LED检测技术新书推荐

由复旦大学电光源研究所特聘教授俞安琪任主编,并有多位长期从事LED检测工作的复旦校友和学者参与编著的《LED照明检测实用技术》一书,于2019年6月正式出版。俞安琪教授是一位毕生从事照明光源与电器的研发与检测的科技人员,是我国国家照明检测中心检测系统的主要策划及创建者,全国“五一”劳动奖章和上海市的“五一”劳动奖章获得者。     

关于制作“2014年度应用创新单位”榜的通知

<正>为号召、鼓励、推动有色有关企事业及科研单位等切实以扩大市场应用为中心,增强创新动力,《中国金属通报》杂志社将公布有色金属行业"2014年度有色应用创新单位"榜,并将根据企业意愿为上榜单位挂牌。欢迎广大业内专家推荐或各单位踊跃自荐。     

基于内容和协同过滤的科技文献个性化推荐

随着近年来科技的蓬勃发展,我国积累的科技文献资源数据规模逐年递增,日渐庞大。为了提高科技文献资源的利用率和科技服务的质量,对推荐系统需求越发迫切。文中将基于内容的方法和协同过滤相结合,取长补短,来实现科技文献的个性化推荐。TF-IDF算法用于提取科技文献的内容特征,SVD算法用于对评分矩阵进行分解。     

个性化高校新闻分类推荐的应用研究

随着信息化和数字化时代的到来,大数据广泛渗入到各个领域。信息过载使得用户无法快速、准确地获取个人最关注的内容,这严重影响了浏览页面时的用户体验。为了能精准地进行分类推荐,对新闻分类和推荐方法进行细致的研究,进而提出一种能够进行精准分类,准确获取信息的推荐方法。利用爬虫技术获取真实的高校新闻数据;采用基于肘部法则改进的K-means算法进行聚类分析;结合用户注册时选定的兴趣标签,利用基于内容与协同过滤组合的推荐策略,针对不同用户的需求进行个性化推荐;以列表等形式将个性化的推荐结果展示给用户。根据高校的真实数据进行实验,结果表明,该算法能够有效地对高校师生的个性化服务需求进行处理,提高获取新闻时的高效性、准确性和智能性。     

地理分层结构与社会关系的兴趣点推荐

随着基于地理位置的社交网络的兴起,兴趣点(POI)推荐引起了人们的许多关注。POI推荐向用户推荐他们可能感兴趣但没有访问过的地方,从而解决用户"下一步去哪"的问题。本文提出新的用户相似性度量、全局影响力以及热门POI的概念。综合考虑了多个影响因素之间的关系,以地理分层结构的矩阵分解模型(HGMF)为基础,提出新的POI推荐算法HGS-MF。在Yelp和Gowalla社交网络数据集上对HGS-MF进行了评估。实验结果表明,HGS-MF方法的实验表现均优于传统的POI推荐算法。     

融合时间隐语义填充和子群划分的推荐算法

随着个性化推荐技术的发展，推荐系统面临着越来越多的挑战。传统的推荐算法通常存在数据稀疏性和推荐精度低等问题。针对以上问题，提出了一种融合时间隐语义填充和子群划分的推荐算法[K]-TLFM（Time Based Latent Factor Model Integrated with [k]-means）。该算法利用融合时间因素的隐语义模型对原始用户物品评分矩阵缺失项进行填充，避免了用全局平均值或者用户/物品平均值补全矩阵带来的误差，有效缓解了数据稀疏性问题，同时融合时间因素有效地刻画了用户偏好随时间的变化；完成评分矩阵缺失项填充后，基于二分[k]-means聚类算法将偏好、兴趣特征相似的对象划分到同一个子群中，在目标用户所属的子群中基于选定的协同过滤算法为用户产生推荐列表，提高了推荐效率和准确性。在MovieLens和Netflix数据集上对该算法的推荐性能进行了对比实验，结果表明该算法具有更高的推荐精度。