一种基于时间加权和用户特征的协同过滤算法

协同过滤算法是目前个性化推荐系统中应用最成功的推荐算法之一,但传统协同过滤算法很少考虑到用户兴趣随着时间变化以及用户特征与兴趣的关联性两方面的问题。针对该问题提出了一种基于时间加权和用户特征的协同过滤算法,首先通过定义时间指数函数反映兴趣随时间增长的变化,然后建立用户的特征矩阵,最后采用一种新的相似度度量方法计算出目标用户的最近邻居集合。实验结果表明该算法推荐平均绝对误差(MAE)比传统算法降低了12%,推荐质量较传统算法有明显提高。     

涂鸦艺术在家用纺织品设计中的运用

介绍了涂鸦艺术的起源与发展以及现今在艺术设计中的地位及涵盖面,对涂鸦艺术与家用纺织品艺术设计的结合进行了例举、比较,并对这一艺术形式在未来家用纺织品艺术设计中的延伸及前景进行了分析与预测。     

基于网络心理挖掘的个性化推荐系统

传统的电子商务推荐系统挖掘时效性较差,客户信息浪费较多;为应对这些问题,提出了基于网络心理挖掘的商品推荐系统.该系统通过网站内的商品属性心理特征挖掘和客户心理行为进行挖掘,并结合客户浏览行为对客户的需求和决策进行量化与预测;最终以上述信息为依据,从系统的数据库中提取推荐商品与客户信息.实验表明,该系统能够较好地挖掘客户消费心理,提高商品推荐的精准性和有效性.     

On extracting recommendation knowledge for personalized web-based learning based on ant colony optimization with segmented-goal and meta-control strategies

Personalized web-based learning has become an important learning form in the 21st century. To recommend appropriate online materials for a certain learner, several characteristics of the learner, such as his/her learning style, learning modality, cognitive style and competency, need to be considered. An earlier research result showed that a fuzzy knowledge extraction model can be established to extract personalized recommendation knowledge by discovering effective learning paths from past learning experiences through an ant colony optimization model. Though that results revealed the theoretical potential of the proposed method in discovering effective learning paths for learners, critical limitations arose when considering its applications in real world situations, such as the requirement of a large amount of learners and a long period of training cycles in order to discover good learning paths for learners. These practical issues motivate this research. In this paper, the aim is to resolve the aforementioned issues by devising more efficient algorithms that basically run on the same ant colony model yet requiring only a reasonable number of learners and training cycles to find satisfactory good results. The key approaches to resolving the practical issues include revising the global update policy, an adaptive search policy and a segmented-goal training strategy. Based on simulation results, it is shown that these new ingredients added to the original knowledge extraction algorithm result in more efficient ones that can be applied in practical situations.     

基于项目属性和项目度的BGPR算法

传统二部图投影和排序(BGPR)算法的推荐精度不高。为此,提出一种基于项目属性和项目度的BGPR算法。分析二部图投影和随机游走的特点,引入项目属性和项目度2个影响因子,通过对初始化向量和项目相似性的优化,设计个性化推荐算法。实验结果表明,该算法的推荐精度较高。     

基于多特征的个性化图书推荐算法

现有推荐算法计算读者之间或图书之间的相似性不准确、推荐精确度不高。为此,提出一种基于多特征的个性化图书推荐算法。根据中图分类法及图书的特征向量计算图书的相似性,依据读者的特征向量及借阅记录计算读者的相似性。在此基础上产生2种预测结果并对其进行加权,产生最终推荐。实验结果表明,该算法具有较高的图书推荐精确度。     

个性化搜索引擎中用户兴趣模型的构建方法

在分析个性化搜索引擎的基础上,提出一种构建用户兴趣模型的方法.该方法综合考虑用户注册兴趣及浏览行为,将用户兴趣分为长期兴趣和短期兴趣并通过兴趣树进行存储.遗忘机制的引入保证模型能够及时准确地反映用户兴趣.模拟实验表明,本文提出的用户兴趣模型能够有效地提高检索效率,使搜索结果更好地满足用户个性化需求.     

微博个性化内容推荐算法研究

移动环境下的微博推荐算法,最需要解决的是用户兴趣根据位置变化而快速变化问题。基于微博这种新型的网络交互环境,提出一种基于移动环境的内容推荐算法,以用户的位置为核心,根据"用户-内容-时间-位置"关系实现相关性的计算,进行好友和内容的推荐。并对该推荐算法的推荐精度进行了实验,证明了位置对内容评分在移动环境下可以提高推荐精度并可以增强用户体验。     

决策树分类算法在个性化图书推荐中的应用

采用数据挖掘中的决策树方法,对图书馆的图书借阅数据进行研究和分析,提出了基于读者阅读兴趣的个性化图书推荐模型。实验表明,该模型能够为新老读者有针对性地推荐新书,较好地实现了图书馆的个性化的创新服务。     

注意-情绪协调的个性化信息推荐模型

在分析注意、情绪及两者关系的基础上，提出了注意-情绪协调模型，并以情绪唤醒选择性注意. 在北京旅游信息推送服务中，综合考察用户的注意、情绪和信息的语义特征，提出了注意-情绪协调的个性化信息推荐模型. 通过在推荐模型中加入情感风格，整合信息资源，使信息呈现方式适应用户的注意选择性特征，为个性化信息服务和新型人机交互提出了一种新思路。