基于知识图谱的商品推荐系统

信息时代下,电子商务和移动互联网飞快发展,淘宝、天猫、京东、唯品会等网络购物平台纷纷崛起,满足了人们线上购物的需要。现如今,网络购物已经成为人们日常生活中不可或缺的部分,在为人们提供便捷服务的同时,也极大的促进了经济增长。商品推荐系统是立足于大数据分析基础上实现的,根据用户的喜好倾向进行智能推荐,在提升产品销售量同时,促使用户体验大幅度提升。基于知识图谱的商品推荐系统,可以发挥知识图谱辅助信息优势,收集相关信息数据,提供辅助信息来源,促使商品推荐系统更加精准、可靠。文章就此展开分析,在了解知识图谱基础上,进一步优化商品推荐系统。     

一种基于知识图谱的电气设备推荐搜索技术研究

随着信息技术的飞速发展,信息数据呈指数爆炸型增长趋势,知识图谱的出现有效地帮助用户快速有效地搜索得到所需信息。为此,本文对知识图谱的基本特征、实现流程以及当下的应用特性进行分析,提出了一种基于知识图谱的电气维修设备推荐搜索技术。通过将知识图谱中物品的向量化表示方法与协同过滤算法结合,充分应用知识图谱中电气设备的语义信息以及操作用户对电气设备的行为数据,搭建了基于知识图谱的协同过滤算法模型,并对算法的计算过程进行详细描述。最后,应用交叉验证法对所提模型的有效性进行验证,结果表明本文所提算法模型能够显著提升检索结果的有效性。     

目标专业领域知识图谱构建与应用初探

知识图谱技术能够将海量大数据中的信息、数据以及关联关系汇聚为知识网络,实现用户智能化检索与意图分析推理。通过对知识图谱构建过程中本体构建,多源异构互联网数据的实体抽取、关系抽取、图谱更新与维护等关键技术进行研究,构建了军事目标专业领域知识图谱,并在可视化查询、智能问答、高价值关系推荐等方向进行了应用探索,有效提高了数据的使用效益,为军事情报分析和知识应用提供了一种有效的工具和方法。     

智能推荐系统在智慧社区中的应用

近年来,我国智慧社区建设成为了城市建设的一种共识.大数据挖掘技术为智慧社区的实现提供了基础和前提,成为智慧社区实现的关键性技术.本文以大数据技术在智能推荐系统中的应用为案例,将大数据挖掘技术中协同过滤算法、关联分析、NMF算法等技术,应用在智能推荐系统设计上,为社区超市商品的上架提供了有效的信息参考,有效证实了大数据技术应用的可行性.     

基于知识图谱的智慧教育系统研究

智慧教育是将人工智能、大数据等技术应用于教育的重要方向。通过知识图谱可以管理不同的知识点,并基于此进行智能问答、知识搜索、学习路径推荐等。     

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。     

改进的协同过滤算法在商品推荐中的应用

本文对传统的协同过滤推荐算法进行了一定程度的优化,将基于协同过滤技术的理论研究更好地应用在商品个性化推荐中,以解决协同过滤打分稀疏问题,以及协同过滤的推荐准确率低的问题,首先使用二部图表示用户和商品的二元关系,然后利用二部图模块函数对用户和商品划分相似类,最后产生基于同类用户和同种商品的推荐列表并将两个推荐列表混合使用,得到基于二部图函数的改进的协同过滤算法。算法根据用户的兴趣和需求向其推荐个性化的商品,降低了用户搜寻信息的成本,具有广泛的可行性和实用性。     

基于隐式数据和Apriori的协同过滤推荐算法

针对传统协同过滤推荐算法对目标客户进行个性化推荐时,因用户评价数据和物品属性等显式数据稀疏,造成推荐商品的准确率和质量相对较差的问题,本文基于隐式数据和Apriori算法对协同过滤推荐算法做出改进.首先,算法基于隐式数据中用户对商品的行为和用户对商品的评价,建立用户对商品的评分偏好模型,用以构建原始评分数据;其次,利用...     

基于用户行为及知识传播的图神经网络推荐系统

协同过滤算法存在数据稀疏和冷启动问题,当前的推荐方法普遍引入知识图谱来缓解协同过滤算法的缺陷,但这些方法大都专注于利用知识图谱来构建用户及物品的特征表示,忽略了对用户交互信息的有效利用。本文提出了一种基于用户行为和知识图谱的推荐方法,该方法由交互传播以及知识传播两部分组成。前者通过图神经网络,利用用户-物品交互图来构建用户物品的高阶交互特征;后者利用知识图谱中传播得到相关实体来补充对物品的描述。在两个基准数据集上的大量实验表明,相对于基线模型,本文提出的基于用户行为及知识传播的图神经网络推荐系统具有较好的推荐效果以及泛化能力。     

个性化特征的电子商务智能推荐系统

以准确向用户推荐商品,提升电子商务网站销售量为目标,设计基于个性化特征的电子商务智能推荐系统。系统以个性化推荐引擎为核心,采集交易事务、商品特征、用户评价等数据,利用基于个性化特征的协同过滤推荐算法计算商品间相似度,确定新商品的近邻,根据近邻用户对新商品的评价结果选择商品进行推荐。测试结果表明,该系统的电子商务商品推荐误差小,有利于提升电子商务网站交易率,而且电子商务商品推荐性能明显优于其他推荐系统。     

