混合算法用于学习资源的自动推荐

提出一种基于决策树和BP网络的混合算法。采用决策树挖掘学生初始学习能力的行为模式以及应用BP神经网络算法评价用户的学习程度，以学习者对资源的掌握程度形成个性化的学习模式，并自动地对其将要学习的后继知识进行预测以及合理推荐。理论分析和实验结果都表明，该算法具有显著的推荐能力。     

基于深度学习的Java课程思政资源个性化推荐系统研究

常规Java课程思政资源个性化推荐系统的推荐效果不佳，因此提出基于深度学习的Java课程思政资源个性化推荐系统。首先设计资源存储器和资源处理器等系统硬件，其次基于深度学习算法构建个性化推荐模型，最后结合数据库及课程资源管理模块完成系统软件设计。测试结果表明，设计的系统能够实现课程资源的个性化推荐，推荐资源与用户需求资源之间的适配度更高。     

基于组合推荐技术的学习资源个性化推荐研究

通过调查发现,E-learning支持系统无法有效地向学习者个性化地推荐学习资源。为了进一步提高推荐系统的性能,本文尝试将协同过滤推荐技术引入学习资源的个性化推荐研究中。协同过滤推荐技术是一种应用最为广泛的个性化推荐技术,然而其面临着冷启动、数据稀疏性问题、规模可扩展性等问题。本文通过介绍协同过滤推荐技术的工作原理、实现方法及存在问题,提出了一个优化的基于协同过滤技术的学习资源个性化推荐系统的理论模型,重点讨论了隐式评分机制和算法的实现,以提升推荐系统的实时响应和推荐精度。     

基于知识图谱的高校创新创业资源个性化推荐方法

针对高校创新创业资源个性化推荐结果的召回率不高的问题，提出基于知识图谱的高校创新创业资源个性化推荐方法。首先，抽取互联网中的创新创业资源知识，基于知识图谱建立语义匹配矩阵；其次，计算三元组向量及特征矩阵，得到对应的语义匹配矩阵；最后，构建兴趣模型，设定个性化推荐参数，实现高校创新创业资源个性化推荐。实验结果可知，该方法的平均召回率为0.2612，较其他方法高0.07～0.08，能够有效提高推荐结果的召回率。     

一种社会化标注系统资源个性化推荐方法

目前许多基于社化化标注的个性化资源推荐方法均忽视了用户长短期兴趣和多义标签问题对推荐的不同影响,为此,设计区分用户长短期兴趣的指标——用户的标签偏好权重和资源偏好权重;在此基础上,提出一种结合基于内容和基于协同过滤方法优点的混合推荐方法,通过加入标注相同资源的标签向量相似度计算因子,来减小多义标签对推荐结果的影响。实验表明,将该方法引入社会化标注系统资源个性化推荐算法中,能提高推荐精度。     

基于内容与协同过滤的混合推荐算法在数字科技馆中的应用

推荐系统作为一种筛选信息的工具，可以更加有效地解决“信息过载”问题，以个性化的方式提供满足用户需求的内容。本文根据基于内容的推荐算法和基于用户的协同过滤算法优缺点，将两种算法相结合，构建出基于混合算法的推荐系统，改善了数据稀疏性问题。具体介绍了混合推荐系统的设计思路和实现方法，在中国数字科技馆网站建设中进行应用。解决了网站科普资源个性化匹配不精准、优质资源曝光度不够等问题。     

远程培训中个性化学习资源推荐算法

本文提出一种基于标签的多因素推荐算法.用户可以根据自己的需求,进行因素自定义和优先级排序,算法先根据用户初始化信息选取资源,随后分析用户行为数据更新用户所属的群及用户的喜好,再通过用户与项目相似度计算、项目关联度计算为用户推荐所需资源.算法模型采用分类组合得出结果,降低了相似度计算的复杂度.将算法应用于企业远程培训平台的个性化学习模式中,结果表明,该算法较好地改善了用户个性化学习资源的推荐效果.     

