自动分层推荐算法

推荐是Web个性化服务的核心，提出一种自动分层推荐算法，利用页面分层自动选择最佳的匹配粒度，进行基于频繁导航路径的推荐，实验结果表明，该算法大大减少了在线匹配的开销，可以成功地应用到Web日志挖掘中。     

基于模糊树的个性化电子学习推荐系统

电子学习系统的快速发展为学习者在线学习提供了巨大的机会。然而,在线学习系统中太多的学习活动使个体学习者很难找到合适自己的学习活动,所以在线学习系统必须有能够提供个性化产品的推荐系统。本研究首先提出了一种模糊树状结构学习活动模型,然后结合基于知识和协同过滤推荐算法的优点提出了基于混合学习活动推荐方法的模糊树匹配方法。     

动态车辆共乘问题的双模式协作匹配算法

车辆共乘可有效提升运输资源利用率，降低出行成本，缓解交通拥堵并降低环境污染.针对动态车辆共乘问题构建了整数规划模型，并提出了一种基于离线匹配和在线匹配的双模式协作匹配算法.在离线匹配阶段，以共乘比率和绕行距离为标准对匹配价值进行评估，设计了基于带权路径搜索树的通用共乘比率生成算法对共乘参与者进行准确高效的预匹配.在在线匹配阶段，提出了基于首尾距离度的实时订单插入算法，并对离线匹配结果中的行驶路径进行修正.通过双模式协作，可有效兼顾算法的实时性和结果质量.基于真实数据的大量实验结果表明，该算法给出的匹配方案在总匹配价值和求解效率上均优于实验中的对比算法，其平均离线匹配率达93.71%、平均双模式协作匹配率达85.53%,增加运输资源利用率82.86%,减少车辆并发数84.86%.     

在线学习资源推荐综述

近年来越来越多的学校广泛使用网络在线授课，然而互联网中海量的学习资源令学习者难以抉择。因此，研究在线学习资源推荐并为学习者进行个性化推荐非常重要，这可以帮助学习者快速获取其所需的优质学习资源。针对在线学习资源推荐的研究现状，从以下5个方面进行分析总结。首先，总结了目前国内外在线教育平台在学习资源推荐方面的工作；其次，分析和探讨了以知识点习题、学习路径、学习视频和学习课程为学习资源推荐目标的4种算法；接着，分别从学习者和学习资源的角度出发，以具体的算法为例，详述了常用的基于学习者画像、基于学习者行为和基于学习资源本体的3种学习资源推荐算法；此外，总结了公开的在线学习资源数据集；最后，分析了学习资源推荐系统目前存在的问题和未来的发展方向。     

基于协同过滤算法的求职推荐系统设计与实现

我国高等教育和网络招聘的迅速发展，为社会带来了大量的求职需求。如何提高人岗匹配的精准性与效率是关键问题。通过对协同过滤算法进行研究，同时根据用户的特征和喜好构建其个人偏好模型，设计了基于协同过滤算法的求职推荐系统，为用户推荐匹配的岗位和精准个性化的职业路线。     

情境感知推荐中的上下文宽松匹配方法研究

情境感知推荐是一种有效的推荐方法,但存在难以确定有效上下文变量的问题,使用过多的上下文变量会导致数据维度的上升及推荐准确性的下降。提出一种将推荐算法分解,以各分解部分为上下文匹配主体,且采取宽松匹配的上下文信息匹配策略。形成了一种融合上下文预过滤和上下文建模的混合推荐算法。通过同其他类型算法的性能对比实验证明了该方法在确定有效上下文变量及提高推荐算法准确性上的有效性。     

C2C在线短租跨平台房东匹配算法

随着民宿与在线短租平台的兴起，房东多归属现象持续受到关注与研究，该现象提供了新的研究角度，而如何在不同平台识别同源房东成为首要解决的问题。故本文基于传统用户匹配探索C2C在线短租跨平台房东匹配算法。其中由于房东个人信息稀疏，因此本文引入房源信息，设计基于房源信息的两阶段房东匹配算法(TSHM)。本文方法在基于国内2大在线短租平台真实数据划分的普通数据集与难例数据集上分别达到99.69%与81.97%的准确率，优于SVM、DT等传统分类器，验证了匹配模型与匹配特征的有效性，为跨平台房东匹配提供新思路，在房东个人信息缺乏条件下仍可有效匹配房东。但本文仅针对国内平台数据进行实验，未引入文本与图片等特征，存在一定局限性。     

