一种融合群组特征的个性化图书推荐模型

“热门借阅”“热门检索”等无差别的非个性化推荐方式无法有效解决馆藏图书中的“暗书”问题。而个性化推荐通常需要获取大量用户交互信息。然而在实际图书流通服务中,用户的书目检索等操作往往处于非登录状态,数据采集有很大局限性。由此提出一种融合群组特征的个性化图书推荐模型,仅基于用户的历史借阅信息数据及基础信息,变换得到读者对书目的评分预测,然后利用矩阵分解分析主体阅读偏好,进行个性化推荐。在此基础上,通过聚类算法得到目标读者的群组画像特征,为目标读者生成离线推荐列表。该文采用信息工程大学图书馆2020年度流通数据集验证了推荐模型的有效性,并通过对比实验验证了模型的推荐准确率。     

基于个性化特征的协同过滤推荐算法

针对相似度特征点推荐方法对用户个性化需求匹配度不高的问题,提出基于个性化特征的协同过滤推荐算法。以社会网络为结构模型构建用户信息的评分模型和项目属性模型,采用信任度条件概率分析方法构建可靠性推荐模型,进行个性化特征分析和提取,实现个性化特征需求与项目兴趣点的合理匹配,实现协同过滤推荐,最后通过仿真实验进行测试分析。结果表明,采用该方法进行社会网络项目协同过滤推荐的用户评分高,平均绝对误差和均方根误差小,提升了推荐质量。     

G2B公共服务平台个性化服务推荐研究

我国政府管理模式正在从传统的行政管理模式向公共服务模式转变,电子政务个性化推荐是提升政府公共服务水平的有效手段。在国内外电子政务个性化推荐研究基础上,综合采用Apriori、FCC和协同过滤等多种推荐算法,通过用户数据挖掘,用户聚类,个性化推荐三个过程,有效缓解了数据矩阵的高维性和数据极端稀疏性,提高推荐精度,以"××中小企业网"为例,验证了该个性化推荐算法的实用性和有效性。     

基于深度学习的电影推荐系统设计与实现

大数据时代,必然涌现出各种各样的海量数据,而推荐系统是帮助人们选择数据的有效手段之一。目前,以协同过滤算法为代表的传统推荐算法已经无法满足人们的个性化选择的需求。本文利用深度神经网络构建基于深度学习的推荐模型,抽取用户和电影的特征,并且设计一个多层神经网络将用户和电影特征进行深度交互,从而挖掘用户和电影的深层交互关系,得出用户的偏好。通过相关Spark、Flink、Tensorflow等技术实现对深度学习电影推荐系统的构建和部署。研发出了个性化电影推荐系统。     

考虑多层次潜在特征的个性化推荐模型

个性化推荐已成为解决信息过载的最有效手段之一,也是海量数据挖掘研究领域的热点技术。然而传统推荐算法往往只使用用户对物品的评分信息,而缺少对用户与物品潜在特征的综合考虑。基于因子分解机、宽神经网络、交叉网络和深度神经网络的融合,提出一种新的考虑多层次潜在特征的模型,可以提取用户与物品的浅层潜在特征、低阶非线性潜在特征、线性交叉潜在特征以及高阶非线性潜在特征。在4个常用的数据集上的实验结果表明,考虑用户与物品多层次潜在特征可以有效提高个性化推荐的预测精度。最后,研究了嵌入层维度以及神经元数量等因素对新模型预测性能的影响。     

基于注意力增强的热点感知新闻推荐模型

完全个性化的新闻推荐工作通常只基于用户兴趣，可能会导致推荐结果与点击过的内容过于相似甚至重复.事实上即使一些热点新闻并不完全符合用户兴趣，用户也可能希望点击类似的新闻.目前基于热点的新闻推荐方法不能很好挖掘潜在新闻的热点特征、灵活平衡用户兴趣和热点特征.本文提出一种新颖的注意力增强的热点感知新闻推荐模型（Hotspot-aware Attention enhaNced model,HAN），充分利用注意力网络和自注意力网络等深度神经网络的优势，在个性化推荐中将个性化兴趣与新闻热点性进行更好平衡与利用.该模型包括新闻编码器、热点特征提取器、用户兴趣提取器和点击预测器四个组件.提出一个热点特征提取器，使用注意力网络动态聚合热点新闻学习热点表示以更好挖掘热点特征；提出一个新颖的点击预测器来灵活融合热点特征、用户兴趣和候选新闻，以提升候选新闻的点击预测准确率.真实数据集上的实验表明HAN模型在AUC(Area Under the Curve of ROC)和F1两项指标上分别提升了7.51%和8.63%，且能够有效缓解用户冷启动问题.     

