Research of Personalized Recommendation System in Interactive Digital TV

旨在分析研究如何把个性化推荐系统引入交互式电视中加以应用.概括介绍了个性化推荐系统的功能架构和组成要素,重点对几个主流的推荐算法进行分析和对比,总结了交互式电视中个性化推荐技术研究的重难点,分析了个性化推荐系统在未来交互式电视中的应用以及可能的研究方向.     

语义推荐算法研究综述

近年来,语义推荐技术已成为信息服务领域的一个研究热点和重点.与传统的推荐算法相比,语义推荐算法在实时性、鲁棒性和推荐质量等方面具有显著的优势.针对语义推荐算法的国内外研究现状、进展,从四个角度进行归纳和总结,即基于语义的内容推荐算法、基于语义的协同过滤推荐算法、基于语义的混合推荐算法以及基于语义的社会化推荐算法,旨在尽可能全面地对语义推荐算法进行细致的介绍与分析,为相关研究人员提供有价值的学术参考.最后,立足于研究现状的分析与把握,对当前语义推荐算法所面临的挑战与发展趋势进行了展望.     

OTA系统中的个性化应用推荐系统研究

本文首先提出了OTA全新的个性化应用推荐系统模型,然后对移动用户下载使用与兴趣之间的关联作了讨论与分析,并给出了算法,最后对个性化推荐的两种常见实现方法,即聚类分析与关联规则进行了讨论,给出了OTA系统中的个性化应用推荐引擎的设计思路与实现算法.     

交互式电视中个性化推荐系统的研究

旨在分析研究如何把个性化推荐系统引入交互式电视中加以应用。概括介绍了个性化推荐系统的功能架构和组成要素,重点对几个主流的推荐算法进行分析和对比,总结了交互式电视中个性化推荐技术研究的重难点,分析了个性化推荐系统在未来交互式电视中的应用以及可能的研究方向。     

云计算环境中资源优化推荐技术研究

随着系统规模的不断扩大和数据获取量的指数级增长,在传统推荐系统的冷启动、精确性、扩展性等问题严峻化的同时,实时性问题亦成为面向海量数据推荐系统新的瓶颈点。基于传统推荐领域的主流算法,提出了一个扩展向量推荐模型。根据扩展模型对推荐算法中对象的向量进行合理扩展,通过相似度计算等过程动态选取推荐集,完成对目标对象更精确的推荐。实验结果表明,与传统推荐算法相比,基于新模型的推荐算法可以显著地提升推荐效果,成功克服冷启动问题。     

基于上下文的智能应用推荐系统架构设计

普适计算环境需要根据用户和环境的上下文信息为用户提供丰富及合适的应用资源.为了适应这种需求,设计了一种基于上下文的智能应用推荐系统架构.该架构主要是利用贝叶斯网络根据上下文进行推理以实现应用推荐,同时使用EM(η)算法对推荐模型进行更新.实验证明该架构能为用户推荐合适的应用资源并可以随用户偏好的改变进行推荐模型更新.     

基于改进的混合模式个性化选课推荐技术研究

针对高等学校学生选课系统中存在的缺乏个性化课程推荐、选课效率较低的问题,通过对个性化推荐技术的分析研究,提出了基于内容、项目及用户属性的改进混合模式算法,并将该算法应用到选课系统中,用MACE数据集对算法进行验证。结果表明,该算法解决了个性化推荐技术中的冷启动问题,相关指标有明显提高,实现了课程与新课程的个性化推荐,并减少了选课的盲目性。     

推荐系统综述

推荐系统是信息过滤系统领域的一个重要研究方向.随着信息技术的发展,推荐系统在提升用户体验和增加企业效益等方面发挥着越来越重要的作用.主流的推荐系统大多基于矩阵分解模型和深度学习模型,近年来又提出了基于记忆网络和集成学习的推荐系统为用户精确地推荐物品.本文将对基于矩阵分解、基于深度学习、基于记忆网络和基于集成学习的推荐系统进行分析和总结,展望未来的研究方向.     

学习资源推荐算法在教学资源管理系统应用

本文分析了学习资源推荐算法在教学资源管理系统的总体设计,然后分析了学习资源推荐算法总体设计思路,最后介绍了推荐相似度的关键代码.     

基于本体论的个性化影片推荐技术研究

个性化影片推荐服务是解决目前网络及家庭数字电视应用中影片资源迅速增长,用户"信息迷航"的有效方法.针对影片点播应用,给出了个性化影片推荐服务的体系结构、影片数据建模、用户兴趣偏好模型进行了研究,实现无需用户输入传统推荐方法所需相关个性兴趣信息即可返回与用户当前兴趣相关的影片推荐列表,提出了基于本体论的影片模型,并建立用户兴趣偏好模型,给出了对推荐过程中结合用户信息反馈对推荐结果进行自适应的调整算法.     

