基于兴趣感知和时间因子的个性化菜品推荐 *

目前推荐系统已广泛应用在各种电子商务网站上,但针对菜品的个性化推荐很少。针对菜品推荐中存在别名多、用户菜品矩阵稀疏以及新用户冷启动等难题,对基于用户的协同过滤算法进行改进,设计一种融合专家选择和在线推荐的菜品推荐系统。专家选择通过对菜品进行种类层次划分为用户兴趣建模做准备,在线推荐通过兴趣感知选择算法选择餐厅中的专家用户和候选菜品,从而实现对用户菜品的推荐。最后通过在候选菜品选择时引入时间敏感因子和协同过滤中引入时间遗忘因子,改进兴趣感知算法和菜品偏好预测效果。实验结果表明,所设计算法较传统算法在准确性和推荐效率有明显改进,并得出了针对菜品推荐时引入时间因子有利提高推荐准确性的结论。     

基于多代理的个性化推荐学习系统

针对现有学习系统存在信息过载、缺乏个性化服务能力、不能提供检索服务的问题,提出基于多代理构建个性化推荐学习系统。该系统利用JADE设计学习者Agent与推荐Agent,采用Lucene设计带有个性化能力的搜索引擎支持推荐,并融合3种推荐方法发挥多Agent间协商与协作的优势。实验结果表明,相比单一推荐方法,该系统具有较好的推荐效果和效率。     

基于智能体的电子商务协作推荐系统

传统的协作筛方法存在的主要问题是需要人为地提供评价，该文对其进行了改进，根据用户事务模式自动获取用户评价，构建评价矩阵。针对现有个性化信息推荐系统存在的问题，将Agent应用到电子商务个性化信息推荐，引入设计的协作筛方法，设计了基于Agent的电子商务协作推荐系统(ECCRS)。ECCRS是基于服务器端的电子商务协作推荐系统，它考虑了用户访问页面的时间特性，不需要用户注册，在推荐时考虑了页面的新颖性，同时实现了离线处理、增量更新与在线推荐的结合。实验结果表明，ECCRS采用的推荐方法是有效的。     

基于贝叶斯网络的多Agent服务推荐机制研究

普适计算环境中的服务推荐需要满足系统异构性和移动性的要求。提出了一种基于贝叶斯网络的多Agent服务推荐机制并进行实现,将贝叶斯网络和聚类方法应用于服务推荐中,并设计了推荐模型自学习机制,充分考虑了上下文对服务推荐的影响及改进。实现系统由完成历史上下文汇集、知识训练、决策推荐和自学习功能的多个Agent构成,通过Agent之间的通信内容设计,在Agent之间建立流程控制和数据共享通道。     

基于模糊兴趣集和智能Agent的推荐系统模型研究

提出了一种结合用户模糊兴趣和智能多Agent的电子商务推荐系统模型,利用智能Agent获取用户对产品属性的喜好度和相应权重,依此建立起清晰的用户兴趣模型.在智能多Agent技术下建立一种多属性综合评价机制,采用逼近理想解法(Topsis法)对候选产品进行实时处理,并根据排序结果产生Top-N推荐.     

基于贝叶斯动态预测模型的商品推荐方法

传统的电子商务推荐系统虽然考虑到个性化的推荐,但不能很好的描述用户行为,使得个性化的推荐略显不足。本文提出基于贝叶斯动态预测的模型,并结合Agent技术,很好地建立了用户行为预测模型。该方法以用户历史数据为基础,并结合用户的实时行为建立用户行为预测模型。本文将此方法运用于商品推荐系统中,实验证明此方法能高效地为客户产生个性化的商品推荐集合,优于某些传统方法。     

基于社会网络与声誉信任机制的移动多Agent系统信任模型

基于信任机制的移动多Agent系统中,代理Agent一般通过直接信誉值和推荐信誉值来判断对于另一个Agent的信任程度。由于系统相对巨大,直接信誉值通常难以获得,判断的正确性很大程度上依赖于推荐信誉值的准确性和可靠性。通过对整个多Agent系统进行社会网络的挖掘,用以得到与代理Agent存在潜在社会关系的一组Agent。对这组Agent提供的推荐信息充分信任,并优先使用这些Agent提供的信息进行推荐信誉值的计算。最后通过双方直接交易的多寡判断综合信任值中直接信誉值与推荐信誉值的权重。通过实验验证了该模型的有效性。     