物联网中的推荐算法研究

本文在全面研究各类推荐算法的基础上,提出了基于物联网的推荐算法。该算法结合了基于内容的推荐和协同过滤推荐,综合考虑了物联网中设备的资源与资源相似性、设备与设备的评分矩阵,并基于用户与用户之间的相似性预测评分,给出推荐结果。     

基于标签系统中聚类分析的个性化推荐算法

随着YouTube、Flickr和Last．fm等社会化网络的兴起,标签系统在日常生活中扮演着越来越重要的作用．为了给用户提供更优质的推荐,分析用户为不同资源打标签的行为就显得尤为重要．本文将主要的社区发现算法应用到标签系统中的聚类分析中,并比较它们在不同数据集上的表现,设计出针对标签系统的个性化推荐算法．实验结果表明,本文提出的算法能很好的发现不同用户的兴趣,提高推荐系统的质量．     

基于Web使用挖掘的个性化学习推荐系统

针对当前E learning推荐系统存在的问题，引入多Agent（MAS）系统，提出一种基于Web使用挖掘的集成MAS与Web services的分布式智能推荐系统模型。该模型能动态生成基于用户使用信息的个性化链接页面，有效地帮助学员找到所需的资源信息。提出了一种基于最近最少使用策略的系统推荐算法，包括系统整体实现算法、系统聚类算法及推荐算法。实时性能分析显示该系统运行性能良好。     

一种核的上下文多臂赌博机推荐算法

个性化推荐服务在当今互联网时代越来越重要，但是传统推荐算法不适应一些高度变化场景。将线性上下文多臂赌博机算法(linear upper confidence bound, LinUCB)应用于个性化推荐可以有效改善传统推荐算法存在的问题，但遗憾的是准确率并不是很高。本文针对LinUCB算法推荐准确率不高这一问题，提出了一种改进算法K-UCB(kernel upper confidence bound)。该算法突破了LinUCB算法中不合理的线性假设前提，利用核方法拟合预测收益与上下文间的非线性关系，得到了一种新的在非线性数据下计算预测收益置信区间上界的方法，以解决推荐过程中的探索–利用困境。实验表明，本文提出的K-UCB算法相比其他基于多臂赌博机推荐算法有更高的点击率(click-through rate, CTR)，能更好地适应变化场景下个性化推荐的需求。     

个性化信息推荐方法研究

随着信息技术和互联网的发展,人们进入了信息过量且愈发碎片化的时代。当前,个性化信息推送是用户获取网络信息的有效渠道。由于信息的更新速度快和用户兴趣更新等问题,传统的推荐算法很少关注甚至忽略上述因素,造成最终的推荐结果欠佳。为了给用户更好的个性化推荐服务,论文首次引入截取因子,提出了组合推荐算法（CR算法）。该算法的实质是将截取因子引入到基于内容的推荐算法与基于用户的协同过滤算法中,进而生成混合推荐算法。在推荐列表中,CR算法产生的推荐结果由两部分组成:一部分由混合推荐算法生成,另一部分由基于用户的协同过滤算法生成。根据信息的发布时间,决定该信息由哪类算法产生推荐:当浏览时间与当前时间的间隔不大于某个值时,采用混合推荐算法;否则,直接采用基于用户的协同过滤算法。基于真实数据的实验结果表明,CR算法优于同类算法。     

改进填补法和多权重相似度相结合的推荐算法

针对传统推荐算法中存在的数据稀疏性问题,国内外许多研究人员都提出了相应的推荐算法。然而,在个性化推荐方面,其中大多数并没有取得很好的推荐效果。因此,提出改进填补法和多权重相似度相结合的推荐算法,该算法首先采用改进填补法填充缺失值并对数据降维,接着分别计算社交网络用户信任度和改进的二部图用户关联度,最后采用多权重因子将这两者相似度进行结合。基于此,该算法根据相似度高低获取邻居用户并对目标用户进行商品推荐。实验结果表明,在数据稀疏性以及个性化推荐情况下,该算法的平均绝对误差（MAE）优于其他推荐方法。     

基于网络和标签的混合推荐算法

基于网络结构的推荐算法利用用户与项目间的结构关系进行推荐,忽略了用户偏好,而项目的标签隐含了项目的内容及用户的偏好,提出一种基于网络结构和标签的混合推荐方法。算法根据用户选择项目的标签统计信息,分别采用TF-IDF和用户对标签的支持度两种方法构建用户偏好模型,与基于网络的推荐模型进行线性组合推荐。通过在基准数据集MovieLens上测试证明,该算法在推荐结果命中率、个性化程度、多样性等方面均优于基于网络的推荐算法。     

