基于遗忘函数和领域最近邻的混合推荐研究

基于内容过滤和协同过滤是两大最为经典的推荐算法,但基于内容过滤存在新用户问题,没有考虑用户兴趣变化对推荐质量的影响,协同过滤则面临严峻的数据稀疏性和冷启动的挑战.针对这些,提出混合推荐算法:基于非线性逐步遗忘函数建立用户兴趣模型,预测用户未评价商品评分;引入"领域最近邻"处理方法查找目标用户的最近邻,预测未评价商品评分,以此为基础做出推荐.实验结果表明,本文方法能有效提高推荐质量.     

电子商务推荐系统中群体用户推荐问题研究

尽管传统的电子商务推荐系统在个体用户推荐方面取得了巨大成功,但它并不适用于向群体用户进行推荐。随着虚拟社区中群体用户的不断增加,构建群体推荐系统,向群体用户提供个性化推荐,减少他们搜集信息所耗费的时间和精力显得越来越重要。基于此,本文提出了一种新颖的推荐方法—结合领域专家法的群体用户推荐算法。该算法以基于项目的协同过滤技术为基础,根据群体成员间的相互作用确定群体偏好,由群体偏好产生推荐,推荐过程中存在的成员未评分项采用领域专家法进行预测填充,此外本文算法还考虑了成员间相似关系对推荐质量的影响。实验结果表明了本文算法的有效性。     

电子商务协同过滤稀疏性研究:一个分类视角

协同过滤是目前电子商务推荐系统中广泛使用的、最成功的推荐算法,但面临用户评分数据稀疏性问题的挑战.在介绍用户偏好数据获取途径的基础上,将稀疏性改善技术归纳为六类,包括设定缺省值、结合基于内容的过滤、降维、图论方法、基于项目评分预测以及增加用户.系统交互,重点评述了各类算法的研究情况并时六类技术进行了比较,最后探讨了该领域的未来研究方向.     

团购商品的个性化协同过滤推荐方法

本文提出结合云模型和改进均方差的协同过滤推荐方法,为团购网站的用户提供个性化推荐。该方法首先通过已有的用户日志数据,模拟用户对商品的评分,构建用户-商品评分矩阵。在此基础上,通过云模型和改进MSD方法模拟商品间的相似度,运用基于物品的协同过滤方法,预测出用户对商品的评分,并为目标用户生成个性化推荐列表。最后,通过实验证明该推荐方法的有效性。     

集成k-means聚类和有监督特征选择的混合式协同过滤推荐

为了提高协同过滤推荐质量,提出了集成k-means聚类和有监督特征选择的混合式协同过滤推荐框架和KDICF算法。利用有监督特征选择的方法和技术,找出与待预测项目强相关的项目集,将高维稀疏的用户-项目评分数据集转为低维用户-项目评分数据集,并运用k-means聚类,在此基础上寻找近邻用户对目标用户未评分项目进行评分预测。实验结果表明,混合式KDICF算法有着优异的性能。     

基于项目聚类和评分预测的协同过滤推荐算法研究

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。目前协同过滤构建的用户-项目矩阵,一般是按用户对所有项目的评分构建,却没有考虑项目之间的分类情况,导致寻找的邻居集合可能不是最近邻居集合。针对此问题,本文提出基于项目聚类和评分预测的协同过滤推荐算法,该算法首先按商品聚类,将大矩阵按聚类的商品来进行子矩阵的计算,在子矩阵里进行兴趣度的测量,最后将在所有区域相似用户的推荐项目合并,成为该用户的最后推荐结果。实验证明新算法能够提高协同过滤推荐系统的推荐质量。     

电子商务中Web页面个性化推荐系统的架构

电子商务中实现个性化推荐意味着一个用户访问Web站点时能够得到个性化的服务,网站根据用户的聚类特征,向用户在线推荐一些用户可能比较感兴趣的页面。本文给出了电子商务个性化推荐的系统结构,分析了在Web日志挖掘中应用协同过滤技术,讨论了Web页面的个性化推荐过程和推荐算法。推荐算法综合考虑了用户聚类中页面的权值和用户对页面的平均评价值两个推荐因素,实现在线页面的推荐。     