一种基于RFM模型的新型协同过滤个性化推荐算法

摘要：为了提高个性化推荐效果及预测准确度,特别是针对传统算法中评分矩阵过于稀疏等问题提出一种新颖的协同过滤算法。该算法首先利用RFM模型合理地筛选用户信息,其次通过黏性客户的消费记录稠密化用户—项目评分矩阵,并改进了传统相似度计算公式。通过仿真实验证实了算法的准确性,最后将其应用于一套具有个性化商品推荐功能的系统原型中,证明了该推荐算法的有效性及实用性。     

基于用户多特征融合的个性化推荐模型

个性化推荐是提取特定信息的有效手段之一，针对传统推荐法中缺少用户特征问题，提出一种基于多特征融合的广义矩阵分解与深度长短期记忆网络混合推荐模型（hybrid recommendation model of generalized matrix factorization and deep long short-term memory network based on multi-features fusion,HMF）。该模型利用潜在特征向量维度表征年龄、职业对项目的选择性影响，凸显用户个性化；利用长短期记忆（long short-term memory,LSTM）获取用户与项目间的时序特征，再通过多层感知机挖掘其深层次的时序非线性高阶交互关系；将广义矩阵分解（generalizedmatrixfactorization,GMF）获得的简单非线性低阶交互关系与复杂时序非线性高阶交互关系融合，经全连接层得出最终预测评分。HMF有效地利用用户多特征和用户—项目交互信息，实现个性化动态精准推荐。为验证模型的有效性和可行性，在公开数据集MovieLens-1M上进行测试。仿真实验表明，当HMF...     

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。     

基于信任机制的电子商务个性化推荐技术研究

随着电子商务的迅速发展,越来越多的顾客选择网上购物,如何让用户在海量信息中快速而准确地找到合适的产品,做出购买决定是一件很难的事情。个性化推荐技术能够较好的解决此问题,它通过分析顾客相关信息,向用户推荐感兴趣的产品,以便做出最后的决策。本文分析国内外个性化推荐技术研究现状,着重介绍协同过滤推荐技术存在的冷开始、数据稀疏性、伸缩性、“托”攻击等问题。为了改进传统协同过滤技术,结合典型的信任评估模型,提出了本文的观点。并介绍此推荐技术的两种算法,即用户单一兴趣下基于信任机制的电子商务个性化推荐算法和用户多兴趣下基于信任机制的电子商务个性化推荐算法。     

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。     

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。     

一种基于用户动态兴趣和社交网络的微博推荐方法

针对为微博用户推荐符合其兴趣取向的个性化微博信息的问题,结合LDA主题模型,提出了一种基于用户动态兴趣和社交网络（DISN）的微博推荐方法.DISN方法首先引入时间函数,推断出用户的兴趣向量,通过对新发布的微博数据内容进行聚类分组,以用户兴趣向量筛选与用户最匹配的分组,随后以网格索引的形式对选定的分组中微博进行查询,计算微博发布者被目标用户关注的可能性并进行排序,最终形成推荐列表.实验验证了DISN方法较之传统方法更具有效性和高效性.     

Random Group Recommendation Model Based on Fuzzy Clustering

The group recommendation system is a viral requirement for the Internet service provider to provide recommendation services for all the users in a group. Due to the shared or different interests among users in the group, it is difficult for traditional personal recommendation algorithms to predict items that can meet the requirements of all the users in the group. In this paper, a random group recommendation model is proposed to recommend the top K most appealing items for all the users in a random group. By analyzing item ratings of all the users in the group, the recommendation model can abstract the group as a virtual user. Then a personal recommendation algorithm is applied to suggest the top K most appealing items for the virtual user. And the preference score and fuzzy clustering algorithm based on multiclass are applied to optimize the recommendation result of the group recommendation model. Finally, the MovieLens-100K dataset is applied to verify the efficiency of the recommendation model. The experimental results show that the items recommended by the proposed group recommendation model are more popular for all the users in the group than the items recommended by traditional group recommendation algorithms.     

BPR-UserRec:a personalized user recommendation method in social tagging systems

Social tagging is one of the most important characteristics of Web 2.0 services, and social tagging systems (STS) are becoming more and more popular for users to annotate, organize and share items on the Web. Moreover, online social network has been incorporated into social tagging systems. As more and more users tend to interact with real friends on the Web, personalized user recommendation service provided in social tagging systems is very appealing. In this paper, we propose a personalized user recommendation method, and our method handles not only the users’ interest networks, but also the social network information. We empirically show that our method outperforms a state-of-the-art method on real dataset from Last.fm dataset and Douban.     

一种基于二部图和节点角色划分的社交网络推荐方案

针对现有社交网络用户推荐方案中大规模网络个体相似性计算复杂度高以及个体节点无差异对待的问题,本文提出一种基于二部图和节点角色划分的推荐方案.首先,通过划分重叠群体简化原生社交网络结构,并进一步构建群体-个体二部图模型;其次,通过群体-个体二部图所反映的拓扑特征,结合节点自身属性特征,对个体进行角色划分,提出一种基于群体-个体二部图的角色划分模型;最后,针对大规模网络中计算个体相似性复杂度高的问题,构建基于角色差异下的个体-个体二部图模型,实现层次化、个性化的推荐.实验表明,该方案适用于对社交网络中兴趣广泛度存在差异的个体间进行好友推荐,并在较小规模的二部图上生成目标个体推荐列表,降低了计算个体相似性的复杂度.     

基于协同过滤技术的个性化推荐系统研究

为了解决信息检索中无法获取符合个人需求的特色资源的问题,介绍了个性化推荐系统的概念以及推荐系统常用的算法;重点阐述了协同过滤技术的流程：利用用户项目矩阵计算用户之间的相似性,结合最近邻信息预测出符合个人特性的推荐信息;最后指出了协同过滤研究的难点问题。     

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。