情境感知和兴趣适应的农业信息推荐模型

个性化推荐是解决农户需求和农业信息服务契合度的关键技术。传统基于行为的推荐算法能挖掘农户兴趣但不能反映其兴趣的迁移,时间权重的引入较好地实现自适应机制。地域、时间以及农业生产门类等情境信息直接影响农户的兴趣偏好,已有算法却融入度不足。综合情境因素、浏览行为和兴趣改变等多维因素,设计情景感知和兴趣适应的农业信息推荐模型。实验结果显示,改进后的算法能显著提升推荐的准确率和有效性。     

云环境下基于协同推荐的信任评估与服务选择

“模糊、自治”的云计算环境中,服务品类繁多、质量参差不齐,用户主体难以进行可信赖的服务选择。在用户交互经验的基础上,结合现实人际交易模式,提出了一种基于协同推荐的综合信任量化评估模型。模型引入了时间衰减、权重两类动态因子,设计了多元化混合协同推荐算法来实现用户之间的有效协作,帮助用户正确选择可信云服务。为了验证模型的可行性,设计出一个分布式的原型系统,对模型的用户满意度和服务选择质量进行仿真实验。仿真结果表明,该模型能够更快地提高平均服务满意度,更有效地抑制恶意服务,而且随着交互次数的增长,服务选择质量也会不断提高。     

考虑用户活跃度和项目流行度的基于项目最近邻的协同过滤算法

项目相关性度量是基于项目最近邻的协同过滤算法的关键。已有的项目相关性度量方法在数据集稀疏或推荐低流行度产品时会面临较大挑战,因此提出一种考虑用户活跃度和项目流行度的基于项目最近邻的协同过滤算法。该算法在度量两个项目的相关性时,若有记录只对两个项目之一有评分,则利用该记录所对应的评分用户的活跃度和被评价项目的流行度进行相关性惩罚,从而提高数据稀疏环境下低流行度产品被推荐的概率。实验表明,所提算法在保证评分预测精度的情况下提升了推荐结果的多样性和新颖性。     

Dynamic changes in the use of online advice in response to task success or failure

A range of responsible gambling systems have been developed, but they are not necessarily used by consumers. This requires an understanding of factors (e.g. risk and loss) influencing response to advice. Therefore, an experiment examined the use of decisional support in response to induced success or failure. A total of 21 university students played computer Blackjack at two levels of risk, and were informed as to whether the odds were in their favour (‘card count’), and were given online advice as to card selection (Basic). Winning streaks led to overconfidence, as indicated by larger mean bets, more Basic errors, and a failure to adjust wagering upon cessation of the winning streak. Participants were more cautious in response to losses, betting less, and were more likely to comply with advice. Participants attended and complied with advice earlier at low risk, but at high risk noticed advice later and did not comply. Induced emotional states (e.g. winning or losing) are important as they influence the likelihood that people will listen to online advice. Designers of Behaviour Change Support Systems should consider methods of contingently implementing advice.     

基于受约束偏置的概率矩阵分解算法

在概率矩阵分解(PMF)模型拟合之后,评分较少用户的特征趋近于先验分布的平均值,导致对其评分预测接近物品的平均评分.受约束概率矩阵分解(CPMF)未考虑到不同评分系统的整体差异以及数据集内部用户与物品存在的固有属性.针对以上问题,提出将传统矩阵分解中的用户和物品偏置项以及全局平均分结合受约束概率矩阵分解来建立新的矩阵分解算法.算法利用整体平均分衡量不同评分系统,在采用偏置来表示用户以及物品之间相互独立的属性的同时,引入约束使行为相近用户拥有相近的用户偏置,从而提高预测精度.在两个真实数据集上的实验结果表明,该算法相对于PMF和CPMF算法预测精度得到了提高.     

面向旅游电子商务的多目标复合评估及优化推荐算法

推荐算法在电子商务系统中具有良好的应用前景,受到了越来越多关注和重视,逐渐成为了电子商务领域的研究热点.在介绍目前主流的推荐算法的基础上,结合电子商务实际应用需求,提出了多目标复合评估及优化推荐算法.并基于途牛旅游网数据,与一般推荐算法进行比较,验证了该算法的有效性,从而为多目标复合评估及优化推荐系统的研究提供了新思路与新方法.     

基于SVD与模糊聚类的协同过滤推荐算法

协同过滤为个性化推荐解决信息过载问题提供了方案,然而也存在着数据的稀疏性、可扩展性等影响推荐质量的关键问题.我们提出了一种基于奇异值分解（SVD）与模糊聚类的协同过滤推荐算法,通过引用物理学上狭义相对论中能量守恒的方法以保留总体特征值的数目,较为准确地确定降维维度,实现对原始数据的降维及其数据填充.另外,再运用模糊聚类的方法将相似用户进行聚类,从而达到减少邻居用户搜索范围的目的.在MovieLens与2013年百度电影推荐系统比赛等不同数据集上的实验结果表明,该算法能够提高推荐质量.     

大规模隐式反馈的词向量音乐推荐模型

现有音乐推荐系统在大规模隐式反馈场景下存在推荐困难的问题,提出大规模隐式反馈的词向量音乐推荐模型（Word-Embedding Based Implicit Music Recommender）.本模型借鉴了自然语言处理领域的Word2Vec技术,通过学习用户音乐收藏播放记录里的歌曲共现信息,获得用户、音乐在分布式空间的低维、紧致的向量表示,从而得到用户、音乐之间的相似度进行推荐,并且在理论上论述了Word2Vec技术应用在推荐系统上的正确性.该模型在保证准确率和召回率几乎不变的同时,收敛速度快,占用内存小,试验结果表明该模型有效的解决了大规模隐性反馈场景下音乐推荐困难的问题.     

基于情感分析和LDA主题模型的协同过滤推荐算法

协同过滤推荐算法通常基于物品或用户的相似度来实现个性化推荐,但是数据的稀疏性往往导致推荐精度不理想。大多数传统推荐算法仅考虑用户对物品的总体评分,而忽略了评论文本中用户对物品各个属性面的偏好。该文提出一种基于情感分析的推荐算法SACF(reviews sentiment analysis for collaborative filtering),该算法在经典的协同过滤推荐算法的基础上,考虑评论文本对相似度计算的影响。SACF算法利用LDA主题模型挖掘物品潜在的K个属性面,通过用户在各个属性面上的情感偏好计算用户相似度,从而构建推荐模型。基于京东网上评论数据集的实验结果表明,SACF算法不但可以有效地改善传统协同过滤推荐算法中数据稀疏性的问题,而且提高了推荐系统的精度。     

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.