基于模糊兴趣模型与多Agent的个性化推荐系统

提出了基于模糊兴趣模型与多Agent的个性化推荐系统框架,通过引入用户模糊兴趣模型,使以Agent为基础的推荐系统无法通过隐式收集用户对商品属性评价的问题得到解决,并且在客户端收集并挖掘用户的私有信息,然后从服务器中获取用户感兴趣的信息,最后生成并更新UserProfile。     

基于分布式数据挖掘的电子商务推荐系统①

为解决电子商务推荐系统开放性、效率和精确度问题,给出了基于分布式数据挖掘的电子商务推荐系统(BDBRS)功能结构,提出了该系统的体系结构,然后介绍了BDBRS所应用的技术和BDBRS的设计与实现,最后描述了BDBRS的部分功能模块及人机界面,验证了BDBRS的正确性和本文研究的推荐算法在效率、精确度等方面的优越性。     

基于知识的电子商务智能推荐系统平台设计

分析了传统推荐技术存在的不足,阐述了基于知识的推荐技术的特点及其发展。针对现有基于知识的电子商务推荐系统中存在的不足,提出了基于知识的电子商务智能推荐需要解决的基本问题,设计了基于知识的电子商务智能推荐平台的逻辑框架,并阐述了其工作原理。     

基于领域最近邻的协同过滤推荐算法

协同过滤是目前电子商务推荐系统中广泛应用的最成功的推荐技术,但面临严峻的用户评分数据稀疏性和推荐实时性挑战.针对上述问题,提出了基于领域最近邻的协同过滤推荐算法,以用户评分项并集作为用户相似性计算基础,将并集中的非目标用户区分为无推荐能力和有推荐能力两种类型;对于前一类用户不再计算用户相似性以改善推荐实时性,对于后一类用户则提出"领域最近邻"方法对并集中的未评分项进行评分预测,从而降低数据稀疏性和提高最近邻寻找准确性.实验结果表明,该算法能有效提高推荐质量.     

用户多兴趣下基于信任的协同过滤算法研究

协同过滤技术是目前电子商务推荐系统最为有效的信息过滤技术之一.最近的研究尝试在推荐过程中引入信任模型来提高推荐的准确性和抵御"托"攻击.但在用户多兴趣的情况下,属于不同主题的项目需要不同的可信赖人员来推荐,传统的概貌级信任模型已不再适用.本文提出主题级信任计算模型以及基于主题级信任的协同过滤算法.一系列的实验结果表明,该算法在不牺牲鲁棒性的同时,有效地提高了推荐的准确性.     

基于用户隐性反馈行为的下一个购物篮推荐

下一个购物篮推荐是当前电子商务领域中极其重要的一项任务,传统的下一个购物篮推荐方法主要分为时序推荐模型和总体推荐模型。这些方法对点击、收藏、加入购物车等用户的隐性反馈行为利用得不够,并且没有考虑用户行为偏好的时间敏感性。该文提出了一种基于用户隐性反馈行为的下一个购物篮推荐方法,将用户行为按照一定的时间窗口进行划分,对于每个窗口从多个维度抽取用户对商品的时序偏好特征,运用深度学习领域的卷积神经网络模型进行分类器训练。在真实数据集中的实验结果表明,与传统的线性模型和树模型等分类器相比,该文提出的卷积神经网络框架具有较强的特征萃取能力和泛化能力,提高了推荐系统的用户满意度。     

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.     

