国内外学术信息推荐方法研究进展

学术信息个性化推荐是帮助科研用户处理海量无序信息的一种有效方法,当前国内外学者主要从基于内容、协同过滤和混合推荐方法角度对学术信息进行推荐。基于内容的方法分别从用户偏好建模、信息资源的主题挖掘和相似性计算三方面提高推荐的有效性;协同过滤的方法结合社会网络分析方法实现学术信息的推荐;而混合的方法则利用多个基础算法从不同角度提高推荐质量。本文旨在梳理当前国内外学术信息推荐方法的研究和应用现状,并在分析总结的基础上,展望今后的发展趋势。     

个性化信息服务中用户偏好的动态挖掘

基于个性化信息服务中用户偏好随时间变化的特性,采用聚类、关联规则等技术,对用户偏好进行动态挖掘.通过追踪用户需求序列,最终产生Top-N产品推荐,旨在提高推荐系统的推荐质量.然后选取协同过滤算法作对照,并采用MovieLens站点提供的测试数据集.通过对召回率和精度两项指标的分析,表明该动态挖掘算法具有较高的推荐准确度和全面性.     

浅析协同过滤算法及其改进分析

近年来,互联网和web技术的不断进步促进了电子商务推荐系统的快速发展,各种推荐系统的日益繁荣改变了传统的贸易行为,它的逐步建立和完善使传统的商务运作摆脱了已有规则的束缚,对相关的商业形态、交易形式、流通方式以及营销方式等都产生的巨大的影响。针对电子商务推荐系统面临的主要挑战,对电子商务推荐系统推荐算法设计以及推荐系统体系结构等关键技术进行了有益的探索和研究,对算法中影响推荐质量的稀疏性问题和影响用户满意度的推荐完整性问题进行深入分析,引入了基于聚类的最近邻查询技术对协同过滤算法进行改进,经分析新算法缓解了对特殊用户无法产生准确推荐的问题,能够带给用户各更准确的推荐。     

一种改进的组合策略评审专家推荐算法

从项目管理的角度出发,综合考虑用户选择偏好、项目与专家的知识匹配度、项目间的相似性以及专家的历史表现等因素,融合基于内容特征、潜在主题特征、协同过滤和用户选择偏好等评审专家推荐算法,构建一种改进的组合策略的评审专家推荐算法,并通过设计实验,利用航天项目进行实验研究,结果分析表明推荐算法是可行且实用的。     

电子商务应用中的协同过滤算法综述

电子商务的迅猛发展为用户提供了大量的信息,网购已经成为潮流,各种网购平台为用户提供了大量的信息,而如何在众多的电子商务网站和海量的商品中快速地找到用户需求的产品成为一个研究的重点。在此,推荐算法应运而生,,协同过滤推荐算法在电子商务系统中得到了广泛的应用。本文主要介绍两种协同过滤推荐技术在电子商务网站中的应用现状,并在此基础上介绍了一些改进的协同过滤算法的研究现状和推荐效果,以及算法未来可能的研究方向。     

基于混合模式的网络超市商品推荐方法

在分析现有网络商品推荐算法的优缺点及主要问题的基础上,提出一种基于混合模式的网络超市商品推荐方法。其主要思想是：通过商品本体概念和属性构建商品子模型,采用基于内容的推荐算法填充用户——商品评分矩阵;依据用户背景信息、评分数据和查询关键字构建用户子模型,采用K均值算法进行用户聚类;利用基于用户的协同过滤产生推荐。实验表明,混合算法提供的推荐结果更加准确高效。     

一种基于指数遗忘函数的协同过滤算法

协同过滤算法是目前最成功的个性化推荐技术之一,但传统的协同过滤算法没有考虑用户兴趣随时间而产生的变化,影响了推荐质量。本文针对这个问题,提出一种改进的指数遗忘函数对用户—资源评分矩阵进行修正,并将修正的评分矩阵用于协同过滤算法,从而得到一种改进的协同过滤算法。实验表明,与传统协同过滤算法相比,改进的算法在推荐准确度上有显著提高。     

