基于深度神经网络的个性化推荐系统研究

为了有效地提升海量文献信息检索过程中的用户个性化满足程度,该文设计了一个全新的个性化推荐系统.在这个系统中,核心算法是基于深度神经网络的个性化推荐方法.此方法构建的深度神经网络,包含了嵌入层、编码层、个性化特征融合层、解码层4个层次,从而准确地反应用户的个性化需求并完成查询推荐.以基于DNN网络的文献检索方法、基于Segnet网络的文献检索方法、基于Seq2Seq网络的文献检索方法为对比算法,针对计算机、通信、机械、电气、建筑、历史、政治、经济、数学、英语10类文献数据进行查询推荐实验,比较4种方法检索结果与用户需求的吻合程度.实验结果表明:该文提出的基于深度神经网络的检索方法,其检索结果的用户个性化需求吻合度高于其他3种方法近10个百分点,对于英语类文献检索结果的个性化需求吻合度,甚至达到了90.2%,这充分说明了该文提出的检索方法和构建的个性化推荐系统有效.     

数字图书馆个性化推荐系统研究

互联网技术的迅猛发展使数字图书馆成为现代图书馆建设的一个重要维度,为读者提供更加优质的信息加工和组织服务方式成为数字图书馆发展的重要方向,基于读者兴趣和使用习惯的个性化推荐系统应运而生。数字图书馆个性化推荐服务主要包括个性化定制服务、个性化推送服务和数据挖掘及决策服务。数字图书馆个性化服务需要通过相应的系统来实现,该系统一般包括用户行为数据收集模块、用户兴趣偏好数据分析模块和算法实现及推荐模型模块。现代智能搜索技术、数据挖掘技术和信息推送技术为数字图书馆个性化推荐系统的实现提供了技术保证。     

基于LBS的O2O电子商务个性化推荐方法研究

随着O2O电子商务规模的不断扩大,O2O电子商务个性化推荐方法也成为研究热点。基于位置的服务(LBS)是O2O区别于传统电子商务的一个重要特点,因此在O2O电子商务个性化推荐中引入位置信息显得尤为重要。本文分析已有的电子商务个性化推荐技术,提出一种基于LBS的O2O电子商务个性化推荐系统架构,并在此基础上提出了一种基于LBS的O2O电子商务个性化推荐的方法和思路,以期提高O2O电子商务中个性化推荐的效率。     

基于蚁群算法的协同过滤推荐技术

协同过滤推荐技术是当前最成功的个性化推荐技术,并且已经广泛应用于个性化推荐系统中。考虑到用户的推荐时间、推荐人数都是影响推荐准确度的重要因素,提出了一种基于蚁群算法的动态协同过滤推荐方法。当系统产生推荐项时,该算法不仅考虑每项的评分,而且考虑每项上信息素强度。实验结果表明,该算法可以显著提高传统过滤推荐系统的推荐质量。     

个性化推荐攻击检测模型研究

协同过滤是最核心、最典型的个性化推荐技术，广泛应用于电子商务，但其推荐结果对用户偏好信息的敏感性使得推荐系统易受到人为攻击，电子商务推荐安全成为个性化推荐能否成功应用的关键。作者先简要介绍了个性化推荐及推荐攻击的基本概念；而后分析比较了各种攻击检测模型。     

基于Web挖掘的网络学习个性化系统的探索

网络学习的一个方向是个性化学习问题。引入个性化后的网络学习系统是一个智能化的系统。基于Web挖掘的网络学习中个性化推荐系统,保证在教学过程中,异地教师与学生、学生与学生间的双向或多向实时交流,从而实现个性化服务的过程。     

基于用户兴趣变化的高校图书馆个性化图书推荐研究

在众多个性化推荐技术中,协同过滤算法作为一种适用范围广、推荐质量高的算法,在电子商务领域得到了广泛应用,近年来被不少学者引入到图书馆个性化推荐的研究中。然而高校图书馆系统与商业系统相比,普遍存在用户信息少、项目评分严重缺失的问题,极大地影响了个性化推荐的准确率。针对以上问题,文章从高校读者属性和行为特征出发,建立用户兴趣模型,将读者阅读兴趣划分为长期兴趣和短期兴趣,基于用户兴趣度优化项目评分矩阵,进行协同过滤图书推荐。     

基于用户的农产品协同过滤推荐系统的设计与实现

作为缓解信息过载问题的主要手段,个性化推荐技术已经得到广泛的应用。随着农产品电子商务技术的发展,如何将最新的个性化推荐技术应用到农产品的推荐,促进农产品电子商务的发展,是一个非常重要的问题。本文在对电子商务推荐系统原理分析基础上,重点深入探讨了当前应用最为广泛的协同过滤推荐技术。在此基础上,针对农产品的特点,设计并实现了一个基于用户的农产品电子商务协同过滤推荐系统。为提高用户评分的积极性,系统采用一定的激励评分机制,以缓解数据稀疏性问题。系统界面简洁,操作简单,实现了对农产品的有效推荐。     

移动环境下个性化新闻推荐系统研究

网络上时刻都有大量新闻不断涌现,为帮助手机用户在海量信息中快速准确获得感兴趣内容,文章提出一种移动环境下个性化新闻推荐系统并设计了系统构成,系统采用影响用户阅读选择的相关因素构建特征,并基于XGBoost算法构建个性化推荐模型。以期为后续研究提供借鉴或参考。     

