一种动态混合QoS语义的Web服务个性化推荐模型

服务推荐是服务计算中的主要问题之一,当前大多针对功能属性进行推荐,而在Web服务的QoS属性方面考虑较少,并且不支持动态变化的QoS属性。基于动态混合QoS的语义Web服务个性化推荐模型,把语义Web技术引入Web服务中,在QoS监控器下,有效监测Web服务的QoS属性变化并动态更新Web服务的QoS属性。根据建立的用户兴趣模型,向用户推荐具有个性化的Web服务。此外,在个性化推荐系统中使用最广泛的协同过滤推荐技术基础上,对数据进行了一系列的预处理填充,而且充分考虑了不同时间的项目评分对推荐的影响。结合用户兴趣度和用户评分的相似性计算方法,并通过不同的权值来表示它们的重要程度,综合计算目标用户的最近邻居集合,最终对用户u产生推荐。该系统在一定程度上提高了服务推荐的效率和准确度并满足用户查询需求。     

面向移动应用的探索式个性化服务推荐方法

个性化推荐系统是应用系统中广泛应用的技术之一,用户兴趣偏好模型的建立与更新是个性化推荐系统的关键环节,针对移动设备位置随时变化的特点,以移动端的应用系统为研究对象,提出了一种随用户位置变化而动态更新的用户兴趣偏好模型,并对实现过程中的几个关键问题,包括用户兴趣偏好模型表示方法、用户兴趣关键字提取、用户兴趣偏好模型的建立与更新算法进行了详细描述,最后利用用户兴趣偏好模型根据协同过滤算法进行个性化推荐,并根据用户对推荐结果的评价进一步修正用户兴趣偏好模型.用户兴趣偏好模型采用基于兴趣关键字的向量空间模型表示,用户兴趣关键字由根据TF-IDF算法获得的用户隐式兴趣和用户参与的显式兴趣相结合获得,用户位置信息变化时,系统获取当前位置附近的服务,对已存在于用户兴趣关键树中的服务权值进行增强,而对不存在其中的进行遗忘以调整用户兴趣树从而更新用户兴趣偏好模型.验证表明,该方法推荐的服务更符合用户所处的位置上下文环境,并且具有高度的可达性.     

网络个性化服务资源综合推荐研究

把符合用户兴趣的相关网络资源自动推送给用户,针对性的推荐资源,实现个性化服务,提高用户满意度.根据资源个性化服务分析和研究了模型建立及推荐方法,建立了用户兴趣和资源描述模型,提出了基于背景和认知过程的综合推荐方法.使用MATLAB计算机仿真.通过度量资源和用户兴趣之间的相似程度,根据用户兴趣特征寻找与其匹配的资源,或有相近兴趣的用户群,实现了用户与资源的匹配和个性化推荐目的.建立的模型和设计的综合推荐方法是町行的,降低了复杂度,增强了有效性,推荐效率得到提高.     

用户多兴趣下的个性化推荐算法分析

目前,客户关系管理的一项重要内容为电子的商务个性化推荐。协同过滤算法是运用范围最广的推荐技术,但传统协同过滤推荐算法不适合多兴趣用户的推荐,则在此基础上通过协同过滤、项目协同过滤算法等,计算目标项目相似集,并在目标相似集中运用协同过滤算法处理。基于此,剖析用户多兴趣下的个性化推荐算法,并结合用户多需求的特点,总结个性推荐算法的优势,旨在通过完善算法推荐,实现个性化推荐算法与传统算法的融合,提高用户的体验满意度,充分展现个性化推荐算法的应用价值。     

采用Sigmoid函数的Web服务协同过滤推荐算法

协同过滤推荐技术被广泛用于各个推荐系统,但它仍然存在着用户评分数据稀疏性问题,可能导致推荐结果不准确。针对该问题,提出了一种采用Sigmoid函数的协同过滤推荐算法。首先,分析用户兴趣与其调用服务的次数之间的关系,利用TF-IDF算法计算用户对服务内容的兴趣度;其次,定义一个Sigmoid函数,根据服务调用次数计算用户对服务功能的兴趣度;最后,基于内容兴趣度和功能兴趣度计算用户兴趣相似度完成协同过滤算法,实现个性化的服务推荐。实验证明,该方法能有效缓解数据稀疏性问题,提高了推荐质量。     

一种基于用户兴趣局部相似性的推荐算法

协作过滤算法作为至今最成功的个性化推荐技术之一,被广泛应用于电子商务、个性化节目推荐等系统中。但传统的基于协作过滤的推荐系统一直受到系统的稀疏性、推荐精确度低等问题的困扰。提出了一种基于用户兴趣局部相似性的改进的协作推荐算法（CFUPS）,针对协作过滤算法中用户近邻的计算和项目评分的预测两关键步骤,基于用户间潜在的局部相似的兴趣,并结合项目资源属性和项目评分矩阵来预测项目评分,进而给用户推荐感兴趣的个性化资源,理论上在提高推荐精度、克服稀疏性问题上均有改善。同时实验表明,在极具稀疏性的数据集上,该算法的推荐精度较以往的协作过滤算法有明显提高。     

