一种基于Rough集理论的最近邻协同过滤算法

目前协同过滤被广泛应用于数字图书馆、电子商务等领域的个性化服务系统.最近邻算法则是最早提出和最主要的协同过滤推荐算法,但用户评分数据稀疏性严重影响推荐质量.针对上述问题,提出了一种基于Rough集理论的最近邻协同过滤算法,以用户评分项并集作为用户相似性计算基础,并将非目标用户区分为无推荐能力和有推荐能力两种类型;对于无推荐能力用户不再计算用户相似性以改善推荐实时性,对于有推荐能力用户则提出一种基于Rough集理论的评分预测方法来填补用户评分项并集中的缺失值,从而降低数据稀疏性.实验结果表明新算法能有效提高推荐质量.     

基于改进用户兴趣点度量方式的推荐算法研究

推荐算法是个性化推荐系统中最为核心的一部分.文本通过给出产品流行性定义,提出了一种改进的用户兴趣点度量方法,进而将用户的兴趣点嵌入到基于物质扩散原理的推荐算法中.新算法引入参数β度量产品的推荐权重与用户兴趣点之间的关系.MovieLens数据集上的数值结果表明新的用户兴趣点定义方法可以同时改进推荐算法的准确度和推荐列表多样性,当采用60%的数据作为训练集时,多样性可以提高13.15%.进一步的结果表明当训练集很稀疏的时候,应当赋予与用户兴趣点不同的产品更高的推荐能力,随着稀疏度增加,赋予与用户兴趣点相近的产品更多推荐能力可以大幅度提高算法的表现.     

基于社会化标签系统的个性化信息推荐探讨

针对用户个人特征并向其提供准确恰当信息的个性化信息推荐研究,一直是学术界和产业界所关注的热点。结合后控词表,对用户分散的、个性化的标注进行处理,并将用户兴趣用向量表示,然后借鉴协同过滤算法的思想,寻找出相似用户集及其内部的资源集。在此基础上,采用相对匹配策略,提出一种基于社会化标签系统的个性化推荐方法。     

基于相似项目与用户评分的协同推荐算法

推荐系统是电子商务系统中最重要的技术之一.随着电子商务系统用户数目和商品数目日益增加,在整个商品空间上用户评分数据极端稀疏,传统的相似性度量方法均存在各自的弊端,导致推荐系统的推荐质量急剧下降.针对用户评分数据极端稀疏情况下传统相似性度量方法的不足,本文提出了一种基于相似项目与用户评分预测的协同过滤推荐算法,综合利用相似项目和相似用户评分信息预测用户对未评分项目的评分.通过聚类算法形成用户候选近邻集,减小了算法搜索空间,降低了最近邻用户的搜索时间,从而增强了算法的扩展性.实验结果表明,本算法可以有效解决用户评分数据极端稀疏情况下传统协同推荐算法存在的问题,显著提高推荐系统的推荐质量.     

A Web Resource Recommendation Method Based on User Taste Diffusion Model

针对Web 2.0环境下大众分类系统中用户、资源和标签之间的三元相关关系,本文提出一种基于三部图的用户兴趣扩散模型,据此为用户进行网络资源的推荐.其主要思想是:通过迭代的扩散机制,使目标用户对信息的兴趣依三部图结构扩散至其他的用户、标签和资源上,然后以资源兴趣度排序为依据,在目标用户未曾收藏的资源中产生推荐.该推荐方法的优势在于扩大了推荐范围,避免了数据稀疏对推荐造成的干扰.利用公共数据集进行的实验表明,本文提出的推荐方法其准确率和召回率优于基于二部图用户兴趣扩散的资源推荐结果.     