智能推荐系统在个性化数据挖掘中的应用研究

现今家庭数字化已经是大势所趋,网络信息技术也已然融入到了我国的千家万户中,进而推进大数据时代的到来。在当今时代背景下,如何在海量的信息中为用户筛选出具有个性化、智能化的数据不仅是当前推荐系统所要攻克的重要难题,实质也是其发展机遇。智能推荐系统兴起不久,乃是一项新兴科技,该类系统能够智能化地分析用户的个人信息、行为偏好与社会关系等因素,并有效为用户推荐出合适的数据。鉴于此,本文将基于协同信息筛选技术,并结合个性化数据挖掘技术,构建研究一个智能推荐系统,相信对于智能推荐系统的进一步普及与发展具有一定积极作用。     

基于分类算法的农产品电商推荐系统的设计与实现

随着电子商务的飞速发展,传统的电子商务技术已无法满足人们对农产品的个性化需求。如何在种类丰富的农产品中,快速定位,成为当前农产品电商亟待解决的问题。本文从农产品数据推荐需求出发,以分类算法为基础,设计了一种基于个性化推荐算法的农产品电商系统,实现了农产品的个性化推荐,提高了农产品电商的转化率。通过推荐,缩短了用户的筛选时间,提升了用户体验。     

个性化新书推荐系统的设计与实现

以读者的借阅记录数据为基础,运用SPSS数据挖掘工具进行聚类分析,挖掘出与读者专业相关的图书类别。通过设计个性化新书推荐系统,将读者的个性化专业图书与入馆新书进行关联与匹配,生成个性化的新书书目,以邮件方式推荐给读者。     

高校图书馆主动式个性化书籍推荐系统设计

在数字化和网络化环境下,高校图书馆应用书籍推荐系统为用户需求已成为趋势.针对高校图书馆主动式个性化书籍推荐系统进行设计,阐述了系统架构和功能,详细介绍了系统的关键功能.实际应用表明,该系统能够准确定位用户的阅读兴趣领域,有效减少用户查询和检索信息的时间,从而为用户提供主动武个性化服务.     

个性化推荐技术在学科服务中的应用研究

简要介绍了个性化推荐技术的概念及基本功能,从4个不同方面探讨了个性化推荐技术在学科服务中的应用,举例阐述一个基于个性化推荐技术的网络数据库培训推荐服务的应用,表明个性化推荐技术在学科服务中具有重要的应用价值。     

WEB挖掘在农业信息网站个性化服务中的应用

针对个性化推荐及个性化检索服务,给出了基于WEB挖掘的农业信息网站个性化服务系统框架,对系统中涉及的用户兴趣建模、WEB使用挖掘、WEB内容分类等关键技术进行了讨论。     

多Agent策略下的农业电子商务个性化推荐模型和接纳度研究

伴随着电子贸易和智慧农业的发展,越来越多的购买者通过农业电子商务体系进行农产品贸易,而个性化推荐能够给网络购买者提供便利。采用调查问卷的方式分析农产品购买者偏好,进而设计出多智能体(Agent)策略下的农业电子商务个性化推荐整体和各部分架构;采用协作过滤完成推荐数据和隐性反馈分析,进而采用SPSS 18.0结合信度和聚类方法分析本研究系统的接纳度。结果表明,易用度、有用度、舒适程度、感知安全和社群作用均对购买者接纳个性化推荐有正向作用,并给出完善推荐系统的建议。     

高校图书馆主动式个性化书籍推荐系统设计

在数字化和网络化环境下，高校图书馆应用书籍推荐系统为用户需求已成为趋势。针对高校图书馆主动式个性化书籍推荐系统进行设计，阐述了系统架构和功能，详细介绍了系统的关键功能。实际应用表明，该系统能够准确定位用户的阅读兴趣领域，有效减少用户查询和检索信息的时间，从而为用户提供主动式个性化服务。     

数字环境下个性化信息服务研究

介绍了数字环境下个性化信息服务的特征,系统阐述了个性化信息服务的主要内容:用户研究、定制机制和推荐机制,并指出了实现个性化信息服务系统的关键技术,最后给出完整的个性化信息系统模型及系统实施的关键点。     

新型B2B2C电子商务模式在促进鲜活农产品物流信息管理中的应用研究

提出了鲜活农产品流通的B2B2C电子商务模式,分析了该模式的系统功能及优势。在鲜活农产品物流运作过程中构建并运用电子商务B2B2C模式,有利于加快鲜活农产品流通,以最小的消耗获得最大的收益。     

三种核酸提取试剂盒效果比较试验

比较三种核酸提取试剂盒效果,取2400μL稀释好的猪繁殖与呼吸综合征活疫苗,分为12份,200μL/份。将12份样品分为4组(A、B、C1和C2),每组3个样品,分别用A、B、C三种试剂盒(共四个批次)进行提取。A和B试剂盒各提供一个批次,C试剂盒提供2个批次(C1和C2)。用超微量核酸分光光度计测定四批次的RNA含量;用实时荧光定量RT-PCR扩增提取的RNA。发现三种试剂盒提取RNA效果有明显差异。提取的RNA含量分别是1.7 ng/μL(A组)、4.4 ng/μL(B组)、3.3 ng/μL(C1组)、4.1ng/μL(C2组)。荧光定量检测的Ct值分别为23.49(A组)、21.71(B组)、24.97(C1组)、25.29(C2组)。结果显示:B试剂盒相对较好,推荐使用B试剂盒进行核酸提取。