基于数据挖掘的开源电子资源访问行为统计模型

为了解决当前图书馆资源个性化推荐过程中存在推荐的准确率、召回率以及效率较低的问题,采用二维距离模型构建用户社区模型,用于描述访问用户与图书馆开源电子资源之间的关系,并对互联网用户需求和访问行为进行模糊规则推理.依据互联网用户属性和图书馆资源访问需求属性之间的模糊规则,建立图书馆开源电子资源访问行为统计模型,并利用该模型向用户提供个性化推荐服务.仿真结果表明,所建模型的推荐召回率高达98. 4%,推荐准确率为99. 2%,运行时间小于0. 04 s.所建模型能够为互联网用户提供准确、高效地图书馆资源个性化推荐服务.     

基于用户兴趣的电子商务推荐方法

针对数据稀疏性与推荐实时性的技术难题,在结合传统用户合作过滤推荐的基础上,提出了基于兴趣度向量模型的用户合作推荐机制.该方法合理利用了用户的人口统计信息,即用户提交给网站的注册信息,来辅助基于兴趣度向量模型的推荐方法,在提高预测精度的同时还可以解决推荐系统的新用户问题.采用MovieLens网站上提供的研究数据进行模拟推荐实验,通过对平均绝对偏差对比分析可得,兴趣向量模型的推荐方法在一定程度上比传统合作过滤算法有更高的推荐精度.     

基于用户行为反馈的用户兴趣模型更新算法

在个性化推荐系统中,用户模型是推荐系统的主要依据,模型的好坏直接影响推荐系统的质量。但是在实际的应用中,用户兴趣会随环境和时间发生变化,有可能推荐的商品已不满足用户当前的兴趣需求。本文提出了一种记录用户当前兴趣模型自我更新的算法,通过对用户历史访问数据建立用户兴趣模型,以时间为主线,统计用户当前兴趣。本文以Movielens电影数据集为数据源,在设计的个人推荐系统中应用基于用户行为反馈的用户兴趣模型更新算法,有效缓解了用户兴趣偏移的问题,提高了推荐质量。     

面向服务推荐的QoS成列协同排序算法

针对传统基于服务质量(QoS)预测的推荐方法较少考虑服务间的排序对产生推荐列表的影响,不能准确体现用户偏好的问题。本文提出了一种基于QoS排序学习的服务推荐算法,选用计算复杂度较低的成列损失函数来优化矩阵因式分解模型,并通过挖掘用户间的近邻信息来进一步提高QoS排序的准确性。在真实数据集上的大量实验表明,该算法具有良好的性能。     

基于日志挖掘的检索推荐系统

目的为了有效地预测用户在信息检索过程中可能点击的检索结果,从而进行网页的智能推荐.方法采取网络日志挖掘的技术,通过词频信息和知网（HowNet）中词的概念计算模型计算网页文档间的主题相关度,再将该语义信息与统计模型计算的条件概率值相结合,以此作为网页推荐的依据.结果提出了一种检索推荐统计模型,并构建了相应的原型系统,实验表明该方法显著提高了推荐系统的准确率.结论这项技术有效地提高了推荐结果与用户信息需求的相关程度,使推荐系统的性能获得了较大地提高,可以很好的应用于信息检索的智能推荐服务领域.     

基于用户关系挖掘的多策略推荐算法

个性化推荐服务为解决网络信息过载问题提供了有效手段。传统的推荐方法大多只关注于如何提高推荐的准确性,而忽略了推荐多样性对用户体验的影响。文章将社会网络用户关系挖掘应用于用户偏好预测及推荐中,提出了一种基于用户关系挖掘的多策略推荐算法。采用信任传播模型挖掘用户间的信任度,计算用户偏好配置文件的余弦相似性获得用户间的相似度,并给出4种将用户信任度、相似度结合的策略,在定义用户偏好预测函数的基础上采用Topn原则为用户给出推荐结果。实验结果表明,文章方法不仅减少了数据稀疏性的影响,而且兼顾了推荐准确性与多样性指标,提高了推荐系统的整体性能。     

语义相似性与协同过滤集成推荐算法研究

基于项目协同过滤算法能提高基于用户协同过滤方法的扩展性问题,并考虑项目之间的关系避免计算用户之间关系的瓶颈,但基于项目协同过滤算法依然存在稀疏性和新项目预测等问题。为了解决这些问题,该文采用了一种基于项目的结构化语义信息的集成相似性算法。为了抽取项目的语义信息,通过本体学习建立特定领域本体并利用包装器代理从网站中抽取本体类的实例和项目属性。实验结果证明了此方法不仅能很好的解决基于项目协同过滤算法带来的问题,而且还提高了推荐精度。     

适应用户需求变化的前摄推荐模型

为了减少前摄推荐对用户当前活动可能产生的干扰,提出一种适应用户接受度变化的前摄推荐模型,感知用户对系统主动的信息推送是否有潜在需求以及需求的波动性,以提高用户体验。使用接受度向量来评估用户对信息推送的需求,应用决策树算法对用户历史上下文进行规则推理,形成用户对上下文推荐的接受度向量,并根据上下文变化和用户反馈来调整推荐接受度向量。试验结果表明,模型能够响应用户对推荐的动态变化,有助于改善用户体验。     

评分预测问题中个性化推荐模型的研究

评分预测问题的主要任务是通过分析用户的历史评分数据集,预测给定用户对新物品的评 分,是推荐系统中最热门的问题之一．评分数据表征了用户对物品的明确观点,具有很高的挖掘价 值．在对平均值预测模型、基于用户的邻域模型（ＵｓｅｒＣＦ）以及基于奇异值分解的模型（ＳＶＤ）等进 行了全面分析和研究的基础上,对各个模型进行了不同程度的改进,最后使用ＭｏｉｖｅＬｅｎｓ的公开 数据集将传统模型和改进后的模型进行对比测试．测试结果表明：改进后的新模型相比传统的推荐 模型在推荐结果的精度上有了不同程度的提高．     

