采用反馈机制的自适应Web推荐系统

Web服务的初衷是能让用户能够快捷方便地找到自己需要的资源，但是当前过量的网络资源反而增加了用户的麻烦。于是出现了结合用户对Web使用的数据挖掘应用的Web推荐系统。在传统Web推荐系统的基础上引入了反馈机制。使推荐系统在线给用户提供推荐功能的同时，对自身的推荐机制改进，更体现了个性化服务的灵活性。     

一种基于Web数据挖掘的电子商务推荐系统

在对Web数据挖掘技术和电子商务推荐系统进行研究生的基础上,设计和提出了一种基于Web数据挖掘的电子商务推荐系统.该系统根据电子商务网站的基本特征,设计了用户当前兴趣表示方法和推荐算法,由于结合了Web使用挖掘和Web内容挖掘为顾客提供个性化推荐服务,从而较大提高了系统的推荐精确度,在实际应用中取得了较好的推荐效果.     

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。     

基于用户使用历史与信誉评价的Web API推荐

随着网络上发布的Web API服务越来越多,如何推荐给开发者用户感兴趣、信誉度高的Web API服务,以构建高质量高可信的软件服务系统,成为一个具有挑战性的研究问题。为此,提出一种基于用户使用历史与信誉评价的Web API服务推荐方法。计算用户使用历史记录与Web API之间的相似度,获得Web API的用户兴趣值。综合用户的Web API评分,调用Web API的Mashup服务的评价贡献和Alexa统计的Web API访问流量,获得Web API的信誉评价值。根据Web API的用户兴趣值以及信誉评价值,实现Web API的排名与推荐。实验结果表明,该方法推荐的Web API用户兴趣度DCG值高于SR-Based方法,服务信誉度DCG值高于UI-Based方法。     

Web服务个性化推荐研究综述

随着Web服务的广泛使用和互联网上服务数量的增加,如何向用户提供最佳的服务选择列表成为了新的挑战.Web服务个性化推荐实现了由被动接受用户请求向主动感知用户需求的转变.个性化的Web服务推荐方法已经成为Web服务发现和选择的有效辅助手段.Web服务的个性化推荐技术也成为了近年来服务计算领域的研究热点.对当前Web服务个性化推荐的文献进行了归类分析,总结了当前Web服务个性化推荐的技术现状、研究方法和实验的数据集,列出了未来Web服务个性化推荐研究热点和挑战.     

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。     

基于精确序列模式的网页个性化推荐

Web个性化系统的目标是为用户提供他们想要的或需要的信息,而不必明确询问用户的需求。传统推荐系统的方法是直接收集服务器日志作为Web使用数据,通过分析用户的行为模式,挖掘出用户的兴趣、偏好,然后将系统认为是与用户相关的网页链接向用户推荐。本文应用新的方法——远程代理收集Web使用数据,为数据预处理提供了方便,并提出了精确序列模式的方法进行Web页面推荐,扩展了N—Gram,从而分别提高了网页推荐的准确率和覆盖率。     

个性化Web推荐服务研究

本文主要论述了个性化Web推荐构成,提出了基于Web挖掘的个性化推荐服务研究中的用户聚类、Web页面聚类、n元预测模型及页面加权算法。利用这些算法得到的个性化信息可以准确把握用户兴趣模式并为用户提供“一对一”的具备自适应性的智能个性化服务。     

基于WEB挖掘的个性化服务研究

针对用户特性向用户提供个性化服务将是web服务的发展趋势，本文从Web个性化服务的本质出发，详细地研究了实现Web个性化服务的关键技术：Web挖掘技术和信息推荐技术，并在此基础上设计了一个基于Web挖掘的个性化服务系统原型。     

基于协同过滤的可信Web服务推荐方法

为了实现对可信Web服务的推荐,在分析了Web服务推荐技术与电子商务推荐技术的不同的基础上,提出了一种基于协同过滤的可信Web服务推荐方法。首先,根据已有成果对待组装应用的可信需求进行评估,根据此需求对相似用户进行首次筛选;然后在首次筛选的用户中,根据用户使用服务后的评分数据和用户信息来对相似用户进行二次筛选,经过两次筛选得到最终推荐用户。在根据用户对服务的评分数据计算用户之间的相似性时,考虑了不同服务对于用户间相似性的贡献值;在根据用户信息计算用户之间的相似性时,考虑到用户信息之间非线性的特点,引入了欧几里得距离公式来计算其相似值;在产生推荐的过程中还考虑了不诚实用户和用户数不足的问题。模拟实验结果表明该方法能够有效地对可信Web服务进行推荐。     