基于本体用户兴趣模型的个性化推荐系统

针对传统个性化推荐系统用户兴趣模型创建和更新的不足,无法准确地感知用户特定背景下的语义信息和用户兴趣随着时间的变化,基于用户兴趣本体提出一种新用户兴趣模型,并通过激活扩展理论描述该用户兴趣模型的更新算法。同时,改进了推荐算法,结合协同过滤进行个性化推荐。实验结果表明,该模型能够有效反映用户兴趣,新的推荐算法在MEA、多样性、冷启动处理、稳定性方面都具备很高的性能。     

人体经络系统中的个性化信息服务研究

人体经络较为复杂,涉及到经络、穴位、疾病、脏腑和针灸等方面的知识,容易导致＂信息迷航＂,且对于不同的用户,信息需求也各不相同。针对该问题,文章系统地研究了人体经络系统中的个性化信息服务,构建了用户兴趣模型,并根据用户对场景的访问次数和停留时间来更新用户的兴趣模型,在此基础上提出基于相似用户兴趣的个性化推荐算法,从而实现为用户提供个性化的信息服务。实验结果表明,系统能根据用户信息及其交互行为,有效地推荐与用户兴趣相关的信息,较好地为用户提供个性化的信息服务。     

融合上下文信息与核密度估计的协同过滤推荐

随着互联网信息技术的迅速发展,网络数据量快速增长,如何在海量数据中找到用户感兴趣的信息并实现个性化推荐是目前重要的研究方向。协同过滤算法作为推荐系统中的经典方法被广泛应用于不同场景,但是仍然存在数据稀疏,以及在计算相似度时不能考虑到所有数据的问题,只能够利用具有共同评分的数据,严重影响了推荐的精确度。针对上述存在的问题,提出了一种融合上下文信息与核密度估计的协同过滤个性化推荐算法。该算法通过对用户和项目各自的上下文信息和已经存在的用户评分数据进行处理,通过核密度估计构建用户和项目的兴趣模型,充分挖掘了用户和项目的兴趣分布,以获得更准确的用户和项目兴趣相似度,降低预测评分误差。在公开的数据集上验证表明,将该算法对比传统的协同过滤算法,有效提高了推荐的精确度。     

基于增量学习的混合推荐算法

推荐系统是自适应信息系统中的个性化服务模块,可以根据目标用户的信息需求提供个性化的信息服务。针对传统协作过滤算法存在的用户兴趣描述粒度过大问题,以及稀疏评分矩阵造成相似度计算不准确的问题,提出了一种基于增量学习的混合推荐算法WHHR,该算法通过Widrow-Hoff增量学习构建基于内容的用户模型,并结合协作过滤推荐机制实现评分预测。实验验证了WHHR算法在收敛速度和推荐准确性方面较类似推荐算法有较大提高。     

一种支持个性化Web推荐的聚类分析

提出基于关联的聚类分析方法,挖掘具有相似访问兴趣的用户访问模式,分离不相关的用户模式,并提出基于关联的聚类算法。实验证明,该算法大量减少不相关的用户访问模式,提高个性化推荐质量。为进一步研究个性化推荐技术奠定基础。     

一种检测兴趣漂移的图结构推荐系统

协同过滤是构造推荐系统最有效的方法之一.其中,基于图结构推荐方法成为近来协同过滤的研究热点.基于图结构的方法视用户和项为图的结点,并利用图理论去计算用户和项之间的相似度.尽管人们对图结构推荐系统开展了很多的研究和应用,然而这些研究都认为用户的兴趣是保持不变的,所以不能够根据用户兴趣的相关变化做出合理推荐.本文提出一种新的可以检测用户兴趣漂移的图结构推荐系统.首先,设计了一个新的兴趣漂移检测方法,它可以有效地检测出用户兴趣在何时发生了哪种变化.其次,根据用户的兴趣序列,对评分项进行加权并构造用户特征向量.最后,整合二部投影与随机游走进行项推荐.在标准数据集MovieLens上的测试表明算法优于两个图结构推荐方法和一个评分时间加权的协同过滤方法.     

面向用户群体的Web服务推荐

针对Web服务推荐中服务用户调用Web服务的服务质量数据稀疏性导致的低推荐质量问题,提出了一种面向用户群体并基于协同过滤的Web服务推荐算法(WRUG)。首先,为每个服务用户根据用户相似性矩阵构建其个性化的相似用户群体;其次,以相似用户群体中心点代替群体从而计算用户群体相似性矩阵;最后,构造面向群体的Web服务推荐公式并为目标用户预测缺失的Web服务质量。通过对197万条真实Web服务质量调用记录的数据集进行对比实验,与传统基于协同过滤的推荐算法(TCF)和基于用户群体影响的协同过滤推荐算法(CFBUGI)相比,WRUG的平均绝对误差下降幅度分别为28.9%和4.57%;并且WRUG的覆盖率上升幅度分别为110%和22.5%。实验结果表明,在相同实验条件下WRUG不仅能提高Web服务推荐系统的预测准确性,而且能显著地提高其有效预测服务质量的百分比。     

