基于动态参考依赖的消费者选择意向研究

预测在线消费者选择意向以便为其提供有效的推荐建议已成电子商务领域消费者决策支持系统的核心问题之一。选择意向是一个融合经济、心理等多重因素的行动反应,如何对其进行测量是学术界研究的热点。为此,构建一套消费者满意度指标,将影响的属性进行分类,进而提出基于动态参考依赖的消费者满意度分析法。在该方法中,首先建立不同类型属性的动态参考依赖函数;其次,建立对应类型属性的边际满意度惰性函数,同时给出属性权重及总体满意度的算法;最后,通过对去哪儿旅行网站2400条消费者实验样本数据进行分析,结果验证所建边际满意度惰性函数的预测准确性。此外,对单属性分析发现,目的地与酒店距离对消费者决策影响最大。     

计及Spark和属性权重的售电套餐推荐方法

针对电力市场用户群庞大，交易过程中售电套餐选择困难的问题，在Spark环境下设计了一种售电套餐推荐方法，同时也解决了售电套餐推荐过程中在大数据环境下的可扩展性及实时性问题。首先，计算出每个套餐属性的权重值，从而计算得到售电套餐综合相似度。然后，计及用户和套餐两方面提出一种售电套餐推荐方法，实现售电套餐的精准推荐。实验表明，提出的推荐方法能够明显提高推荐的准确度，并且在分布式环境下具有良好的推荐效率和可扩展性。     

基于差分隐私保护的兴趣点推荐算法设计

兴趣点推荐算法收集用户的历史行为记录,根据收集到的记录推测用户偏好,结合用户偏好向用户推荐新的兴趣点。针对传统的兴趣点推荐过程中,用户的隐私信息容易被泄露的问题,利用差分隐私保护机制对用户信息进行保护,防止被恶意攻击。差分隐私保护实现机制主要包括指数机制和拉普拉斯机制,均被使用于地理位置隐私保护算法中。基于差分隐私保护的地理位置隐私保护算法根据数据集中各项记录的相互关系建立位置搜索树;运用指数机制并结合树的结构挑选出经常访问的k项纪录;对这k项记录添加拉普拉斯噪声,发布加噪后的位置搜索树。实验表明,该算法能在推荐效果不变的情况下,有效地保护用户的隐私信息。     

多特征融合的兴趣点推荐算法

基于位置社交网络的兴趣点推荐越来越受到工业界和学术界的关注。由于用户签到数据集的稀疏性以及签到地理位置的聚集性，使得目前的推荐算法效率普遍不高，特别是当用户外出到新的地点时，推荐效果更是急剧下降。因此本文提出了一种基于用户-区域-内容主题的多特征联合推荐算法（UCRTM），以隐主题模型为基础，在统一的框架下利用隐含因子关联性融合了用户的偏好、兴趣点的内容以及兴趣点所属地理区域主题等信息来进行推荐，使得用户无论身处何地，都能获得理想的推荐服务。本文在两种真实的数据集上进行了实验，结果表明该方法不仅能够克服数据的稀疏性以及弱语义性等问题，而且与其他方法相比具有更高的推荐准确率。     

上海市某高星级酒店节能减排解决方案与节能潜力分析应用研究

高星级酒店节能技术改造一直以来都是建筑节能的重点课题,大型公共建筑制冷、采暖、生活热水能耗占比高,为节能改造的重点方向。以上海市高星级酒店节能减排解决方案为例,通过将热泵供热技术创新应用,在现场空间极其紧凑的条件限制下,实现了酒店冬季采暖、全年生活热水的高效稳定运行。同时,将磁悬浮离心变频制冷技术及冷热源智能控制技术结合运用,成功创建了高效机房。