融合主题信息和卷积神经网络的混合推荐算法

针对传统的协同过滤算法中数据稀疏和推荐结果不准确的问题,提出了一种基于隐狄利克雷分布（LDA）与卷积神经网络（CNN）的概率矩阵分解推荐模型（LCPMF）,该模型综合考虑项目评论文档的主题信息与深层语义信息。首先,分别使用LDA主题模型和文本CNN对项目评论文档建模;然后,获取项目评论文档的显著潜在低维主题信息及全局深层语义信息,从而捕获项目文档的多层次特征表示;最后,将得到的用户和多层次的项目特征融合到概率矩阵分解（PMF）模型中,产生预测评分进行推荐。在真实数据集Movielens 1M、Movielens 10M与Amazon上,将LCPMF与经典的PMF、协同深度学习（CDL）、卷积矩阵因子分解模型（ConvMF）模型进行对比。实验结果表明,相较PMF、CDL、ConvMF模型,所提推荐模型LCPMF的均方根误差（RMSE）和平均绝对误差（MAE）在Movielens 1M数据集上分别降低了6.03%和5.38%、5.12%和4.03%、1.46%和2.00%,在Movielens 10M数据集上分别降低了5.35%和5.67%、2.50%和3.64%、1.75%和1.74%,在Amazon数据集上分别降低17.71%和23.63%、14.92%和17.47%、3.51%和4.87%,验证了所提模型在推荐系统中的可行性与有效性。     

基于改进的深度Q网络结构的商品推荐模型

传统推荐方法存在数据稀疏和特征识别差等问题,为了解决这些问题,根据隐式反馈构建具有时序性的正负反馈数据集。由于正负反馈数据集和商品购买具有强时序性特征,引入长短期记忆（LSTM）网络作为模型构件。考虑用户自身特征和用户动作选择回报由不同的输入数据决定,对竞争架构的深度Q网络进行改进,融合用户正负反馈和商品购买时序性,设计了基于改进的深度Q网络结构的商品推荐模型。模型对正负反馈数据进行区分性训练,对商品购买的时序性特征进行提取。在Retailrocket数据集上,与因子分解机（FM）模型、W&D模型和协同过滤（CF）模型中表现最好的相比,所提模型的准确率、召回率、平均准确率（MAP）和归一化折损累计增益（NDCG）分别提高了158.42%、89.81%、95.00%和67.57%。同时,使用DBGD作为探索方法,改善了推荐商品多样性低的缺陷。     

基于R2指标的高维多目标差分进化推荐式课程系统

针对高等教育新形态下网络教学平台缺乏精准推荐选课问题,提出了一种基于高维多目标进化算法的课程引导、推荐式选课方法。首先为节省存储空间设计了多维事实数据仓库模型,并对课程、学生、教师、课程难度、课程推荐指数等数据仓库中的相关属性进行形式化定义以及规约处理;其次构建了基于R2的高维多目标差分进化（R2-MODE）算法的推荐式选课模型,算法改善了高维复杂空间中的搜索能力;最终实现对课程教师专业度、课程的专业相关度、课程难度系数、课程综合评价这4项性能的同时最优化。实验结果表明,所提算法与基于参考点的NSGA-Ⅲ相比,在收敛性上提高了50%,与基于支配关系的ε-MOEA相比,在分布性上提高了5%,所设计的方法在数据集的收敛性和分布性上整体效果最优。实验中,所提算法成功实现了根据学生个体的特征、意愿来进行的课程的精准推荐,为网络平台精准引导、推荐课程选择提供了必要的理论支持,为智能选课提供了一种新的方法。     

基于数据挖掘的“智慧校园”应用研究

基于"互联网+"的智慧校园建设现所面临的新形势、新挑战,大学信息化建设需要重塑。笔者提出基于大数据环境下,通过对校园各类信息进行收集、分析和处理,挖掘有用的信息,结合地图定位服务进行个性化推荐。与此同时,对"智慧校园"应用APP进行架构设计,为在校师生及家长在线处理教学、管理、生活、娱乐等事务提供为一体的智慧化服务。     

基于Web的推荐系统数据挖掘算法分析

随着互联网的快速发展,人们接收的外界信息越来越多,如何在海量信息中获取有价值的信息,是互联网领域需要解决的重点问题。数据挖掘算法是一门跨学科的综合技术,能够从海量信息中提取人们需要的有用数据。将数据挖掘算法应用在实际中,能够起到一定的应用效果,其涉及了一个非常重要的知识点——推荐系统。基于此,重点介绍Web下推荐系统数据挖掘算法的具体应用过程,结合关联规则和聚类算法,提高推荐系统的准确性。     

融合社交关系与地理信息的兴趣点推荐模型

基于LBSN的兴趣点推荐存在用户签到矩阵稀疏、推荐精度不高、上下文信息利用不充分等问题,提出一种融合社交信任的矩阵分解算法TGMF（Trust-Geo?Matrix?Factorization）来缓解以上问题。利用BPR模型优化矩阵分解的过程,改进偏序关系的生成策略。把信任影响和相似度计算相结合,提高推荐精度。融合两种模型得到用户的最终偏好列表。把偏好列表中的top-[k]个兴趣点推荐给用户。实验结果表明,在真实数据集Gowalla和Foursquare上,TGMF算法在准确率和召回率两个指标上均优于传统的兴趣点推荐算法。     

基于改进位置社交的近邻知识推荐算法

信息过载是当前各类网络中存在的普遍问题,社交网络中通过推荐算法为用户推荐感兴趣的内容,但该类算法并不适用于学习网络中存在特定逻辑联系的知识点推荐。结合社交网络及LBSN网络中的兴趣点推荐算法,提出了一种面向学习网络相关知识点的改进LBSN推荐算法,通过学习网络中的相似用户计算及知识路径发现,为用户推荐当前学习相关的近邻知识点,并通过实验数据证明了学习网络中加入学习推荐对学习者效率及学习质量提升的效果。