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。     

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.     

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。     

基于协同过滤算法的高校图书馆图书推荐系统研究

基于协同过滤算法是个性化推荐系统中最基本、最常用的一种,而传统的基于用户的协同过滤算法存在着用户冷启动和高推荐率等问题。笔者针对目前图书推荐协同过滤算法运用中存在的问题,并根据高校图书馆的实际情况,提出相应的改进措施。笔者利用学生网络日志和读者借阅记录对用户进行相似性分析,有效解决了用户“冷启动”的问题,提高了推荐准确率。笔者利用时间衰减法建立用户兴趣模型,以便更好地关注用户的短期借阅行为,提高推荐准确率。与传统用户协同过滤方法相比,笔者提出了一种改进的用户协同过滤方法。结果表明,改进后的用户协同过滤方法具有更好的性能。     

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。     

基于区块链技术的公立医院财务审计平台设计

公立医院现有的财务审计平台的协同过滤机制不够完善,导致数据集聚类纯度较低,为此,文章设计基于区块链技术的公立医院财务审计平台。设置公立医院财务数据采集转换模式,提取数据属性特征,利用区块链技术协同过滤审计任务,构建相异度矩阵匹配平台服务功能模块,匹配区块链账本以及用户信息列表内容。实验结果表明在五种数据集长度条件下,本文所设计的公立医院财务审计平台的聚类纯度均值为72.37%,比其他两种现有审计平台分别高出12.71%、12.824%,证明本文所设计的审计平台聚类纯度更高。     

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。     

基于模糊识别算法的财务指标分析系统的设计

本文利用数据挖掘技术,设计了一个具有财务分析和数据挖掘功能的财务指标分析系统,以便为企业决策层提供快速的财务分析支持。在指标分析模块中使用了模糊识别算法。该算法是利用训练样本集的模糊识别矩阵计算出模糊聚类中心矩阵,再利用模糊聚类中心矩阵反算出测试样本集的最优模糊识别矩阵,从而克服了传统的模糊聚类算法只能聚类的缺点。     

基于主成分分析和灰色关联聚类分析的指标综合方法研究

在进行多指标分析和评价的过程中,首先对指标进行灰色关联聚类分析,将指标分成若干可以定义的类,每个聚类代表同一类指标;其次对每个聚类进行主成分分析,提取主成分,获得该类指标的主成分集合;最后基于权重思想综合所有聚类的主成分集合,形成既反映全体指标信息又体现指标聚类差异性的综合指标.通过一个算例说明该方法计算方便,客观合理.     

基于情境偏好知识超图的移动用户细分研究

构建了一个通用的用户细分模型,定义了用户情境偏好的概念和度量方式,采用情境偏好知识超图描述了用户间基于情境偏好相似性的多元弱关联,并基于超图分割实现用户细分,避免了一般聚类操作中用户间弱关联的丢失。应用该模型进一步构建了移动服务策略矩阵。最后通过实证验证了模型在用户细分和服务策略分析、制定上的适用性。     

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.     

基于新型图论聚类法的物流系统多设施选址策略研究

提出了一类基于图论的新型聚类算法并将其应用于物流系统中的多设施选址问题。与其他聚类算法相比,该新型算法聚类效率更高且具有更小的聚类树,从而使得有意义的聚类结果更加清晰。比较算例验证了该算法应用于多设施选址问题的高效性和实用性。     

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。     

基于意外度的关联规则深层知识发现及应用研究

为了弥补传统关联规则挖掘产生大量冗余规则、难以直接用于决策支持的不足,本文提出了一种基于用户已有知识的规则意外度评价方法,并在此基础上设计了基于意外度的深层关联规则挖掘算法。算法的优点在于能够将用户已知的规则作为领域知识加入到数据挖掘过程从而有效过滤和已知规则相近的冗余规则,并且可以将新得到的规则加入知识库中实现知识的积累和重用。最后本文采用一个商场数据验证了该算法的有效性,并且对具有回馈模式的关联规则在商品促销中的作用进行了分析。     

基于AR12的随机抽样样本选取算法在F1A薄膜蒸发器建模中的应用

本文将ART2聚类算法与随机抽样算法相结合,提出了一种新的样本选取算法,并通过样本空间分布图和原始样本空间分布图的对比,验证了该算法的有效性。最后将该算法应用于PTA薄膜蒸发器的神经网络建模过程。     

中国股票关联网络拓扑性质与聚类结构分析

复杂网络理论是研究股票市场内在结构和功能的有力工具,股票关联网络的拓扑性质和聚类结构对于理解网络的形成机制、发生在网络上的动力学行为具有重要意义.以中国上证180指数和深证100指数成分股票为研究标的,运用最小生成树算法和平面最大过滤图算法构建相应的股票关联网络,分析网络的基本拓扑统计性质和聚类结构.实证研究表明,平面最大过滤图关联网络为小世界网络,各关联网络内股票的影响强度服从幂律分布,股票之间存在的异类匹配模式揭示了市场内股票价格波动传导的过程,对最小生成树关联网络和平面最大过滤图关联网络的宗派和派系聚类分析能有效地挖掘股票之间的聚类结构信息,总体上看平面最大过滤图算法优于最小生成树算法,且实证结论对沪深股票市场具有普适性.