基于管理和消费者行为视角的个性化推荐研究与展望

个性化推荐对于提升网络购物的效率、 促进产品的销售具有非常重要的影响,如何提升个性化推荐的效果受到了研究人员的广泛关注.先前研究大多数关注如何提升推荐算法的精确性和效率,或者关注如何提升消费者的推荐满意度以及个性化推荐采纳的影响因素.与既往研究不同,本文首先阐述了目前推荐系统采用的主流算法,而后基于管理和消费者行为的视角,从推荐时机、 推荐产品组合、 推荐效果三方面重点介绍了目前以该视角对个性化推荐的研究现状及研究成果,指出该研究方向具有较大的挖掘空间和研究价值,最后提出个性化推荐未来的研究趋势与展望.     

基于协同过滤的高校图书个性化推荐算法研究

针对高校图书推荐存在数据稀疏性和推荐结果质量不高的问题,提出了一种基于协同过滤的高校图书推荐算法.该算法利用图书分类号代替具体图书,应用改进的布尔型相似度计算方法,根据学院分组计算用户相似度,解决了数据稀疏性问题,提高了算法效率.通过定义课程计划、用户兴趣域和流行图书的影响力,建立了图书类别的评价模型.根据类别评价确定各类别推荐数量,提高了推荐结果的质量和多样性.实验结果表明,算法能够有效识别用户感兴趣的图书类别,并且图书推荐质量更好.     

基于用户和基于项目结合的个性化推荐算法

这篇文章说明了一种新的推荐算法,结合基于用户的协同过滤算法和基于项目的协同过滤算法各自的优点,在新算法中,首先利用基于用户的协同过滤算法确定一定数量的邻居,以保证推荐的个性化,然后在确定的邻居数据集上利用基于项目的算法模型进行推荐。最后将这种新算法和基于项目的协同过滤算法进行比较,实验结果表明这种新算法只用一少部分部分的最相似邻居用户就能得到基于项目算法的推荐质量,而且要比基于项目的推荐更加个性化。     

个性化推荐系统描述文件攻击检测方法

个性化推荐系统能产生针对性的、个性化的信息来满足不同用户需求,但也很容易受到用户描述文件注入恶意攻击,影响正常的推荐结果。针对该问题,分析和研究了描述文件的形式化模型、描述文件的属性及分类方法,应用粗糙集理论,设计了数据预处理离散化、决策表约简和个性化推荐处理相应算法,提出了一种用户描述文件分类学习和攻击检测的方法;为降低攻击对推荐结果的影响,完善了推荐系统的安全,设计出一种动态交互的个性化推荐模型框架。实例证明,用户描述文件的属性分类及检测方法是有效的,准确率高,能够有效地改善个性化推荐系统模型的安全。     

算法推荐背景下用户媒介使用 对“回音室”效应的影响研究 ——兼论媒介素养的调节作用

作为数字媒体时代的基础技术，算法推荐有其双面性，而是否导致“回音室”效应则成为学界和业界的争论焦点。本文以实证方式探究用户使用行为和媒介素养对“回音室”效果的影响，一方面验证算法推荐和“回音室”之间的关系，更重要的是从积极受众的角度，以用户行为和媒介素养为切入口强化用户行为和能力主动性，避免算法推荐可能强化的“回音室”效应。结果表明：转载的社交行为，媒介素养中的寻找能力、分析能力和利用能力与“回音室”效应负相关；媒介素养作为综合能力变量在使用行为和“回音室”效果的关系中起到正向调节作用，即网络媒介使用越频繁，媒介素养弱化“回音室”的效应越明显；专业、年级、性格、使用频率、管教方式和媒介素养相关，媒介素养可通过教育和实践进行培养提升。     

消费者接受电子商务个性化推荐的感知维度及其影响研究

基于消费者感知角度研究消费者接受电子商务个性化推荐的维度及其影响,可以在为电子商务平台进行个性化推荐优化提供依据。研究表明,从消费者感知角度来看:消费者接受电商个性化推荐的感知维度主要有消费者感知舒适度、感知价值、外部推荐、商家动机、推荐形式和感知安全六个维度;其中感知舒适度、感知价值、外部推荐和推荐形式与消费者接受电商个性化推荐呈显著正相关关系,而商家动机与消费者接受个性化推荐呈显著负相关关系;此外,不同的消费者群体对各感知维度的偏好具有差异性,需要进行有针对性的个性化推荐。     

基于网络平台的个性化知识推荐系统设计

本文利用学科知识点之间的层次关系图设计知识表示模型,而用户模型则以“用户的认知水平”和“用户兴趣”为中心而构建,在此基础上提出组合过滤推荐算法.该算法保留了内容过滤推荐算法和协同过滤推荐算法的优点,又弥补了两种算法的不足,通过测试评估,验证了组合过滤推荐算法的有效性和准确性.     

基于 EM聚类和用户评分的产品营销与推荐策略研究

网络技术的发展,特别是最近几年来“互联网＋”和大数据的发展,给企业产品营销带来了极大的机遇和挑战。相较于传统的通过简单粗暴的价格战来达到营销目的,一些企业通过对数据的充分利用和挖掘而在商战中获胜。利用数据融合技术从互联网大数据中挖掘用户的行为信息,通过分析消费者的个性化需求,利用 EM聚类算法构建基于模型的协同过滤推荐算法,给消费者推荐可能喜欢的产品,开展个性化主动营销服务;制定相应的个性化产品营销策略,从而提高产品销售的数量及产品推荐的成功率。利用从亚马逊网上书城获取的数据进行实验,验证了综合 EM聚类和用户评分方法具有较好的推荐效果。     

信任传递的矩阵分解推荐算法

针对协同过滤推荐系统中数据稀疏性导致推荐准确性低下问题,提出信任传递的矩阵分解推荐算法.该算法利用用户社交网络的直接信任关系,基于信任传递思想,预测用户在社交网络中的间接信任关系,以解决社交网络信任关系的稀疏性问题.该算法使用填充后的社交网络信任数据,预测填充用户评分数据,以解决用户评分数据的稀疏性问题;将处理后的用户评分数据在基于正则化迭代最小二乘方法推荐系统中进行应用,取得良好效果.实验结果表明：使用Epinions数据集,相比传统的矩阵分解算法,该算法的平均绝对误差下降了10.77﹪.     

论开放教育教学资源的智能推荐技术

教学资源是现代教育教学的重要素材,随着教学资源越来越丰富,学生如何快速查找或发现感兴趣的教学资源就显得越来越重要。在构建教学资源模型和用户模型的基础上,针对教学资源和用户特点,采用基于用户和项目推荐算法的混合协同智能推荐算法来实现教学资源的智能推荐。