基于匹配滤波器的冲击在线检测的研究

在已知波形的条件下，匹配滤波器可以有效地提取含有较大随机干扰的冲击激励，消噪效果明显。文中针对机械动力系统中波形已知、重复产生的冲击激励，详细介绍了一种新的检测系统，并给出了在线检测算法流程。该检测系统以匹配滤波器为检测器，判决器使用了阈值算法，具有速度快、易于实现在线检测的特点。实际的例子说明了该检测系统的有效性和实用性。     

基于协同过滤的旅游景点推荐

针对在线旅游快速增长的态势,本文研究基于协同过滤的旅游景点推荐算法。通过提取在线旅游网站上游客对桂林旅游景点的评价数据,使用协同过滤算法进行旅游景点推荐。实验结果表明:协同过滤算法完全可用于旅游景点推荐。     

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。     

融合社交关系和标签信息的混合新闻推荐算法

针对传统新闻推荐的数据稀疏性和用户的兴趣爱好快速变化问题,提出了一种融合社交关系和标签信息的混合新闻推荐算法。首先,该算法充分利用社交网络中的社交关系和标签信息;然后使用概率主题模型(latent Dirichlet allocation,LDA)对用户兴趣进行建模;最后采用基于内容与协同过滤相结合的混合推荐算法来完成新闻推荐。实验结果表明,所提算法与已有的推荐算法相比较,在精确度上提升了10.7%、平均倒数排名上(mean reciprocal rank,MRR)提升了4.1%,在归一化折损累计增益(normalized discounted cumulative gain,NDCG)上提升了10%。该算法可在一定程度上提高新闻推荐算法的精度及推荐质量。     

基于标签的评分信息熵推荐算法

由于标签是由用户根据自己的理解和喜好随意进行标注的因此存在大量的噪声标签,导致基于标签的推荐系统准确率不高.针对这种情况,提出了结合评分信息熵的标签推荐算法.算法通过判断用户在标注标签的评分稳定程度来确定该标签对于用户的重要性从而过滤掉噪声标签将重要标签赋予较高权重,并构建用户的兴趣模型,最后应用到协同过滤算法中产生推荐.该算法能有效地利用评分权重并结合信息熵来增强推荐准确率,与以往的基于标签的推荐算法进行对比,能获得满意的推荐效果.     

一种基于文本卷积神经网络的推荐算法

传统的矩阵因子分解模型不能有效提取用户和物品特征,而基于深度学习模型可以很好地提取特征信息。当前,主流的基于深度学习推荐算法只是单一地将神经网络的输出或物品特征与用户特征乘积的形式来做推荐预测,不能充分挖掘用户和物品之间的关系。基于此,本文提出一种基于文本卷积神经网络与带偏置项的奇异值分解(BiasSVD)结合的推荐算法,利用文本卷积神经网络(TextCNN)来充分提取用户和物品的特征信息,然后用奇异值分解方法来做推荐,深层次理解文档上下文信息,进一步提高推荐的准确性。将该算法在MovieLens的2个真实数据集上做广泛的评估分析,推荐的准确度要明显优于ConvMF算法及主流深度学习推荐算法。     

基于遗传算法的聚类与协同过滤组合推荐算法

使用协同过滤进行推荐,在处理大数据集时存在效率问题和推荐结果质量不高的问题。k均值聚类在处理大数据集时有着较好的性能。针对使用协同过滤进行推荐存在的问题,通过使用遗传算法将聚类和协同过滤组合起来进行项目推荐,以此来提高推荐算法的推荐效率和推荐质量,降低组合聚类和协同过滤进行推荐的复杂度。使用组合得到的算法在MovieLens数据集上做推荐对比实验,结果表明,相比单纯使用协同过滤进行推荐,使用基于遗传算法的聚类与协同过滤组合推荐算法进行项目推荐,能得到质量更好的推荐结果。     