基于社交综合信任和商品流行度的推荐模型研究

基于信任的推荐方法对用户之间的关系特征描述较为单一的问题,综合考虑用户关系网络和交互行为,融合用户由局部交互而产生的互动强度,在社交网络树立的全局声誉及因个人喜好而产生的偏好相似构建社交综合信任评估模型,以融合后的社交综合信任度取代传统协同过滤推荐方法中的相似度,以提高识别邻居的能力,并在此基础上引入商品流行度因素,将其作为调整因子对目标用户进行评分预测。在Epinions数据集上的对比实验结果表明,所提出的社交综合信任评估模型能够显著提高推荐准确性,且通过商品流行度的引入能够进一步提高推荐效果。     

基于领域知识的个性化推荐模型及其应用研究

首先,讨论了传统电子商务领域个性化推荐算法及其应用,提出传统推荐方法通常忽视了领域知识,因而在实际应用中存在局限性;然后,讨论了领域知识的相关概念和分类,并在此基础上建立了结合领域知识的两阶段推荐模型;最后,基于网络超市数据进行了实证研究,实验结果表明改进后的推荐算法效果要明显优于传统的个性化推荐算法.     

邮件营销个性化推荐方法

在电子商务中,邮件营销成为企业竞争的另一种形式。但是因缺乏明确的发送目标,许多带有营销目的的电子邮件被视同为垃圾邮件,起不到营销效果。笔者在分析当前推荐技术中各种算法的优缺点的基础上,提出了一种基于用户行为偏好的动态序列挖掘方法。这种算法根据用户购买信息,运用数据挖掘技术,将隐含其中的用户特征、偏好等重要信息挖掘出来,从而预测用户最感兴趣的产品,有针对性地为用户推荐个性化的信息。实验证明,这种方法有效。     

社交电商中融合信任和声誉的图神经网络推荐研究

社交电商可依据用户间的社交关系为用户提供感兴趣的商品或服务。现有研究多基于社会信任或社会声誉进行推荐，却忽略了信任与声誉间的相互作用，导致推荐效果欠理想。针对以上问题，本文提出了一种融合信任(Trust)和社会声誉(Social Reputation)的图神经网络推荐算法(TSR-GM)，采用社会声誉来深度刻画用户关系在推荐系统中的作用，利用社交网络中用户被信任程度对用户声誉进行排名，以图神经网络量化整合用户信任与声誉，并将结合后的新矩阵不断校正以获取更准确的用户信任，以此对矩阵分解后得到的新评分模型更新，最终得到更准确度量的预测评分矩阵。运用Epinions数据集开展的相关实验表明：与同类方法比，TSR-GM算法对提高推荐精度有较好效果。     

基于用户画像的个性化图书推荐研究

目的/意义:运用个性化推荐服务,满足高校读者的个性化需求。方法/过程:首先分析读者身份信息和历史借阅行为信息数据,然后创建图书馆读者的用户画像标签模型,最后结合个性化推荐算法构建智慧阅读推荐系统。结论:图书馆可以通过用户画像标签快速了解读者群体的兴趣方向。     

基于协同过滤的电子商务推荐系统建模研究

电子商务个性化推荐系统是客户关系管理的重要内容.在分析现有电子商务推荐系统不足的基础上,设计一种基于协同过滤的智能商务推荐系统.为客户快捷便利地寻找到所需的商品信息,推荐合理的商品,实现客户与商家的共赢.     

应对行为视角下算法推荐内容相似性对App持续使用的影响

App推荐算法在实现用户和推荐内容精准匹配的同时也会导致“信息茧房”效应，加剧用户疲惫体验。基于用户应对过程理论，本研究将App用户的失实交互行为视为用户应对推送内容疲惫的一种重要“技术适应”，构建了移动App场景下算法推荐内容相似性用户应对模型。通过访谈和多轮问卷调查分析发现，算法推送内容相似性导致的疲惫体验与知觉控制感共同决定了App用户随后采取的应对努力策略。问题聚焦应对正向促进了失实交互行为，而情绪聚焦应对则对失实交互行为具有负面影响。失实交互行为中介了问题聚焦应对与情绪聚焦应对行为对用户App持续使用的影响。研究结果打开了用户疲惫体验与产品持续使用之间的理论黑箱，丰富和拓展了现有在线用户疲劳感研究和用户适应应对理论。研究结果对移动端推荐系统的开发与改进具有实践参考价值。     

基于个人知识地图的专家推荐

利用维基百科作为背景知识构建出专家个人的知识地图,从而直观量化地度量专家的知识构成和研究兴趣。在此基础上,提出了基于知识节点密度和最大公共子图的2种推荐算法,并且将这2种推荐算法和经典的推荐算法结合。最后,用一个真实的数据集合验证:这种基于个人知识地图的专家推荐是有效的。     