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。     

快速流分类算法的研究

基于流的流量测量是网络测量的重要内容。对多种IP流分类算法及可能应用于万兆网环境的算法进行了分析和比较,提出了快速流分类算法需要解决的问题及发展思路。     

基于特征选择的推荐系统托攻击检测算法

基于协同过滤的电子商务推荐系统极易受到托攻击,托攻击者注入伪造的用户模型增加或减少目标对象的推荐频率,如何检测托攻击是目前推荐系统领域的热点研究课题.分析五种类型托攻击对不同协同过滤算法产生的危害性,提出一种特征选择算法,为不同类型托攻击选取有效的检测指标.基于选择出的指标,提出两种基于监督学习的托攻击检测算法,第一种算法基于朴素贝叶斯分类;第二种算法基于k近邻分类.最后,通过实验验证了特征选择算法的有效性,及两种算法的灵敏性和特效性.     

知识图谱与数据应用——智能推荐

知识图谱技术是新兴的互联网技术,具有较好的前瞻性和较强的技术先进性,有着广泛的应用前景。知识图谱技术提供从“关系”的角度分析问题的能力,可以对数据进行深度挖掘,将自然语言转化为计算机语言,最大限度地展示数据的价值,可以服务于智能搜索、智能推荐、风险预警、智能运营、智能客服、舆情监测、设备预警等业务,大幅地提高企业生产效率。研究了综合聚类算法、SVD分解算法、基于商品的协同顾虑推荐算法、基于用户的协同顾虑推荐算法和商品相似度算法等,结合推荐策略提出了基于知识图谱数据应用的智能推荐系统。证明了以知识图谱作为基础工具的数据应用的可实施性和可部署性,能够全面满足用户在互联网平台的获取信息的需求。     

基于多兴趣度的图书借阅推荐系统研究与设计

针对数字图书馆图书借阅推荐系统中通常采用的协同过滤算法中存在的不足,分析了该算法存在在用户多兴趣情况下推荐时难免会产生偏差,从而降低预测推荐准确率问题,进而提出了一种基于用户多兴趣度的图书借阅推荐系统推荐算法的设计思路。该算法首先对待推荐图书进行分类,然后根据用户的借阅情况计算其对每类图书的兴趣度,将对每类图书兴趣度相似的用户聚为一类,在小范围内寻找最近邻居,最后根据用户对不同类别书目的兴趣度作为权重值来产生对该用户的每类图书的推荐数目。该算法不仅能够解决用户多兴趣度问题,同时也可减少计算工作量,提高推荐的准确率。     

基于用户兴趣变化的混合推荐算法分析

推荐算法被应用在商品购物、音乐推荐、书籍推荐等网站。如何根据这些已有的用户行为数据让用户快速做出抉择,推荐算法显得十分重要。传统的协同过滤算法没有考虑到用户的兴趣是随时间而变化的。文章首先在传统的协同过滤算法的基础上构建时间变化函数,对用户以往的评分数据,对数据做时间加权,提高预测用户兴趣的能力。针对当前推荐算法都会遇到的评分稀疏性问题,文章提出了把基于时间权重的协同过滤算法与基于关联规则的推荐算法进行混合推荐,提高了算法的准确率。     

大数据在音乐推荐质量提升中的实践及应用

基于音乐推荐的应用实例,探索和实现了大数据如何提高推荐质量的过程及方法.提出通过建立基于RFM模型的用户歌曲综合评分体系,在推荐算法中引入项目稀疏度、重叠度、可信度概念作为调整因子,在混合推荐时引入飙升词、内容标签和二次规则过滤等组合方法以解决推荐系统面临的常见问题,为大数据应用提供具体的参考和指导.     

协同过滤中的相似性度量方法的研究

现今,推荐系统越来越受到重视和普及,协同过滤算法是应用最为广泛的个性化推荐技术之一,对基于用户和项的协同过滤推荐算法进行简单的阐述之后,着重对相似性度量方法进行了研究,分别介绍了相关相似性、余弦相似性和调整的余弦相似性,在稀疏数据下对这3种相似性度量方法进行了分析与比较,在最终给出分析结论,并在此基础上提出了改进的相似性计算方法。     

时态网络中知识图谱推荐:关键技术与研究进展

将知识图谱推荐系统应用于时态网络能够有效解决动态推荐问题,在军事、交通、社交等领域具有重要的应用价值.文中对时态网络中知识图谱推荐关键技术及进展进行综述,在总结了知识图谱基本概念、生命周期基础上,分析了知识图谱推荐系统的分类、构建流程及推荐算法特征,讨论了时态网络中知识图谱推荐关键技术,即知识推理和动态推荐的主要技术模...     

基于大数据AI算法的IPTV推荐场景应用

北京IPTV智能推荐系统项目以现有北京IPTV用户的收视/订购行为数据和海量北京IPTV节目内容数据为基础，采用深度机器学习、自然语言处理等大数据AI人工智能算法和多维度分析推荐方法，根据机器训练数据和推荐结果反馈数据，不断优化北京IPTV大数据智能推荐系统策略及相关算法模型，以满足北京IPTV业务各个用户场景对智能推荐的要求，目标是实现提升北京IPTV各项核心业务指标。本文主要论述人工智能算法在北京IPTV业务应用中的思路和系统设计方案。