云计算平台下基于本体的推荐系统研究

电子商务异军突起,然而目前的推荐系统出现了冷启动、系统构建成本高等问题,云计算是分布式数据处理技术整合了更多的计算技术的新发展,从经典的电子商务推荐系统入手分析推荐系统的技术基础,对比分析基于云计算平台推荐系统的优势,构建云计算平台下基于本体的推荐模型,为个性化推荐服务改革带来了契机。     

基于平均差分的协同过滤推荐算法分析与研究

目前,协同过滤技术是个性化推荐系统中广泛使用的一种技术,该技术最大的优点是对推荐对象没有特殊的要求,能够处理非结构化的复杂对象,然而算法中普遍存在的数据稀疏性、可扩展性问题影响了算法的推荐效果。本文在分析了原有算法的基础上,提出了一个改进了的算法基于平均差分的组合推荐算法,这个组合算法在一定程度上缓解了原有算法的问题,提高了推荐系统的质量。     

农业云大数据自组织推送关键技术综述

“信息过载”是大数据时代农业用户发现感兴趣信息面临的一个严重问题,个性化推送是解决该问题的一个有力工具.本文提出了农业云环境下大数据自组织区域推送的必要性,同时阐述了当前几项热点关键技术,包括用户建模、推荐对象建模和推荐算法及云计算下个性化数据挖掘,并尝试给出了推荐系统未来研究的难点、重点和热点问题.     

基于Mahout的新用户推荐算法的设计与实现

为了解决大数据背景下新用户因没有历史数据而导致推荐难和推荐效率低等问题,提出将基于Mahout的协同过滤算法与基于MapReduce的Top N算法相结合的技术方法,来实现新用户推荐算法,从而构建新用户推荐系统的架构,并对Hadoop Top N算法以及Mahout中协同过滤算法进行设计与实现。理论分析和实验验证表明,该新用户推荐算法在推荐效率、对大规模数据处理的伸缩性以及推荐质量上都明显优于单独使用协同过滤算法的新用户推荐。     

基于知识图谱的人岗推荐系统构建

为解决传统人岗推荐系统存在的三个常见问题,即数据稀疏性、数据冷启动和数据利用率低,提出了基于知识图谱的人岗推荐系统构建方法。该方法通过改进传统推荐模型,将知识图谱作为辅助边信息融合到推荐系统中进行人岗推荐,有效解决了数据稀疏性和数据冷启动问题;引入知识图谱补全算法提高了数据利用率。提出的方法在人岗推荐上准确率可达92%,比现有人岗推荐方法准确率提高约1%。实验结果表明该方法是可行的,知识图谱的加入可以提升人岗推荐系统的推荐效果。     

云计算环境下基于协同过滤的个性化推荐机制

随着云计算时代的到来,应用数据量剧增,个性化推荐技术日趋重要.然而由于云计算的超大规模以及分布式处理架构等特点,将传统的推荐技术直接应用到云计算环境时会面临推荐精度低、推荐时延长以及网络开销大等问题,导致推荐性能急剧下降.针对上述问题,提出一种云计算环境下基于协同过滤的个性化推荐机制RAC.该机制首先制定分布式评分管理策略,通过定义候选邻居(candidate neighbor,CN)的概念筛选对推荐结果影响较大的项目集,并构建基于分布式存储系统的2个阶段评分索引,保证推荐机制快速准确地定位候选邻居;在此基础上提出基于候选邻居的协同过滤推荐算法(candidate neighbor-based distribited collaborative filtering algorithm,CN-DCFA),在候选邻居中搜索目标用户已评分项目的k近邻,预测目标用户的推荐集top-N.实验结果表明,在云计算环境下RAC拥有良好的推荐精度和推荐效率.     