电子商务个性化文档推荐技术研究

电子商务个性化文档推荐同时具有电子商务推荐系统以及文档信息处理的特点,由此本文首先概括了目前电子商务推荐以及文档信息处理的主要技术,多种推荐技术的有效集成会提高推荐的精度与个性化,也是未来电子商务中个性化文档推荐的发展趋势。其次阐述了几种重要的用户兴趣获取技术及其面临的主要问题。最后分析了电子商务个性化文档推荐技术面临的主要问题及未来发展方向,旨在挖掘用户潜在兴趣,提高文档推荐个性化和提高推荐质量。     

关于图书馆学生自助借阅管理的几点思考

学生自助借阅管理是近年来图书馆借阅管理的发展趋势,相比传统的借阅方式而言,学生自助借阅管理提高了图书馆的工作效率,也节省了借阅时间。同时自助借阅管理系统提供的查询、个人图书馆管理等服务也为同学带来了很大的便利。自助借阅管理在各大高校逐渐推广,但是推广过程中问题依然存在。本文将结合笔者所在学校的图书馆自助借阅管理经验,探讨传统图书借阅管理存在的问题,并且提出改善学生自助借阅管理的对策,以期为自助借阅管理系统的的推广提供一些借鉴。     

关于图书馆学生自助借阅管理的几点思考

学生自助借阅管理是近年来图书馆借阅管理的发展趋势，相比传统的借阅方式而言，学生自助借阅管理提高了图书馆的工作效率，也节省了借阅时间。同时自助借阅管理系统提供的查询、个人图书馆管理等服务也为同学带来了很大的便利。自助借阅管理在各大高校逐渐推广，但是推广过程中问题依然存在。本文将结合笔者所在学校的图书馆自助借阅管理经验，探讨传统图书借阅管理存在的问题，并且提出改善学生自助借阅管理的对策，以期为自助借阅管理系统的的推广提供一些借鉴。     

基于多源大数据的个性化推荐系统效果研究

  个性化推荐系统已成为各大电商向消费者提供个性化购物体验的重要工具之一,通过推荐系统,商家可以提高收入和消费者满意度。但传统推荐系统通常只利用消费者在当前网站的历史信息推荐个性化商品,无法获得消费者在其他网站的数据来优化推荐效果。大数据时代,一些第三方公司抓住机遇,利用不同公司的多源大数据提供更好的个性化推荐服务。然而,这种新型的推荐系统对消费者购物行为的影响存在极大的未知性。         探究基于多源大数据的个性化推荐系统对消费者购物行为的影响。为了建立推荐系统与消费者购物行为之间的因果关系,采用实地实验有效地避免传统研究方法存在的内生性问题,并具有较好的外部有效性。一方面,基于内部数据和外部数据构造解释性变量,探究内部数据特征和外部数据特征与推荐效果之间的关系;另一方面,通过检验消费者特征与内外部数据的推荐效果间的交互效应,进一步分析外部数据和内部数据的推荐效果如何随消费者的特征变化,帮助企业更好地利用多源大数据提升推荐效果。         研究结果表明,基于内部数据的推荐系统能够显著提升消费者点击个性化推荐商品的概率,可以降低消费者决策时间,激励消费者浏览更多的商品。外部数据的推荐效果不仅与外部公司网站的用户数量相关,也会受到外部网站与当前网站的关联程度的影响。消费者特征对基于内部数据和外部数据的推荐效果起调节作用,如果消费者是当前网站的老用户,利用该消费者在当前网站的内部数据提供个性化推荐的效果更佳。         通过分析基于多源大数据的推荐效果对消费者购物行为的影响,进一步完善个性化推荐领域的理论框架。研究结果对如何利用多源数据构建更加有效的推荐系统具有重要指导价值,并为不同网站之间的数据共享机制提供重要的管理建议。     

基于多源数据融合的数字图书馆情景化推荐模型研究

本文结合多源数据理论提出了一种情景化推荐模型。在概述多源数据融合理论的基础上,就多源数据融合技术在数字图书馆中的应用进行了阐述,指出了情景化推荐模型的构建。对多源数据融合的数字图书馆情景化推荐模型研究,有助于提高用户满意度,解决数字图书馆情景化推荐问题。