和激励成本高的问题,本文提出了一种基于混合用户模型与列表级排序学习算法相结合的协同排序任务推荐方法.根据参与者的历史行为对其进行分析,初步过滤掉一些劣质感知用户,同时利用参与者间的相似性构建混合用户模型.利用概率矩阵分解对参与者的意愿值进行预测,并根据排序学习得到一个排序模型.根据排序模型生成任务推荐列表,作为目标参与者的优选任务列表.基于真实数据集的仿真实验结果表明,本文提出的方法有效地提高了任务分配的准确率,与此同时减少了感知用户的移动距离.     

移动社会网络中基于位置的个性化餐馆推荐建模研究

移动网络中基于位置的服务(Location-Based Service,LBS)是用于移动设备的典型服务。文章总结了LBS推荐系统的主要特点及其应用,融合情景信息提出分阶段的LBS推荐系统模型。在冷启动阶段,根据用户历史数据基于规则推荐,预测新用户兴趣。当获得大量的历史用户反馈和交互数据,采用基于用户和情景的协同过滤推荐算法来提高推荐系统的精度,并修改规则库。实验表明该推荐模型能提高推荐精度并实时推荐。     

应用系统中推荐算法分析

当用户面对海量信息寻找特定目标时,若应用系统可智能且高效提供所需信息,将使得应用系统的使用率和用户体验感成倍上升,从而提高应用系统的信息推广效率和商业价值。论文将针对目前应用系统中主要推荐算法的定义、原理、优劣进行综合描述和比较,为海量信息面向用户指向性推送相关系统设计提供参考。     

基于粒子群优化和LightGBM的情景感知多式联运推荐

针对交通推荐服务中推荐的出行方式单一、忽略用户出行偏好以及多分类任务中样本类别不平衡等问题,本文提出一种基于粒子群优化和LightGBM的情景感知多式联运推荐方法.该方法综合考虑用户在时间、空间以及出行成本上的出行偏好,利用数理统计和表示学习方法捕捉用户出行与各要素之间的内在关系.同时,为了缓解样本类别不平衡带来的负面...     

社会化标签系统中基于本体的个性化推荐方法研究

【目的】捕捉用户兴趣的动态性变化,优化个性化信息推荐效果。【应用背景】高效的个性化信息推荐方法可以根据用户行为特征主动为用户提供合适的信息资源,使信息的获取和利用更加快捷、准确。【方法】以新浪微博为例,通过挖掘用户及其关注者的微博数据,提取标签,计算二者兴趣相似度及亲密度,确定用户兴趣标签并优化标签描述,从而构建用户个性化轻量级本体,使得语义网资源能够准确地投放到用户界面。【结果】有效缓解了信息爆炸式增长所造成的信息迷航现象。【局限】微博数据中的杂音(广告转发、多语言描述)、数据不充分等,可能影响标签提取的准确性。     

基于多社交数据源的协同推荐方法研究

协同过滤推荐作为一种有效的推荐方法,普遍存在数据稀疏性和冷启动问题,利用社交网络的多项数据源对协同推荐方法进行了改进.为了克服评分矩阵的稀疏性问题,提出结合用户评分相似度和用户信任度选择推荐邻居,同时对用户相似度计算进行了改进;提出了一种简单有效的信任推理方法,能够识别出用户间隐含的间接信任关系,进一步缓解了数据稀疏性问题;为了解决推荐系统的冷启动问题,提出综合利用项目的类型属性信息和领域专家信息进行联合推荐.实验结果表明,提出的改进策略非常有效,在精度和召回率方面都较已有方法具有明显改善.     

基于动态代理的上下文感知编程模型EIPM研究

上下文感知应用和普适计算环境逐渐渗入人们生活环境的今天,上下文感知应用的设计开发时的支撑环境方面仍主要采用传统的面向对象等技术及编程模型,这样在设计时与上下文相关的行为会分布在程序中,即环境上下文和行为在程序编码时就进行了绑定,这使得环境依赖因素和程序控制主体结合的过分紧密,不能适应普适计算环境多样、复杂、动态和多变等特点,更难于进行系统维护和扩展.本文以实现应用程序动态适应环境信息变化为目的,设计并实现了采用动态代理为底层实现机制,通过映射规则的建立将上下文信息和编程逻辑进行分离的上下文感知编程模型EIPM,提供了相应的开发编译平台和执行容器在内的应用框架系统原型,实现一种适应普适计算环境上下文动态复杂多变特点的编程模型.以普适环境文件访问系统中上下文感知部分模块的开发为例,进行了EIPM应用框架原型系统功能的可行性测试,结果表明EIPM编程模型具备了对环境上下文变化的动态适应性.     

基于协同过滤的推荐算法研究

随着互联网时代WEB2.0技术的到来,信息过载问题要通过协同过滤推荐系统算法有效地解决。文章分析了基于协同过滤的推荐算法研究的意义和基于协同过滤的推荐算法研究的现状,根据推荐系统和协同过滤算法的特点,分别对融合社交网络信息的协同过滤算法、融合基于用户和基于项目协同过滤算法进行简单的研究和分析。     

基于位置服务的分布式差分隐私推荐方法研究

随着移动互联网技术的迅速发展,传统的推荐系统已不能很好地适应基于位置的推荐服务,同时也面临隐私泄露的问题.本文针对上述问题,首先提出一种分布式隐私保护推荐框架,并利用差分隐私保护理论,设计基于分布式框架的奇异值分解推荐算法,同时利用保序加密函数实现用户请求位置的保护.理论分析和在两个真实的数据集上的实验表明,本文提出的...     

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。     

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。     

Context-Aware Holographic Communication Based on Semantic Knowledge Extraction

Augmented, mixed and virtual reality are changing the way people interact and communicate. Five dimensional communications and services, integrating information from all human senses are expected to emerge, together with holographic communications (HC), providing a truly immersive experience. HC presents a lot of challenges in terms of data gathering and transmission, demanding Artificial Intelligence empowered communication technologies such as 5G. The goal of the paper is to present a model of a context-aware holographic architecture for real time communication based on semantic knowledge extraction. This architecture will require analyzing, combining and developing methods and algorithms for: 3D human body model acquisition; semantic knowledge extraction with deep neural networks to predict human behaviour; analysis of biometric modalities; context-aware optimization of network resource allocation for the purpose of creating a multi-party, from-capturing-to-rendering HC framework. We illustrate its practical deployment in a scenario that can open new opportunities in user experience and business model innovation.