综合隐语义模型和信任关系网络的个性化推荐

面对数量繁多的各种商品信息,大多数用户并不能从中迅速找到自己所需要的,而个性化推荐针对不同的用户给出不同的推荐信息,大大方便了用户的决策。文章对综合隐语义模型和信任关系模型的个性化推荐算法进行了研究。通过将信任关系网络与隐语义模型相结合,简化了运算量,提高了推荐效率和准确度。具体讨论了如何建立信任关系模型,并将其应用于推荐系统中。采用样本训练得到隐语义模型,并通过Epinions.com数据库验证该模型的有效性。     

基于隐马尔可夫模型的Web站点服务个性化推荐研究

基于隐马尔可夫模型开发了用户浏览兴趣迁移模式,该模式下Web站点能合理地推荐用户感兴趣的信息,加速用户对站点的访问,较好地解决了个性化网站的自适应问题.     

基于社交网络的群体推荐系统

电子商务以及社交网站的兴起加快了网络信息资源的增长速度,用户越来越难从海量数据中找到需要的信息。个性化推荐技术应运而生,它可以分析用户的历史行为信息,根据用户的偏好从海量数据中检索用户感兴趣的内容,并在实际应用中取得了良好的效果。     

电子商务网站用户体验信息个性化推荐应用研究

传统个性化推荐应用存在与用户实际需求信息匹配度低的问题,为此设计了一种电子商务网站用户体验信息个性化推荐方法。通过分析数据清洗工作流程,设计用户体验信息个性化推荐应用算法,并根据用户在网站上的相关行为,计算用户个性推荐项目相似度。整合用户对个性化推荐的反馈数据,提供用户在网站体验的个性化信息,以此完成对用户体验信息个性化推荐。此外,采用设计仿真实验的方式,验证了用户经过提出的个性化推荐后,在电子商务网站的平均浏览时长增多,证明推荐的个性化内容与用户的实际信息需求匹配度较高。     

社交网络大数据时代的用户兴趣层次化模型构建分析

随着社交网络的不断发展及普及,人们也逐渐活跃在一个或者多个社交网络中,这对研究用户的兴趣,为用户提供精准的网络推送提供了基础。目前,我国对此的研究有很多,但是社交网络整合信息的研究却较少,在如今大数据的环境下,社交网络的用户需求、兴趣也有了可能。基于此,基于大数据时代背景,提出了社交网络用户兴趣层次化模型的构建。     

IP网络上台阶的关键技术——IP QoS

因特网在过去几年所取得的巨大成就和未来所蕴涵的巨大发展潜力几乎没有人怀疑。当人们在思考未来因特网发展时,如何在IP网络上采用QOS技术保证用户信息传输的质量就成为一个不容忽视的重要问题。本文首先介绍流量管理措施和服务模型,最后探讨了在IP城域网中部署QoS的规划思路。     

染色机助剂智能配送系统的构建及实践

针对传统的染色机助剂配送系统配送误差大的问题,提出了一种基于推荐预停值和预计用时预测的多层全连接神经网络模型。首先,使用配送过程记录的数据训练网络模型;然后,将需要配送的数据代入训练好的网络模型进行计算,得到推荐预停值和预计用时,推荐预停值与经验预停值按照可变比例算法计算最终预停值,系统根据最终预停值决定配送阀的关闭时机,利用预计用时评估配送过程是否超时。最后,使用4种预停模式各进行1 000次的助剂配送验证实验。结果表明,采用神经网络模型预测模式的配送误差的标准差为23.8 g,平均绝对误差为16.1 g,优于其他3种预停模式的配送误差,取得了较好的助剂配送精度。     

基于生成式对抗网络的用户下装搭配推荐

为解决消费者由于频繁购入相似服装以及不知如何穿搭的问题,设计了一款智能搭配系统,为用户提供穿搭建议,减少重复购入相似衣服导致的浪费。利用爬虫技术获取大量中高端品牌的服装搭配数据,利用深度学习的新兴模型生成式对抗网络,对服装搭配数据进行学习,挖掘搭配的颜色、款式等视觉规律,训练模型能够实现输入上装图像时智能生成下装图像功能,再通过图像相似度计算匹配到用户预设的个人衣柜,最后结合温度为用户推荐合适的下装。通过对比原搭配和模型生成搭配,验证了该方法的有效性,为智能穿搭提供了新思路。     

一种具有分类细化功能的垃圾语言识别方法

为了筛选出散播垃圾语音的用户,建立了一种采用基于加权k-means和支持向量机的垃圾语言识别方法.该方法依据用户的历史通信活动建立通信行为网络模型,用加权的k-means算法对用户进行半监督聚类,然后从每个类中均匀选取部分用户数据作为训练集,采用支持向量机获得训练模型用以预测剩余用户数据.实验结果表明,该方法的用户分类更细化,并具备预测功能,有一定的机器学习能力,可用于大客户发现及关联客户发现和业务推荐等.     