融合知识图谱与图片特征的推荐模型

目前知识图谱研究主要面向信息检索、自然语言理解等领域,在推荐系统中融合知识图谱成为推荐领域学者广泛关注的问题。为了解决单一知识图谱忽略的丰富知识信息,该文对知识图谱进行多模态扩展,并提出一种融合知识图谱与图片特征的推荐模型(KG-I)。不同于其他基于知识图谱的推荐算法,该方法增加视觉嵌入、知识嵌入和结构嵌入去挖掘用户项目之间的隐式反馈信息。该模型利用深度游走模型(Deep Walk)捕获空间结构的方法和波纹网络模型(RippleNet)挖掘知识图谱的知识表达的思想,并且考虑图片对用户偏好的影响,有效地将信息进行融合,并在真实数据集上与其他模型实验比较,研究多种特征的影响,分析不同稀疏度数据下的表现。结果表明,融合知识图谱与图片特征的个性化推荐模型完全优于其他的对比算法并且有效缓解数据稀疏情况。     

电信运营商知识图谱技术体系研究及应用实践

知识图谱在电信运营商业务及运维场景的知识搜索、工单处理、智能服务、故障分析等领域发挥着重要作用,以中国移动业务运营场景为依托,体系化地研究了知识图谱技术体系,基于应用场景、服务对象可分为问答检索类知识图谱、工单分析类知识图谱、系统运维类知识图谱和业务运营类知识图谱,并介绍其技术架构、业务架构及构建方法,引出知识图谱演进与发展的规划目标。     

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。     

机器学习在运营商门店智能选品中的应用

“新零售”背景下,运营商需要对门店经营进行全面赋能,解决目标客户不明确、商品上下架凭经验、无法准确识别用户需求等问题。文章主要研究在实时海量数据中,如何运用机器学习模型智能、高效地实现运营商门店选品。具体来看,通过采集用户基本信息、订单信息、账单信息、上网行为等数据,生成用户画像及门店画像相关特征,采用相关性分析、因子分析、聚类算法、推荐算法等,生成门店选品策略。研究成果为运营商门店选品提供智能化手段,提高门店经营能力,提高客户满意度,具有广泛的行业应用前景。     

基于数据挖掘的财务管理预警模型

为了提升财务管理预警精确度,构建基于数据挖掘的财务管理预警模型.首先利用财务管理预警指标体系,然后通过数据挖掘技术中的决策树算法实现财务环境和财务活动中财务风险的有效预警,最后进行了财务管理预警仿真实验,试验结果表明,该模型的预警精准度可达98％,可清晰判断财务指标异常情况,具有较高的实际应用价值.     

机载预警雷达技术及信号处理方法综述

机载预警雷达及其信号处理技术经历了巨大的发展,但也面临着隐身目标、非均匀杂波、复杂电磁环境、目标的识别和多种作战任务的严峻挑战。该文回顾了机载预警雷达及其信号处理技术的发展历程,分析了机载预警雷达面临的反隐身、反干扰、反杂波和目标识别方面的挑战,在此基础上提出了机载预警雷达体制正向数字化、宽带化、协同化、智能化和多功能一体化演变的趋势,最后分析了3D-STAP, MIMO-STAP、宽带检测、认知抗干扰等关键技术,有望对下一代机载预警雷达的研制发挥一定的指导意义。     

基于GSM的智能家居（安防、信箱）设计

物联网是国家战略性新一代信息技术,智能家居是物联网的一个具体而典型的应用方向。本文介绍了一种基于GSM的信件,安防短信提示系统。它不仅符合智能家居便民,智能的要求,而且是实现家居节能和科学管理的基础。经实际室内测试表明：该系统性能良好,安装简单,并且更加人性化。     

基于共享知识模型的跨领域推荐算法

互联网的普及使得大量信息不断累积,推荐系统作为解决信息过载的有效手段,能够帮助人们迅速准确地筛选出感兴趣的内容.但是由于用户项目评分数据过于稀疏,新用户或新商品存在"冷启动"问题,使得传统的推荐算法计算复杂性过高、准确性较低.考虑到用户会在互联网不同领域使用各类应用,在不同领域积累了大量行为数据和评价信息.而从用户群体的角度来说,在不同领域间存在着用户群体的偏好相似性,因此如果通过在不同领域中共享代表偏好的知识模型,将有助于提升在新领域推荐的准确性,解决冷启动问题.本文提出了基于共享知识模型的跨领域推荐算法SKP （Sharing Knowledge Pattern）,通过对各个领域中用户-项目的评分矩阵分解,得到用户的潜在特征矩阵和项目的潜在特征矩阵,对用户和项目的潜在特征分别聚类,得到了用户分组对项目分组的评分知识模型,最终利用目标领域的个性知识模型和各个领域的共性知识模型来得出推荐结果.本文对三个不同领域的数据集进行了分析和划分,并在物理集群环境下进行了实验.结果表明,通过利用数据稠密的辅助领域数据,本文提出的SKP算法与已有的单领域算法、跨领域算法相比,具有更高的准确率和更低的RMSE值.     

基于深度学习的小目标检测区域数据推荐算法

针对电网数据推荐结果未考虑电网领域知识关联度,推荐结果精准度低,不能精准掌控电网工程建设管理工作问题,提出一种基于深度学习的小目标检测区域数据推荐算法。利用颜色直方图距离和边缘距离展开超像素合并,检测电网小目标区域,采用多尺度卷积神经网络特征提取方法获取小目标区域卷积神经网络特征。以获取的特征为知识项,通过知识树结构组织不同粒度知识项,构建电网领域知识体系关联和推理机制,采用协同过滤推荐算法AR-Item CF,挖掘用户行为日志,根据用户推荐列表,计算出不同知识项间的深层推荐。实验结果表明,该算法可有效解决推荐结果关联度低问题,且推荐效率高、质量好。