远程培训中个性化学习资源推荐算法

本文提出一种基于标签的多因素推荐算法.用户可以根据自己的需求,进行因素自定义和优先级排序,算法先根据用户初始化信息选取资源,随后分析用户行为数据更新用户所属的群及用户的喜好,再通过用户与项目相似度计算、项目关联度计算为用户推荐所需资源.算法模型采用分类组合得出结果,降低了相似度计算的复杂度.将算法应用于企业远程培训平台的个性化学习模式中,结果表明,该算法较好地改善了用户个性化学习资源的推荐效果.     

一种优化组合相似度的协同过滤推荐算法

为了进一步提高相似度计算的准确性,提出了一种优化组合相似度的协同过滤推荐算法。首先,建立用户-项目评分时间矩阵,根据用户对共同评分项目的评分时间先后顺序,计算用户之间的影响力;其次,根据用户对共同评分项目的评分差异,计算评分差异的加权信息熵;最后,将时序行为影响力融入到基于加权信息熵的相似度中,其中融合参数α由随机粒子群优化算法选择。通过与其他相似度计算方法比较,该算法降低了标准平均绝对误差和流行度,在一定程度上降低了数据稀疏性的影响,能更准确地计算相似度,从而提高了推荐质量。     

一种基于局部近邻Slope One协同过滤推荐算法

经典的Slope One算法采用线性回归模型对目标项目进行预测评分,但在项目评分偏差表构建过程中产生了部分噪声数据,影响了算法的推荐性能。为了解决该问题,建立了一种基于局部近邻Slope One协同过滤推荐算法。算法计算了当前活跃用户针对不同推荐商品的近邻用户集,其邻居用户集根据目标项目的不同而动态变化;根据活跃用户关于不同目标项目的邻居用户数据来进一步优化项目之间的平均偏差,进而产生推荐。对比实验说明,该算法在MovieLens数据集上具有较高推荐精度。     

一种基于标签概率相关性的微博推荐方法

向微博用户推荐对其有价值和感兴趣的内容,是改善用户体验的重要途径。通过分析微博的特点以及现有微博推荐算法的缺陷,利用标签信息表征用户兴趣,提出一种基于标签概率相关性的微博推荐方法 LPCMR。首先,该方法利用标签之间的概率相关性,构造标签相似性矩阵。然后通过相关性标签权重加权方案,加强标签权重,构建用户-标签矩阵。针对用户标签矩阵稀疏的问题,采用标签相似性矩阵对用户-标签矩阵进行更新,使该矩阵既包含用户兴趣信息,又包含标签与标签之间的关系。以新浪微博公开API抓取的微博信息作为实验数据,进行了一系列的实验和分析,结果表明本文提出的推荐算法具有较好的效果。     

基于云模型熟悉相似度的协同过滤推荐算法

研究了一种新的协同过滤推荐方法。针对推荐算法中相似度存在的不足,提出了兼顾"形状-距离"的云模型综合相似度测算方法;考虑用户之间的兴趣匹配,提出了云模型熟悉相似度的概念;提出了基于云模型熟悉相似度的邻居用户选择方法,进而产生推荐。实验结果表明,本方法提高了推荐准确度。     

基于排序学习的微博用户推荐

该文在分析总结影响微博用户推荐的四大类信息,包括用户的内容信息、个人信息、交互信息和社交拓扑信息的基础上,提出一个基于排序学习的微博用户推荐框架,排序学习的本质是用机器学习中的分类或回归方法解决排序问题,该框架可以综合各类信息特征进行用户推荐。实验结果表明 (1)融合多个特征综合推荐通常可以取得更好的推荐效果;(2)基于用户个人信息、交互信息、社交拓扑信息的推荐效果均好于基于用户内容的推荐效果。     

Userrank for item-based collaborative filtering recommendation

With the recent explosive growth of the Web, recommendation systems have been widely accepted by users. Item-based Collaborative Filtering (CF) is one of the most popular approaches for determining recommendations. A common problem of current item-based CF approaches is that all users have the same weight when computing the item relationships. To improve the quality of recommendations, we incorporate the weight of a user, userrank, into the computation of item similarities and differentials. In this paper, a data model for userrank calculations, a PageRank-based user ranking approach, and a userrank-based item similarities/differentials computing approach are proposed. Finally, the userrank-based approaches improve the recommendation results of the typical Adjusted Cosine and Slope One item-based CF approaches.     

带有聚类功能的个性化元搜索引擎的设计

随着英特网上信息量的迅速增长,用户想要从中找到感兴趣的信息变得越来越困难,传统的搜索引擎不能很好地解决这个问题。因此本文提出了一种带有聚类功能的个性化元搜索引擎,系统通过用户注册获得用户数据并对所有的用户进行聚类形成不同用户群病产生用户模式,搜索引擎调度模块通过用户模式来选择适合的搜索引擎进行调度得到个性化的搜索结果,再将检索到的结果进行聚类处理,返回给用户个性化的搜索结果。分析了带有聚类功能的个性化元搜索引擎的系统构成,详细介绍了每个模块的功能,最后展望了它的发展前景。     

Collective knowledge systems: Where the Social Web meets the Semantic Web

What can happen if we combine the best ideas from the Social Web and Semantic Web? The Social Web is an ecosystem of participation, where value is created by the aggregation of many individual user contributions. The Semantic Web is an ecosystem of data, where value is created by the integration of structured data from many sources. What applications can best synthesize the strengths of these two approaches, to create a new level of value that is both rich with human participation and powered by well-structured information? This paper proposes a class of applications called collective knowledge systems, which unlock the “collective intelligence” of the Social Web with knowledge representation and reasoning techniques of the Semantic Web.     

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.