基于混杂社会网络的个性化Web服务推荐方法

为了缓解Web服务推荐中存在的冷启动和数据稀疏问题,以及满足用户个性化的需求,本文提出了基于混杂社会网络的Web服务推荐框架及算法.该网络加入了服务提供者这一元素,可提供更多的真实信息,有助于缓解冷启动问题.根据提出的服务推荐框架,设计了用户-候选服务信任值预测算法（Computing Trust Value,CTV）,以及服务推荐算法（Recommend Queue,RQ）.在真实数据集上建立实验,结果表明本文提出的方法在预测准确率MAE、RMSE,推荐准确率MAP、NDCG,以及填充率和覆盖率上都有所提高,有助于提升个性化推荐的性能.     

基于个性化网络标志物的药物推荐方法研究

基于个性化标志物的药物推荐研究,有助于实现个性化用药及推动精准医疗的发展。该文利用基因表达谱数据及蛋白质网络信息,基于基因2维高斯分布方法筛选出个性化网络标志物。进而综合考虑靶基因的重要性和药物的副作用,提出了一种计算药物对个性化标志物影响权重的方法。将该方法应用于肺腺癌、肾透明细胞癌和子宫内膜癌数据集,通过启发式搜索方法,得到每个疾病样本重要药物推荐列表。结果表明,推荐的药物列表在同种癌症不同样本中既存在一致性,也表现出很大的差异性,如药物种类及药物排序差异,这说明个性化药物在疾病治疗中的重要性及必要性。通过从药物数据库中搜索药物组合对疾病治疗的影响作用表明,该文方法筛选得到的许多药物组合对具体疾病治疗具有积极影响,这进一步证明该文基于个性化网络标志物的药物推荐方法的准确性。该文的研究将有效促进精准化医疗的发展。     

可信网络信任模型研究

针对可信网络,对其概念和性质进行了说明,并指出信任模型是可信网络研究的一大关键问题。对现有的各种信任模型进行了研究,详细阐述了各个信任模型的建模原理和建模过程,总结出了信任模型的研究方法和研究步骤。最后对比分析了各个模型的优缺点,指出了各个信任模型存在的局限性,为信任模型的完善和发展提供了意见,并提出需要根据不同的网络环境选择不同的信任模型,探讨了未来可信网络信任模型的改进与发展方向。     

基于大数据的电子商务个性化信息推荐服务模式研究

借助于电子商务网站虽然能够给用户们提供比较多的产品以及服务,但是也让用户们寻求符合自身需求的产品信息难度得到了一定程度的提升,为了使得企业自身的市场竞争能力得到提升,也就需要构建一个基于大数据的电子商务个性化信息推荐服务模式,来为用户们提供更加优质的信息服务.     

基于数据挖掘的高校图书馆个性化图书推荐服务研究

在图书馆个性化图书推荐服务中,应用数据挖掘技术能够满足用户的不同图书阅读的需求,满足用户不同方式进行图书选择的需求,是提升图书馆个性化服务质量的需要。本文研究了数据挖掘技术应用于高校图书馆图书推荐服务中的必要性,并提出了应用策略,对于提升图书馆服务质量具有积极的意义。     

面向可信网络研究的虚拟化技术

可信网络作为互联网安全的重要内容,随着互联网和计算机普及,网络安全越来越受到关注。近年来,随着脆弱性网络安全问题、网络性网络安全问题以及蠕虫传播问题的大力研究,可信网络在凝练、整合上述问题的同时,逐渐成为网络研究的突破点;虚拟化技术作为新型的网络技术,不仅提高了可信网络效用,同时也为可信网络设计、研究、服务提供了更多的便利。本文结合我国面向可信网络研究的虚拟化技术,对可信网络特点、虚拟化可信网络特点以及虚拟化机制VBN进行了简要的探究和阐述。     

智能图书馆个性化推荐服务系统构建研究

从图书数据资源挖掘、个性化推荐服务的角度出发,利用关联规则数据挖掘与清洗技术、UML建模工具,针对不同图书馆的读者类型、功能或服务需求,建立起智能图书馆个性化推荐服务系统,设置用户管理模块、数据处理模块、热门图书推荐模块、个性化图书推荐模块,完成对不同类别图书资源的检索、挖掘、存储与智能推荐,以取得较为良好的图书咨询与管理、个性化推荐服务效果。     

基于用户需求的高校数字图书馆个性化信息服务的研究

在网络环境下,图书馆拥有不同类型的用户,这些用户在利用图书馆信息资源时的行为表现迥异,因此图书馆的用户需求是复杂多样的。作为一种可以满足不同用户需求方式的个性化信息服务,为优化数字图书馆的服务的奠定了基础。文章着重提出了提高高校数字图书馆个性化信息服务水平的策略,旨在为高校图书馆的发展带来新的思路。     

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。     

基于软件网络的服务自动分类和推荐方法

对于服务管理与组合来说,服务分类和推荐方法至关重要,本文提出了SOS与服务自动分类方法,探讨了服务推荐方法的实现,并对其应用和平台工具开发进行了实例分析,旨在为相关研究和实践提供参考。     

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。     

Social recommendation algorithm fusing user interest social network

Using the social information among users in recommender system can partly solve the data sparsely problems and significantly improve the performance of the recommendation system. However, the recommendation systems which using the users' social information have two main problems: the explicit user social connection information is not always available in real-world recommender systems, and the user social connection information is directly used in recommender systems when the user explicit social information is available. But as we know that the user social information is not all based on user interest, so this can introduce noise to the recommender systems. This paper proposes a social recommender system model called interest social recommendation (ISoRec). Based on probability matrix factorization (PMF), the model addresses the problems mentioned above by combining user-item rating matrix, explicit user social connection information and implicit user interest social connection information to make more accurately recommendation. In addition, the computational complexity of our algorithm is linear with respect to the number of observed data sets used in this algorithm, and can scalable to very large datasets.     