融合用户信任模型的协同过滤推荐算法

协同过滤推荐是电子商务系统中最为重要的技术之一.随着电子商务系统中用户数目和商品数目的增加,用户-项目评分数据稀疏性问题日益显著.传统的相似度度量方法是基于用户共同评分项目计算的,而过于稀疏的评分使得不能准确预测用户偏好,导致推荐质量急剧下降.针对上述问题,本文考虑用户评分相似性和用户之间信任关系对推荐结果的影响,利用层次分析法实现用户信任模型的构建,提出一种融合用户信任模型的协同过滤推荐算法.实验结果表明： 该算法能够有效反映用户认知变化,缓解评分数据稀疏性对协同过滤推荐算法的影响,提高推荐结果的准确度.     

基于相似模式聚类的电子商务网站个性化推荐系统研究

保证个性化推荐系统产生高质量的推荐结果的重要因素是:系统必须要确定访问者在访问行为的相似程度,从而能预测访问者的访问和购买兴趣。实现此功能的关键技术是计算访问者对象在整个或者部分属性空间的相似距离,从而得到访问行为的相似程度。该文首先分析了目前在推荐系统中常用的用于计算访问行为相似程度的距离函数,发现它们是测定访问者对象在所有测试属性空间上的平均测定,而在属性集的子维空间上的相似模式并没有有效地挖掘出来。然后提出一种新的基于相似模式聚类算法的电子商务个性化推荐系统,综合考虑可供挖掘的数据源(如:网站内容,网站的超链接结构,顾客访问网站的行为,以及商业的实际购买情况,顾客的身份数据等)获取用户访问电子商务网站的访问页面序列,构建较高购买者的顾客行为的矩阵模型,高效地得到访问者对象在整个或者部分属性空间的相似访问行为,然后通过挖掘潜在购买者与较高购买者的相似模式特征,帮助顾客发现他所希望购买的产品信息,用于提高实际购买量,实验数据表明,该系统高效并可广泛使用。     

云模式用户行为关联聚类的协同过滤推荐算法

传统的协同过滤推荐算法基于互联网模式单纯从某个角度研究电子商务推荐问题,推荐质量明显不高。为改善推荐效果,提高推荐系统的伸缩性和实用价值,基于研究云模式的用户行为相似性度量公式、用户行为等级函数、关联规则函数,定义关联聚类方法,改进相应算法,提出一种云模式用户行为关联聚类的协同过滤推荐算法。最后使用MovieLens和阿里巴巴的云测试数据进行局部实验与全局实验,并对各种算法的实验结果进行对比分析。实验结果表明,该算法推荐效果明显优于传统算法,具有较强的伸缩性和较高的实用价值。     

旅游推荐系统研究综述

为用户提供个性化推荐服务并提高推荐的准确度和用户满意度,是当前旅游推荐系统的主要研究任务。文中分析了旅游推荐系统与传统推荐系统的异同点,并从基于内容的推荐、基于协同过滤的推荐、基于知识的推荐、基于人口统计的推荐、混和型推荐以及基于位置感知的推荐共6个方面考查了旅游推荐的研究现状。在此基础上,给出了旅游推荐系统的一个总体框架。最后,总结分析了旅游推荐系统面临的6个重点和难点问题,并指出了下一步需要关注的研究方向。     

基于SaaS模式的电子商务推荐平台

针对一些电子商务网站缺乏资源难以实施推荐系统的现状,提出一种基于“软件即服务”(SaaS)模式的推荐服务架设方式并实现了原型平台。该平台使用统一的脚本收集电子商务网站的用户行为信息,并通过标准的接口提供推荐服务,从而实现平台与电子商务网站的低耦合以降低部署成本。平台上线运行结果表明,该模式的推荐服务能够有效帮助电子商务网站提升转化率和增加订单量。     

基于语义聚类的协作推荐攻击检测模型

协作过滤推荐模型目前已被广泛应用于电子商务等环境。由于其对用户偏好数据敏感,因此攻击者可以通过注入伪造的用户偏好数据来影响推荐系统的预测。提出了一个基于语义聚类的协作过滤攻击检测模型,从分析项目的语义入手,针对攻击数据中的随机性,通过分析用户兴趣的组合来评判用户偏好数据的真实与否。大量的实验证明,该模型能有效地检测协作过滤推荐中的注入攻击,从而大大提高了推荐系统的鲁棒性和可靠性。