分布式信息资源发布订阅推荐模型研究

针对现有网络信息资源分布式特征和语义搜索的要求,提出一种应用发布/订阅技术实现信息资源语义推荐模型。资源以消息方式发布到分布式模型系统中,用户的个性化要求通过订阅方式存储在查询本地,实现将用户被动搜索信息变为系统主动推荐个性化的信息服务的转变,同时应用语义Web技术实现基于内容的信息匹配。该系统模型改变了现有基于网页搜索信息资源的方式,更易于部署,实验结果表明,该模型比传统的网页推荐模型信息匹配准确率更高。     

注意-情绪协调的个性化信息推荐模型

在分析注意、情绪及两者关系的基础上，提出了注意-情绪协调模型，并以情绪唤醒选择性注意. 在北京旅游信息推送服务中，综合考察用户的注意、情绪和信息的语义特征，提出了注意-情绪协调的个性化信息推荐模型. 通过在推荐模型中加入情感风格，整合信息资源，使信息呈现方式适应用户的注意选择性特征，为个性化信息服务和新型人机交互提出了一种新思路。     

语义环境下个性化推荐系统建模

为解决现有个性化推荐系统中缺乏对语义信息处理能力的问题,建立了语义推荐系统模型,使用描述逻辑实现了该模型,并给出了推荐算法。在实现模型的过程中引入了两条规则实现了概念层次关系在兴趣程度和关联程度上的传递。实验证明,通过将用户的兴趣和待选资源的相关概念在语义层面进行适当扩展,语义推荐系统模型能产生更多符合用户兴趣的推荐项目。     

基于隐语义模型的推荐算法研究

针对传统推荐算法用户兴趣值低、准确性差的问题,提出基于隐语义模型的推荐算法研究。首先对隐语义模型数据特征值进行采集,获取用户的个性化喜好信息,并针对采集到的特征数据及搜索关键词,进行不同信息之间的关联性数值的判断和分类处理。在此基础上,根据判断和分类处理结果对不同层次的信息进行推荐排序处理,优化模型信息推荐步骤,实现隐语义模型信息推荐。实验研究结果表明,基于隐语义模型的推荐算法的用户兴趣值高于其他传统推荐算法,且信息推荐的准确性较高。     

融合文本信息的轻量级图卷积网络推荐模型

在基于图卷积网络的推荐模型中,图卷积对仅包含编号信息的输入节点进行信息聚合会引发严重的瓶颈问题,影响推荐精度.为缓解此问题,考虑通过辅助信息丰富节点特征,提出了一种融合文本信息的轻量级图卷积网络推荐模型.模型把卷积神经网络提取出文本评论特征添加到图的节点嵌入中.为了简化图卷积网络结构,采用轻量级图卷积框架将融合的特征信息在用户-电影项目图上线性传播来学习用户和电影项目的嵌入,并将所有图卷积子层上特征嵌入的加权总和作为最终特征输出,用于预测评分.3个实际数据集上的实验结果表明,该方法可以缓解信息聚合瓶颈问题,提高推荐的准确度,并且模型可以缓解推荐中的冷启动问题.     

网络不良信息检索特征模型的研究

针对目前大部分搜索引擎没有结合用户的个性化兴趣模型的缺点,提出一种基于个人兴趣的不良信息模型。模型首先将系统的搜索历史、浏览内容、操作行为等数据存人不良信息模型数据库,然后利用数据挖掘方法对网络监管部门的兴趣领域进行挖掘,形成不良信息模型来为不良信息搜索引擎提供专业化服务。实验结果表明：信息模型结合具体算法有良好的准确度和伸缩性,能够达到准确理解用户搜索意图的目的     

基于自主化情报定制的新型发布/订阅系统研究

情报按需分发技术是网络中心战中发挥信息优势、形成决策优势和作战优势的关键技术.针对目前战场情报分发的特点,建立了一个基于自主化情报定制的新型发布/订阅系统模型,并对情报用户兴趣模型建立、更新以及情报推荐算法等系统实现的关键技术进行了研究.与其他发布/订阅系统相比,基于自主化情报定制的新型发布/订阅系统更适合现代战场海量信息、动态、复杂的本质,可以提高指挥员的决策效率.     

基于用户评论挖掘的产品推荐算法

针对电子商务推荐系统中,互联网“信息过载”所造成的难以精确定位用户兴趣并提供准确产品推荐的问题,通过深入挖掘电子商务社区中丰富的用户评论信息,开发产品特征提取算法,建立用户兴趣偏好模型,结合用户历史评分数据来改善传统协同过滤推荐算法的推荐准确性;利用相似度传递技术在一定程度上缓解推荐系统中数据稀疏性带来的问题.实验结果表明,在数据稀疏的情况下,该算法仍可较好地拟合用户对产品的兴趣偏好,并在推荐准确性方面较传统的协同过滤算法有明显的提高.     

基于点击图特征的稀疏广告点击率预测方法

为更全面地反映用户个人偏好,提高推荐的准确度,提出了一种融合多源异构数据的混合推荐模型.综合考虑了用户社交关系和用户评论对用户评分的影响,从评论中提取主题信息作为用户和商家的特征,采用社区发现算法为用户划分社区,利用机器学习方法为社区建立模型,预测用户对商家的评分,再根据评分对商家进行排序,取前N个商家推荐给用户.实验结果表明,提出的混合推荐模型与经典推荐算法相比,可提高评分预测的准确度,从而提高推荐的准确度.