复杂网络环境下基于推荐链分类的动态信任模型

针对网络环境中复杂的推荐信息处理问题,提出了一种基于推荐链分类的信任模型。该分类方法基于节点间的诚实属性,在实际经验数据的基础之上能选择出有效的推荐链。针对推荐信息的传播使用了以信息增益为基础的参数,使推荐信息更精准,考虑了时间的影响并且能把交互能力与诚实属性清楚地区分开。在最终的直接信任与推荐信息的聚合计算过程中采用了信息论中熵的概念,摆脱了以往主观设定参数的模糊性。模型中主要的聚合参数能随着交互的进行而不断地修正,达到了最贴近真实值的情形。仿真实验验证了新模型分类的有效性以及参数设置的合理性。     

基于推荐的信任链管理模型

针对目前信任链管理中信任计算时信任信息不完备的问题,提出了一种基于推荐的信任链管理模型RTCM(recommendation based trust chain management model)。通过构建信任网络,在信任链选择时考虑信任传递衰减、时间衰减、路径权重等因素,使得信任链搜索的时间复杂度大幅降低。充分包含了信任的相关信息,并利用加权紧密度对信任链上的推荐信任进行合并,同时给出了抑制节点恶意推荐的策略。仿真实验表明,该模型提高了网络的可信性。     

位置社交网络中谱嵌入增强的兴趣点推荐算法

为了有效地捕捉LBSN中丰富的签到、社交等多维上下文信息的空间特性,并深层挖掘用户和POI之间的非线性交互,提出了一种谱嵌入增强的POI推荐算法——PSC-SMLP,设计了偏好增强的谱聚类算法PSC和谱嵌入增强的神经网络SMLP。在2个经典数据集上与现有的POI推荐算法相比,PSC-SMLP可以深层学习用户对POI的个性化偏好,在准确率、召回率、n DCG、平均精度等指标中均获得较大提升。     

Collaborative recommendation based on social community detection

Collaborative filtering algorithms have become one of the most used approaches to provide personalized services for users to deal with abundance of information. The traditional algorithms just use the explicit user-item rating matrix to find similar users or items. To improve the accuracy of the ratings predicted by the collaborative filtering algorithms, social information is widely incorporated into the traditional ones. Different with the existed works focus on directly connected neighbors, we consider the community between the users. We design the algorithms in two aspects: one is that the members in the same community have similar tastes and preferences, the other is that the member's taste is affected by the other members. We simplify these two factors as community similarity and community affection. Community similarity is incorporated into modifying the model-based collaborative filtering algorithm as the social community-based regularization (SCR), which improves 6.2% in mean absolute error (MAE) and 6.1% in root mean square error (RMSE) compared to the existed social recommendation algorithm. Community affection is incorporated into modifying the neighborhood-based collaborative filtering algorithm as the neighbor-based collaborative filtering based on community detection (NCFC) which improve 14.8% in MAE and 8.1% in RMSE compared to user-based collaborative filtering (UCF).     

User recommendation based on cross-platform online social networks

In the field of online social networks on user recommendation,researchers extract users’ behaviors as much as possible to model the users.However,users may have different likes and dislikes in different social networks.To tackle this problem,a cross-platform user recommendation model was proposed,users would be modeled all-sided.In this study,the Sina micro blog and the Zhihu were investigated in the proposed model,the experimental results show that the proposed model is competitive.Based on the proposed model and the experimental results,it can be known that modeling users in cross-platform online social networks can describe the user more comprehensively and leads to a better recommendation.     

基于改进的协同过滤图书推荐算法

高校图书馆图书个性化推荐没有得到很好的推广和实施,一个重要原因是用户对图书的评价不足.因此,提出了一种基于兴趣的高校图书推荐算法.该算法较好地解决了协同过滤算法无法使用和评分不足的问题.同时,将流行与反向流行的特征结合,使其更接近读者的行为.实验表明,该算法优于传统的协同过滤推荐算法,能够满足实际需求.     

基于SNA的群体推荐系统的研究

由于信息爆炸问题,如何为用户提供有效的个性化信息服务已得到广泛关注,而随着社交网络的流行及其带来的大量网络群体,如何为群体提供更好的个性化推荐服务也变得越来越重要.文中不仅考虑用户的兴趣偏好,同时利用社会网络分析法（Social Network Analysis,简称SNA）衡量用户之间的社会关系,将此因素融入推荐过程,实验证明此方法能够取得较好的推荐效果.     

基于一跳信任模型的协同过滤推荐算法

基于社会信任网络的协同过滤推荐算法存在节点之间多下一跳带来的复杂路径选择和信任弱传递问题。针对这2个问题,给出基于项目的一跳信任模型,该模型通过用户对项目信任度的计算,定义用户的直接和间接社会信任属性,然后一步跳转计算用户之间的直接和间接信任距离,进而计算用户之间的信任度。基于此模型设计推荐算法,同时分析了信任度与传统相似度的理论关系并二维拟合。仿真实验表明,该算法提高了推荐准确度(约0.02 MAE),降低了训练时间(约50%)。