好友推荐专利技术综述

随着社交网络的不断发展,人们对社交网络上的人际交往使用度越来越高,如何扩展用户的好友圈已经成为社交网络的一个研究热点,国内外对该项技术的研究也在不断更新中,而随着人们的专利布局意识不断增强,专利的申请量也从一定程度上体现了相关技术的发展趋势。文章通过对全球及中国范围内关于好友推荐的申请信息、技术原创国、重要申请人、申请领域时间分布信息进行统计,对国内外好友推荐技术的发展情况进行了分析。     

计算机信息处理技术在大数据时代中的有效应用

大数据时代背景下,计算机信息处理技术中的信息获取和加工技术、信息存储技术和安全技术以及计算机大数据处理技术得到了广泛应用,给用户数据处理带来了很大的便利;但是现阶段下计算机信息处理技术还存在着信息安全隐患、专业人才缺口较大以及数据分析不够全面等问题,不能够很好满足大数据时代的发展需要。所以为了促使其更加有效地服务于大数据时代,应该不断提升和创新计算机信息处理技术。     

新型互联网多路径传输协议拥塞控制机制分析

新型互联网平台中,WIFI、云计算、4G数据传输体系逐步完善导致网络多路径传输模式的出现,以往TCP模式在各种应用中导致其不能有效建立网络连接,为网络多路径传输造成了阻碍,而多路径传输协议主要是利用资源共享的方式将数据流进行分散控制,从而有效提升网络传输的有效性,文章以多路径传输协议拥塞控制机制为入手点,对网络多路径传输协议的有效应用进行了简单的分析。     

探索网络安全管理

随着信息化网络技术的不断发展,人们的生活和工作状况都发生了众多改变。网络带给人们方便以及高效的同时,人们也逐步认识到网络潜藏的诸多信息风险。正是由于网络的开放性和共享性,导致很多用户在使用过程中出现的信息泄露等问题。并且,随着网络病毒的增多,网络的安全问题日益严重。文章结合当前计算机网络安全问题,探索如何有效地开展网络信息安全管理,以便于更好地推动国内网络信息安全管理质量提高。     

基于贝叶斯网络的计算机经济信息系统可靠性模型及其应用

贝叶斯网络的主要功能在于解决复杂设备不确定性和关联性所引起的故障。随着计算机用户的不断增加,原有的经济信息系统可靠性模型,在解决问题和分析信息的时候,都表现出了不足,已经满足不了用户的需求,而贝叶斯网络的强大优势和良好的适用性,能够帮助计算机经济信息系统可靠性模型更好的应用。     

信息系统多级安全模型研究

网络正以迅猛的速度进入了人们生活的各个领域。众所周知， 网络是为广大用户共享网上的资源而互连的，然而网络的开放性与共享性也导致了网络的安全性问题 , 网络容易受到外界的攻击和破坏。相信通过本文对网络信息系统多级模型的研究，会对互联网信息的安全起到促进的作用。     

基于SVM女性服装型号推荐方法研究北大核心CSCD

摘要：针对网络服装销售中由于服装尺寸退货问题,根据不同年龄段女性体型特征数据,提出了基于机器学习方法的女性服装型号推荐方法,并给出了女性体型判别及预测的大体流程。首先,随机选择300位年龄在18～50岁的女性体型数据作为研究数据;其次,提取身高、背长、臂长、肩宽、颈围、臀围、胸围、腰围作为预测特征集,并对特征采用信息增益方法得到增益指数;再次,采用SVM方法和RBF核函数训练多个模型;最后,采用投票方式选取最终所属类,进行服装型号推荐。最终分类器采用测试集测试,结果表明模型预测准确度达到98％以上,预测结果可靠。     

基于无线基站移动传感器的传输与网络优化

在现如今无线传感器网络的快速发展中,其存在的问题也随之而来:相距无线基站一跳的节点由于考虑尽可能缩短跳数,导致其在传输信息和数据的过程中,既作为基站传输枢纽又要作为其他节点的中继站,过度的负荷导致这些节点快速的能量消耗,直至"消亡"。文章就这一难点问题,结合无线基站移动的区域和方式,让更多节点更替作业,实现整个网络节点的能量平衡,达到网络优化的目的。     

协同过滤在知识推荐中的应用

将电子商务中的协同过滤推荐算法改进之后应用到知识推荐系统中,通过计算学习者的学习目标、学习背景和认知能力等信息的相似性进行用户聚类,然后使用协同过滤算法对相同聚类簇内的用户进行学习资源的推荐.实验结果表明,该方法可提高推荐的准确度和推荐效率,增强学习者满意度;传统协同过滤推荐中的新用户问题、实时性问题在知识推荐过程中也同样存在,具体解决方法将作为未来研究的主要内容.     

大数据时代信息安全的机遇与挑战

目前计算机科学技术发展速度迅猛,改变着人们的生活和工作方式,各行各业都开始进入到大数据时代。但是在数据的搜集、分析、处理整个流程中,存在着信息安全隐患,一旦发生信息安全事故则会导致损失。因此,大数据时代应该注重信息安全。文章以大数据处理时代的信息安全问题为研究对象,通过分析现存的机遇和挑战,指导大数据技术在未来能够有更多的应用和推广。     

基于BERT和RNN的新闻文本分类对比

准确且高效地获取对我们有用的信息,解决数据信息过多而带来的数据冗余的问题成为人们越来越关注的问题.近年来国内外研究学者针对不同的自然语言处理任务提出了各种不同的框架,不同的框架具有不同的优缺点.自然语言处理领域中经典的问题之一就是文本分类,其中新闻文本分类是我们日常生活中容易引起大家关注的重要任务.该实验基于Transformer框架下的BERT模型对新闻文本数据集进行分类,通过与RNN的长短期记忆网络对同一新闻文本数据集进行了对比,评价指标采用的是模型分类通用的准确率和损失值.实验结果表明BERT模型的分类准确率明显高于长短期记忆网络.