大数据驱动的个性化服务智能推荐系统研究

大数据时代背景下,数据信息资源海量化,个性化智能推荐系统是有效解决由于海量数据信息超载的一种高级商务智能平台,它能根据用户的需求实施数据信息的个性化推荐。通过对大数据技术和人工智能概念进行梳理,给出了大数据驱动的个性化服务智能推荐关键技术,提出了系统架构,进一步提炼了大数据和人工智能的价值,使大数据技术和人工智能的价值有了新的体现。希望该研究能为大数据驱动下的智能推荐系统的研究者提供参考和借鉴。     

基于IRGAN模型和Hadoop的电影推荐系统的设计

随着近几年人工智能技术的飞速发展,深度学习技术在推荐系统领域中的应用也已经成为研究热点之一。尤其是生成对抗网络(GAN)作为无监督学习中最具前景的方法之一,在图像处理和自然语言等领域取得突破性进展。针对目前存在的电影市场规模扩大、观影用户数量增长过快以及电影资源更新频繁等带来的数据利用率低、系统压力大、实时性差等弊端,结合Hadoop、Spark和Kafka等大数据处理技术,设计基于IRGAN算法模型的离线推荐模块和基于在线用户行为数据收集处理的在线推荐模块。实现了基于IRGAN模型和Hadoop的电影推荐系统。测试表明,该系统具有良好的推荐准确性、稳定性和实时性。     

基于聚类分析的电子商务推荐系统

协同过滤技术可以通过分析客户群共同的消费品味来形成推荐。数据稀缺性问题是协同过滤技术面临的主要挑战。文章利用ROCK聚类算法提出了一种基于协同过滤技术的推荐系统模型,该模型可以有效地解决基于协同推荐的数据稀缺性问题。     

网上购物平台多推荐融合算法研究

推荐系统能帮助用户有效解决信息过载问题,现已被广泛应用于各大网上的购物平台.对用户而言,好的推荐算法能够帮助其从海量商品中快速准确发现符合自己需求的商品;对商家而言,及时呈现给用户恰当的物品能帮助商家实现精准营销,发掘长尾商品并推荐给感兴趣的用户以提高销售额.协同过滤、基于内容推荐是目前应用成熟的推荐方法,但这些方法存在数据疏散、冷启动、可扩展性差和多媒体信息特征难以提取等问题.因此,文中提出基于融合LR-GBDT-XGBOOST的个性化推荐算法,可有效缓解上述问题.在阿里巴巴天池大数据竞赛公开数据集上进行实验,结果显示,该算法降低了推荐稀疏性,提高了推荐精度.     

Spark平台下基于上下文信息的影片混合推荐

响应速度较慢和推荐内容与用户上下文信息匹配程度低是当前影片推荐系统迫切需要解决的问题。针对上述挑战,提出Spark平台下基于上下文信息的影片混合推荐方法。它利用分布式并行计算技术Spark进行加速,来提高系统对于海量数据的检索与计算速度,从而减少了系统响应时间。同时该方法将“上下文推荐”和“交替最小二乘的协同过滤（ALS）”融合成一种混合推荐方法,提高了系统的推荐精度。实验结果表明,所提出的混合推荐方法有不错的效果。     

基于SOA的继续教育信息综合平台的研究

介绍基于SOA架构的继续教育信息综合平台的开发方法和关键技术。它采用基于服务的架构整合网上各处的教育资源,有利于提高资源的利用率,减少开发成本。构建平台的关键是统一、开放的Web Service标准的采用,同时也有利于系统的扩充和第三方应用开发。该平台与云计算技术的融合将进一步扩大这种优势。     

基于用户行为挖掘的融合社交网络推荐模型

采用大数据处理技术和并行计算方法进行融合社交网络的用户行为特征的挖掘,实现社交网络智能推荐,提出一种基于用户行为挖掘的融合社交网络推荐模型。采用关联规则分布模型进行融合社交网络的用户行为特征检测,提取融合社交网络的用户行为的本体信息和关联规则项,构建社交网络的联合推荐的模糊决策模型,计算融合社交网络用户行为的联合信息熵特征值,采用模糊C均值聚类方法对提取的特征量进行分类识别,根据分类识别结果实现用户行为挖掘和融合社交网络的自适应推荐。仿真结果表明,采用该方法进行融合社交网络的用户行为特征挖掘的查准率较高,推荐的置信度水平较高。     

Adoption Intention of Cloud Computing at the Firm Level

Cloud computing is an advanced technology that firms can use to reduce costs and increase efficiency. However, most firms hesitate to adopt cloud computing. This study investigates the perceived risk of cloud-computing adoption at the firm level and whether cloud-computing knowledge affects adoption intention and decreases risk perceptions. We demonstrate that the knowledge of cloud computing decreases perceived risk, positively affecting the intention of adopting these services. In addition, this study demonstrates that finance, security, technique, and user risks can negatively affect the adoption intention for cloud computing. Finally, this study provides academic and practical advice.     