个性化推荐系统中用户多态聚类研究

针对传统协同过滤算法依赖单一用户需求形态影响推荐效果的问题,提出一种基于用户多态聚类的数字图书馆个性化推荐方法。该方法以改进的海明距离计算候选邻居集,结合多态相似度进行二次聚类,预测用户的多态需求度并形成推荐。实验表明,使用多态聚类产生的推荐精确度上优于单一聚类产生的推荐。     

个性化好友推荐系统在社交网站上的应用研究

互联网用户可以在计算机前轻轻点击鼠标来完成相对于现实生活中复杂的互动交友活动,个性化好友推荐系统通过基于内容推荐、协同过滤推荐、聚类推荐三种策略来帮助用户建立网状复杂的人际关系,最终提高用户对于本类社交网站的忠诚度。本文将通过详细分析新浪微博、腾讯QQ和人人网三大社交网站来具体分析个性化好友推荐系统的优缺点。     

基于多目标优化双聚类的数字图书馆协同过滤推荐系统

针对数字图书馆推荐系统,提出一种能够同时考虑用户和项之间的相似性的协同过滤(CF)方法,即应用多目标优化计算双聚类技术对行和列同时进行聚类,完成对用户和项相似性同时分组。为评估算法的效率,应用MovieLens数据集进行实验,结果表明该方法能够为用户提供有用的推荐意见,其性能优于其他CF方法。     

基于用户群体影响的协同过滤推荐算法

协同过滤是推荐系统中广泛使用的推荐技术,对推荐结果可解释强.基于用户的协同过滤是一种重要的系统推荐方法,用户评分数据的极端稀疏性制约着系统的推荐质量.针对上述情况,提出一种基于用户群体影响的协同过滤推荐算法.首先,定义了用户群体的概念并根据群体影响提出两条相应准则;然后,计算用户相似性时,不仅考虑了用户个体之间的相似性,而且考虑了用户所处群体之间的相似性.该算法不仅可以更加精确地刻画用户之间相似度,而且一定程度上增强了推荐系统的稳定性.实验结果表明,该算法能有效地提高系统的推荐质量,而且满足所提出的两条准则.     

个性化关键技术研究综述

个性化研究的关键技术主要包括有三个方面的内容:用户建模、推荐系统和评价。首先,用户建模是收集用户数据,目的是为推荐系统提供用户的兴趣、偏好等建立模型;其次,推荐系统的作用是根据用户模型为用户推荐个性化内容,是个性化的核心内容;最后,评价系统根据用户对个性化应用的满意程度,反馈给推荐系统调整建模策略。个性化应用是一个不断反馈修正的过程。     

Defending recommender systems by influence analysis

Collaborative filtering (CF) is a popular method for personalizing product recommendations for e-commerce applications. In order to recommend a product to a user and predict that user’s preference, CF utilizes product evaluation ratings of like-minded users. The process of finding like-minded users forms a social network among all users and each link between two users represents an implicit connection between them. Users having more connections with others are the most influential users. Attacking recommender systems is a new issue for these systems. Here, an attacker tries to manipulate a recommender system in order to change the recommendation output according to her wish. If an attacker succeeds, her profile is used over and over again by the recommender system, making her an influential user. In this study, we applied the established attack detection methods to the influential users, instead of the whole user set, to improve their attack detection performance. Experiments were conducted using the same settings previously used to test the established methods. The results showed that the proposed influence-based method had better detection performance and improved the stability of a recommender system for most attack scenarios. It performed considerably better than established detection methods for attacks that inserted low numbers of attack profiles (20–25 %).     

基于情境历史的移动用户偏好挖掘研究

提出一个移动互联网环境下用于个性化信息服务的基于情境历史的移动用户偏好挖掘方法,并构建移动旅游信息推荐原型系统CAMTRS。实验结果显示:该方法能较好地获取移动互联网环境下用户的需求偏好,有助于改进个性化推荐系统的预测效果。     

基于Vague值的电子商务推荐系统及其相似度研究

针对目前电子商务推荐系统中存在的核心问题--相似度,提出借助Vague集理论研究推荐系统的思想。电子商务过程中顾客行为不确定性的存在,为Vague集的引入提供理论基础。商品推荐依赖的是商品间或顾客间的相似程度,而相似度的计算正是Vague集研究较为成熟的一个领域。根据一般电子商务购物方式,确定不同的顾客类型,在顾客分类的基础上,利用统计方法定义商品的Vague值,实现电子商务推荐系统与Vague的完美结合,并通过相似度的计算验证该方法的有效性,从而为推荐系统的研究提供新的思路和方法。
     

推荐系统在数字图书馆的应用：研究与技术现状

Recommender systems are increasingly a necessity as the burden of overly abundant information becomes heavier. This paper examines the current studies on recommender systems in technological perspective as well as the potential use of recommender systems for digital library services and the issues which arise in using recommender systems for library services.     