基于Web挖掘的个性化教学推荐系统

针对学生网络学习环境设计了一种新颖的个性化教学推荐系统。该系统通过测试学生的学习风格和挖掘Web浏览日志,构造了不同学生学习风格和Web使用习惯的模型。首先利用Item-Based Top-N推荐算法对数据稀疏的学习风格测量数据进行处理,实现对学生学习风格的诊断;然后,采用AprioriAll算法挖掘Web浏览日志中序列频繁集,分析出学生Web使用的常见习惯和兴趣;最后,依据不同的学习风格和Web使用习惯实现学习内容的个性化推荐。模拟实验表明,该推荐系统的设计是可行并有效的,能够很好地符合用户的真实需求。     

一个基于关联规则的个性化方法DPARM

针对当前个性化中关联规则挖掘的一些问题,尤其是无法及时更新使用数据这一缺点,提出了一种有效的基于关联规则挖掘的个性化方法DPARM,它将用户兴趣模型的更新和在线推荐紧密结合,及时使用新的用户会话更新用户兴趣模型,从而使个性化系统能够更好反映用户访问模式的变换。使用http://www.cs.depaul.edu上的数据进行了实验,结果表明,该方法是有效可行的。     

自动分层推荐算法

推荐是Web个性化服务的核心，提出一种自动分层推荐算法，利用页面分层自动选择最佳的匹配粒度，进行基于频繁导航路径的推荐，实验结果表明，该算法大大减少了在线匹配的开销，可以成功地应用到Web日志挖掘中。     

改进的关联规则算法在电子商务中的应用

Web日志数据中保存有大量用户访问信息,而Web日志挖掘就是对系统日志信息以及用户的注册数据等进行挖掘,以发现有用的模式和知识。首先介绍了Web日志挖掘的基本流程,然后介绍了电子商务中的日志挖掘,并着重分析了在模式识别中如何利用改进的关联规则算法来挖掘出用户频繁访问的路径和页面兴趣度,为个性化推荐系统模型提供了依据,从而证实了对Web日志数据进行挖掘具有很重要的现实意义。     

基于Weblog的模式发现及应用的研究

近年来 ,由于电子商务 ,电子图书馆 ,远程教育等的应用 ,对 web站点设计和功能提出了更高的要求 ,要求 web站点具有智能性 .本文通过对 Weblog日志的挖掘 ,找出用户浏览页面的关联规则、聚类信息、访问路径等 ,并把它们应用到 web站点的智能化设计中 .主要讨论了站点的在线推荐 ,自适应设计问题 ,在此基础上简单介绍了一个 Weblog挖掘系统原型 Adaptive Web.Adaptive Web可创建自适应 web站点 ,使其具有部分智能 .     

一种基于后项不定长关联规则的Web个性化推荐方法

Web usage mining plays an important part in supporting personalized recommendation on Web and association rule uncovers the interesting relations among items hidden in data. The paper gives an idea of association rule merging-deleting based on the analysis of association rule characteristics and implements it in the rule preparation before the Web personalized recommendation. Furthermore, based on the comparisons in precision, coverage and F1 of recommendation system and the rule numbers used in three kinds of association rules, a Web personalized recommendation method based on uncertain consequent is put forward. After integrative analysis of several recommendation methods, the method given in the paper can be thought as a good selection. At last several pageweighted techniques are introduced in the paper.     

基于概念格和关联规则Web个人化系统

最近的一些研究提出将Web使用日志的挖掘技术应用于Web个人化系统中,用于克服传统个人化技术（如CF技术、基于内容的过滤技术）中存在的问题,如处理大数据量的能力较差,依赖于用户主观的登记信息,产生的用户描述是静态的,不能获取对象之间丰富的语义联系等。但是基于Web使用日志挖掘的个人化技术不能适用于用户的使用信息获取困难或者站点内容经常变化的情况。更有效的办法是将站点的内容特征和使用特征结合到一个Web挖掘结构中去,以备推荐引擎统一使用。提出了一个基于关联规则挖掘的个人化系统,它使用概念格作为存储频繁页面集的数据结构,并介绍了如何利用概念格实时地为当前活动用户产生推荐集。     

一个基于Agent的个性化推荐系统

目前的推荐系统有基于文本过滤、基于协同过滤、基于Web挖掘等多种类型,但都只适用于某个应用领域,难以满足推荐应用的多种推荐需求。引入网络智能的思想,利用多Agent（智能代理）技术提出了一个基于Agent的个性化推荐系统架构——ABPRS。该推荐系统能满足多种推荐需求,在用户看来网络具有一定智能。