An evaluation method of outsourcing services for developing an elastic cloud platform

To gain and retain competitive advantages in a competitive business arena, a business cloud-computing platform should continuously strive to offer new services and remain competitive. Unfortunately, it becomes more and more recognized by the industry that a cloud-computing platform could not cover all aspects of IT layers engaged in infrastructure, platform and application. In practice, end users’ requests are nearly unlimited; while the services held by a cloud-computing platform is relatively limited, no matter in service category or in service capacity. In view of this challenge, an elastic cloud platform is investigated by recruited outside services that are absent from the cloud platform. Concretely, through dynamically hiring a qualified service on Internet to replace the absent service inside a cloud platform, an elastic cloud platform could nearly provide unlimited capabilities in an outsourcing service way, e.g., computing power, storage, application functions, etc. At last, the validity of the method is evaluated by a case study.     

基于云计算的电子政务一体化服务平台建设探索

云计算具备共享资源、灵活调度、业务协同、智能可靠等优点,适应电子政务节约化建设、智慧化管理的发展需求。为此,在研究基于云计算的电子政务服务模式的基础上,提出了建设政务云综合服务平台的设想,并具体分析了平台总体框架、功能组成以及建设原则。     

基于核估计的电子商务协作过滤方法

论文对电子商务推荐技术进行了讨论,针对电子商务推荐技术存在的问题,提出了一种基于核估计的协作过滤方法,首先将推荐项的评分设定为其他人对推荐项评分的平均值,然后利用主成分分析进行降维,最后采用基于核估计的思想对推荐项进行预测评分。实验表明,该方法可以有效解决在用户评分数据极端稀疏情况下传统相似性度量方法存在的问题,大幅提高推荐系统的推荐质量。     

基于相似用户好奇心的多样性推荐方法

推荐技术已经成为信息过载时代提供个性化服务的关键技术。由于推荐结果的多样性可以提升推荐效果,多样性推荐方法开始备受关注。针对现有基于朋友好奇心的多样性推荐方法中,诸如朋友、信任关系等难以获取及比较稀疏的问题,提出了基于相似用户好奇心的多样性推荐方法（SUC）。分析用户的真实评分,计算相似用户集;采用协同过滤方法,计算用户的预测评分;分析用户的真实评分和预测评分,计算用户的好奇心评分;融合预测评分和好奇心评分,计算用户的项目推荐列表。SUC方法不需要额外的用户关系信息,更具普适性。在五个真实数据集上的实验表明,与基准方法相比,SUC方法不仅提高了推荐多样性,同时也提升了推荐准确率、召回率和覆盖率。     

个性化推荐推荐系统中基于WEB 的挖掘

Intemet的普及和应用带来了WEB上的信息爆炸,如何基于WEB挖掘技术设计有效的信息推荐算法和推荐系统成为当前的研究热点。开发了一种基于WEB使用的推荐系统WRS（Web Recommendation System）,在该系统中,提出了一种利用图形分割技术聚类用户访问模式的算法,并采用最长公共子序列算法对用户目前的行为进行识别。理论分析和实验结果表明,改进后的模型在推荐质量上有了较大提高。     

基于模糊聚类的协同过滤推荐方法

推荐系统是利用用户的历史偏好信息实现个性化服务的系统,它已经成为电子商务和信息获取领域中的重要应用。文中提出了一种通过模糊聚类的方法将项目属性特征的相似性与基于项目的协同过滤推荐技术相结合的推荐方法,首先应用模糊聚类技术对项目聚类,得到项目在属性特征上的相似关系群,然后与用户一项目评分矩阵中的协同相似关系群组合得到综合相似关系群,最后,利用综合相似关系群为目标用户推荐项目。实验结果表明,该方法不仅可有效改善基于项目的协同过滤推荐算法面临的“冷启动”问题,而且确实提高了推荐系统的推荐精度。