文献推荐系统综述

文献推荐系统帮助用户在海量文献环境下发现个性化的信息,已经成为文献检索系统的重要组成部分。文献推荐技术研究在信息检索、文献计量学与电子商务推荐系统研究成果综合演变下发展起来。首先讨论了一般个性化推荐技术;进一步对文献推荐技术已经取得的研究成果进行了系统的分析与总结;同时,介于评价测度与方法是推荐系统的重要组成部分,给出了常用的文献推荐系统的评价测度;最后,对文献推荐系统研究现状作出总体评价并指出将来的发展方向。     

基于遗传算法的群体推荐系统研究

由于一对一定制化沟通的实现,能最好满足消费者需求的"推荐信息"日趋重要.传统网络推荐技术在支持个人决策行为的过程中非常有效,但却很难运用于群体决策过程之中.在本项研究中,我们提出了一种全新的方法来为群体成员进行商品推荐.这种方法考虑到群体决策过程中会受到群体成员间交互作用的影响,不同意见在群体中的重要性存在的差异.基于商品的协同过滤算法,通过使用GA方法用来学习群体偏好解决子群体的未知评分问题.实验的结果显示,我们提出的方法能够提供高质量的群体推荐意见,并可以广泛运用于群体推荐过程中.     

基于不完全模糊语言的高校数字图书馆信息资源推荐系统的构建研究

提出基于不完全模糊语言的高校数字图书馆信息资源推荐系统,该系统中,用户兴趣模型的建立不要求用户直接提供偏好信息,而是允许用户通过不完全模糊语言偏好关系来表达个人偏好,这样既为用户节省时间和精力,又能获取更加准确的用户偏好,从而大大提高推荐精度。系统同时还引入"用户协作偏好",有助于用户开展多学科研究或参与合作研究项目。     

论数字图书馆个性化信息推荐系统*

构建一个综合信息检索、信息过滤、数据挖掘等多种技术的信息推荐系统，是数字图书馆实现个性化信息服务的有效手段。阐述了数字图书馆个性化信息推荐系统的目标、功能与资源定位，对推荐系统的结构框架和主要功能作了解剖，并分析了推荐系统实现的主要技术。     

基于协同过滤算法的高校图书馆图书推荐系统研究

针对当前高校图书馆主动式图书推荐服务存在的对服务对象信息需求挖掘、分析不足的问题,提出构建基于协同过滤算法的个性化图书推荐系统。通过引入读者专业、角色、学历、借阅记录等影响和反映读者信息需求的因素构建读者特征模型,基于该模型采用优化的协同过滤算法挖掘读者信息需求并产生个性化图书推荐信息,并通过实验证明该方法的有效性和实用性。     

“211工程”高校图书馆馆藏资源推荐系统调查探析

[目的/意义]调研推荐系统在高校图书馆中的应用现状及存在的问题,为增强图书馆对知识信息的智能处理能力提供参考依据。[方法/过程]通过对国内116所"211工程"院校进行网站访查和问卷调查,用定量分析与定性分析相结合等方法,对调查结果进行归类、分类统计和对比分析。[结果/结论]研究发现,受访高校图书馆均提供非个性化推荐服务,63%受访高校提供个性化推荐服务;推荐服务内容丰富、方式多样、形式各异,79%的高校积极寻求与其他平台的合作,拓宽推荐深度和广度。存在的问题包括:图书馆推荐系统个性化程度不高,过于依赖图书管理集成系统所附带的推荐功能,不够系统化、智慧化;推荐系统满意度有待提高,有相当多的用户担心推荐系统会泄露个人隐私。