基于局部模型加权融合的Top-N电影推荐算法

为了解决传统推荐算法使用单一模型无法准确捕获用户偏好的问题, 将稀疏线性模型作为基本推荐模型,提出了基于用户聚类的局部模型加权融合算法来实现电影的Top-N个性化推荐。同时,为了实现用户聚类,文中利用LDA主题模型和电影的文本内容信息,提出了语义层次用户特征向量的计算方法,并基于此来实现用户聚类。在豆瓣网电影数据集上的实验验证结果表明,所提局部加权融合推荐算法提升了原始基模型的推荐效果,同时又优于一些传统的经典推荐算法,从而证明了该推荐算法的有效性。     

基于模糊簇的个性化推荐方法

提出了一种运用模糊聚类方法将项目属性特征的相似性与协同过滤推荐算法相融合的推荐方法,此方法将用户对单个项目的偏好转化为对相似群组的偏好,目的是构造密集的用户-模糊簇的偏好信息,同时利用项目之间在相似群组的相似性来初步预测用户对未评价项目的评分,在此基础之上再完成基于用户的协同过滤推荐算法。实验结果表明,该方法确实可提高协同过滤推荐算法的推荐精度。     

基于蜂群K-means聚类模型的协同过滤推荐算法

针对目前协同过滤推荐算法的推荐质量和推荐效率低的问题,提出了一种基于改进蜂群K-means聚类模型的协同过滤推荐算法。首先,根据用户属性信息,采用改进蜂群K-means算法对用户进行聚类,建立用户聚类模型;然后,计算目标用户与用户聚类模型中各聚类中心的距离,其中距离最近的类为目标用户的检索空间;最后,从检索空间中依据用户-项目评分矩阵通过相似度计算搜索目标用户的最近邻居,由最近邻居的信息产生推荐列表。实验结果表明,该算法降低了平均绝对误差值,缩短了运行时间,提高了推荐质量和推荐效率。     

基于改进联合相似度计算的图书推荐算法

推荐系统可有效解决海量数据中的信息过载问题,为用户推荐感兴趣的信息。用户相似度计算是一种常用的推荐算法,但传统算法仅考虑用户-物品评分之间的相似性,忽略了用户固有特征对用户喜好的影响。考虑用户特征对推荐效果的影响,本文提出一种联合用户特征相似度及用户评分相似度计算的算法,采用F1衡量指标评价推荐效果的有效性。实验结果表明改进算法能有效提高推荐效果,取得更好的用户体验。     

.一种优化的基于项目评分预测的协同过滤推荐算法*

通过分析在用户评分数据极端稀疏的情况下,现有的基于项目评分预测的协同过滤推荐算法中项目之间的相似性度量不准确以及新项目的冷开始问题,提出了一种优化的基于项目评分预测的协同过滤推荐算法。该算法在计算项目之间的相似性时,既考虑了项目的评分相似性,又考虑了项目的特征属性相似性。实验表明,优化后的算法使计算出的项目之间的相似性更准确,并有效地解决了新项目的推荐问题,使得数据稀疏性对推荐结果的负面影响变小,显著提高了系统的推荐质量。     

基于药物和疾病特征关联的药物重定位混合推荐算法

针对基于协同过滤的药物重定位算法进行了研究,考虑到数据稀疏性对协同过滤算法的巨大影响,提出一种基于药物和疾病特征关联的药物重定位混合推荐算法。该算法不仅使用了药物和疾病关系数据,还利用了药物结构、靶蛋白、副作用以及药物—疾病特征矩阵等信息计算药物之间的相似性,降低了数据稀疏性对推荐效果的影响,提高了推荐精度。经过对比实验发现,该算法具备较好的推荐效果,并能够发掘具有潜在联系的药物—疾病组合,进一步验证了该算法可以有效地应用于药物重定位。