基于RBLDA模型和交互关系的微博标签推荐算法

随着互联网技术的发展, 个性化标签推荐系统在海量信息或资源过滤中起着重要的角色. 在新浪微博平台中, 用户可以自主的给自己添加标签来表明自己的兴趣爱好. 同时, 用户也可以通过标签来搜索与自己兴趣爱好相似的用户. 针对新浪微博中大部分用户没有添加标签或添加标签数目较少的问题, 提出了一种基于RBLDA模型和交互关系的微博标签推荐算法, 它首先利用RBLDA模型来产生用户的初始标签列表, 然后再结合用户的交互关系而形成的交互图来预测用户标签的算法. 通过在新浪微博真实数据集上的实验发现, 该方案与传统的标签推荐算法相比, 取得了良好的实验效果.     

集成用户信任度和品牌认可度的商品推荐方法

针对个性化商品推荐方法中普遍存在的推荐准确率不高的问题,提出一种集成用户信任度和品牌认可度的商品推荐方法（TBCRMI）。该方法通过分析用户的购买行为和评价行为,计算得到用户对商品品牌的认可度和用户自身的活跃度;然后利用DBSCAN（Density-Based Spatial Clustering of Applications with Noise）算法对用户进行聚类,并在此基础上融合用户信任关系,采用Top-K方法得到近邻关系;最后,依据近邻关系生成目标用户商品推荐列表。为了验证算法的有效性,使用Amazon Food和Unlocked Mobile phone两个数据集,选择基于用户的协同过滤算法（UserCF）、融合用户信任的协同过滤推荐算法（SPTUserCF）与合并用户信任的协同过滤算法（MTUserCF）,对准确率、召回率和F1值等指标进行了对比分析。实验结果表明,无论是多品牌综合推荐还是单一品牌推荐,TBCRMI在各项指标均优于目前常用的个性化商品推荐方法。     

面向个性化网站的增量协同过滤推荐方法

为了解决个性化网站中很少考虑用户检索意图，检索效果较差的问题，提出了一种有效的增量协同过滤推荐方法。该增量协同过滤推荐模型改进了最流行的推荐算法之一的协同过滤算法，并应用到个性化网站中。通过分析Web日志提取用户的浏览行为，将其归一化为用户对项目的评分值，并利用改进的相似度计算方法得到用户之间的相似度值，从中选择能够表现用户偏好的最近邻集合进行评分预测后对结果排序，将排序后的结果作为推荐列表返回给用户。最后设计增量更新算法实时有效地更新用户的历史偏好数据。实验表明，增量协同过滤推荐模型适用于个性化网站，利用该方法可以使推荐结果更加符合用户意图。     

基于云相似度的B2B供应商个性化推荐算法

为满足B2B电子商务平台下供应商选择个性化服务需求,引入云模型中云的相似性度量算法和基于资源相似度的数据权重,对基于项目的协同过滤推荐算法进行改进,并用于供应商推荐过程中。实验表明,改进后的算法可以在一定程度上解决数据稀疏性问题并及时反映用户兴趣变化,从而实现个性化推荐服务,帮助企业快速有效开发供应商伙伴关系,提高企业的生产效率和竞争力。     

基于User Profile的微博用户推荐

传统微博用户推荐算法采用的数据来源单一,模型简单,导致推荐准确率不高。针对这一问题,本文提出一种基于标签的User Profile推荐算法,根据微博数据的特点,深入研究“微博文本”、“标签”、“社交关系”和“用户自身基本信息”等因素对微博个性化推荐的影响,通过训练LDA主题模型和SVM分类器将它们转换为标签,并赋予权重来描述用户兴趣,进行用户推荐以提高推荐准确性。实验结果表明,与传统VSM模型方法相比,该算法进行用户推荐效果更佳。     

一种基于用户行为的兴趣度模型

个性化推荐技术在电子商务系统中得到了广泛应用。针对现有的用户模型不能根据用户自身兴趣实现推荐的问题,提出了一种基于用户行为的兴趣度模型,分析用户的行为模式,结合用户的浏览内容,发现用户兴趣。在此基础上采用期望最大化算法实现用户聚类,将用户划分到对应的簇,创建用户的兴趣度模型,从而向用户进行个性化推荐。实验对比结果表明,该模型能更好地发现用户当前的购买兴趣,从而进一步提高个性化推荐精度和用户满意度。     

一种上下文感知的旅游信息服务推荐方法

在旅游时游客很难预先知道自己的旅游需求,并且旅游偏好在旅游过程中也会发生变化。为了给游客提供即时高效的个性化信息服务,本文将上下文信息引入推荐系统,结合案例推理和神经网络,根据游客的喜好为用户提供个性化信息服务推荐。实验表明,该方法可较好克服推荐系统新用户冷启动的问题,提高旅游信息服务的准确率和提升游客服务的满意度。