基于知识图谱和用户长短期偏好的个性化景点推荐

基于序列化的推荐算法在多个领域取得了不错的效果,但仍存在一些问题,如没有考虑所有项与项之间的关系,推荐准确度会大大降低。因此提出一种基于知识图谱和用户长短期偏好(KG-ULSP)的个性化景点推荐方法。通过引入知识图谱,使用网络表示学习方法,学习景点的特征向量表示,使得具有相似结构和相似属性的景点在低维特征空间中的距离比较近,以此表示他们的高级语义特征。然后利用门控循环单元GRU对已学习到的景点特征向量进行序列化信息建模,进一步抽取景点的访问序列特征。另外,考虑到用户偏好可能随时间发生变化,KG-ULSP模型同时学习用户的长期偏好和短期偏好,最终预测并返回用户可能感兴趣的推荐列表。通过在真实旅游数据上的实验,验证了所提方法的有效性。     

一种基于用户情境聚类的个性化推荐算法

面向基于情境感知的推荐问题,提出一种基于用户情境聚类的个性化推荐算法。该算法利用情境预过滤的思想,首先运用模糊聚类的方法对历史数据集中用户的情境进行聚类,构造与当前用户情境相似度较高的用户集合,再与传统的基于用户的协同过滤算法相结合进行个性化推荐。实验采用公开数据集,结果表明该算法在多维情境信息条件下可用,并且推荐准确度要高于传统协同过滤算法,在聚类粒度不同的情况下对推荐结果也会产生不同的影响。     

个性化的自主学习模型研究

自主学习系统是现代远程教育系统的重要内容。本文通过分析自主学习的特点,构造个性化的自主学习模型,并对学习材料的组织、推荐模型进行研究。目的是为学习者推荐有针对性的学习材料,提高学习者的学习效率。     

基于本体的Web资源个性化推荐算法

为提高Web资源推荐的准确度,提出基于本体的Web资源个性化推荐算法(BO-RM)。设计Web资源主题抽取算法和相似性度量方法,利用本体语义推理机制实现资源聚类,在推荐过程中通过实时分析用户浏览行为捕获用户个性化偏好的变化,动态实时推荐内容。与基于情境的协同过滤算法（CFR-RM）和基于模型的个性化预测算法（BM-RM）进行对比,结果显示BO-RM的时间开销相对稳定,在平均排序倒数(MRR)和平均准确率(MAP)上均取得了较好的效果。实验结果表明:BO-RM离线完成海量Web资源的分析聚类,有效提高了运行效率,实用性比较强;BO-RM实时捕捉用户兴趣变化,动态更新推荐列表,更加贴近用户的真实需求。     

基于知识点层次图的个性化习题推荐算法

针对海量习题带来的信息过载导致学习针对性不强、效率不高等问题,提出了基于知识点层次图的个性化习题推荐算法（a personalized exercises Recommendation algorithm based on Knowledge Hierarchical Graph,ReKHG）。借鉴课程知识点体系结构的特点,构建了表征知识点层次关系的权重图,该权重图有效反映知识点间的层次关系。根据学生对知识点的掌握情况,在知识点层次图的基础上提出了一种个性化习题推荐算法。该算法通过更新学生-知识点失分率矩阵,获取学生掌握薄弱的知识点,以此实现习题推荐。实验结果表明,ReKHG算法能够针对性给学生推荐适合的习题。     

基于多权重相似度的随机漫步推荐算法

在传统个性化推荐算法的基础上,提出了一种基于多权重相似度的随机漫步推荐算法。为了解决传统协同过滤算法中忽略了社交网络、热门项目以及共同评分项目之间影响等问题,通过引入万有引力公式计算社交网络中的用户相似度,并对传统协同过滤算法中的相似度进行改进,采用权重因子结合这两者相似度,最后开拓性地结合随机漫步算法进行商品推荐。实验结果表明,提出的算法具有比其他推荐算法更好的推荐性能。