基于模糊聚类和资源平滑的协同过滤推荐

在分析目前电子商务推荐系统及传统的协同过滤推荐存在问题的基础上,提出了一种新的电子商务推荐算法。该算法利用客户对商品的历史评分记录中所隐含的客户相关信息和商品相关信息来为客户推荐商品,并且将模糊聚类技术运用于商品最近邻居和客户最近邻居的查找。实验结果表明该算法能够提供更好的推荐,聚类数对推荐质量有较大的影响。     

电子商务系统中的信息推荐方法研究

电子商务发展具有很大的潜力,本文从信息服务的角度,探讨了电子商务系统的信息推荐方法,重点论述了主动信息推荐和被动信息推荐两种推荐方法,并详细描述了一种个性化信息推荐方法——基于用户的信息过滤算法。同时本文还对主动信息推荐和被动信息推荐方法进行了比较分析。     

算法时代“信息茧房”生成机制研究

[目的/意义]算法推荐技术的广泛应用,在满足网络用户信息需求的同时,也导致了“信息茧房”的产生。[方法/过程]在归纳技术创新论、利益驱动论与情感认同论3种生成机制的基础上,构建信息平台与用户双边演化博弈模型,并模拟仿真关键因素影响双方主体策略演化的路径。[结果/结论]算法推荐技术是算法时代“信息茧房”产生的根源。算法技术的日益成熟,信息平台使用算法推荐成本与用户接受算法推荐的损失成本不断下降,使得信息平台和用户对待算法推荐的策略选择由最初{放弃,抵触}演化为{使用,接受},最终导致“信息茧房”长期存在。据此提出优化算法推荐机制、健全平台算法监管体系、培育公民算法侵权防范意识的建议。     

基于协同过滤技术的电子商务推荐系统初探

推荐系统正逐渐成为电子商务系统重要的竞争手段,而协同过滤技术是个性化推荐系统的研究热点。文章从协同过滤技术的基本原理出发,系统评述了协同过滤算法的分类、相似性计算法则、算法的性能评价等关键议题,最后指出了协同过滤技术存在的问题以及将来的研究方向。     

基于本体和信息量融合的个性化推荐方法研究

【目的/意义】个性化推荐方法是目前解决信息多样化与用户需求专一化之间矛盾的比较有代表性的解决 方案之一。基于内容的推荐系统由于算法本身的局限性和项目特征提取的困难性使得推荐结果过于专门化,不能 给用户提供新颖的推荐项目,本文尝试找到一种兴趣偏好扩散的方法改善推荐专门化的问题。【方法/过程】本文提 出了一种在领域本体中基于信息层次距离和信息损失距离的综合推荐方法,该方法通过基于信息层次距离的相似 性和基于信息损失距离的相似性算法来综合计算项目之间的相似度。【结果/结论】研究表明：领域本体中信息损失 距离对推荐结果能产生较大影响,基于信息层次距离和信息损失距离的综合推荐方法能有效提高推荐结果的多样 性和有用性。     

一种基于订阅记录的图书协同过滤推荐方法研究

【目的/意义】通过订阅记录获取用户兴趣爱好,并将协同过滤推荐方法应用于图书个性化推荐,为读者提供优质服务。【方法/过程】以协同过滤算法为基础,根据用户订阅记录,分别计算用户相似性和订阅图书相似性。针对传统协同过滤方法在计算热门订阅相似度时存在的缺陷,引入对订阅权重的惩罚机制,减轻了热门订阅会和很多订阅相似的可能性,并根据协同过滤方法,产生相应推荐结果。【结果/结论】运用公开可获取的数据集进行的算法验证表明,基于订阅记录的协同过滤算法推荐准确度较高,对提升用户图书借阅体验相关研究与实践有一定的参考价值。     

基于约束校对的协同过滤推荐算法

根据用户的个性化需求进行网络信息推荐,在电子商务商品推荐和网络信息推送中具有应用价值。本文针对传统的语义关键词推荐方法的指向性精度不高的问题,提出一种基于协同过滤融合和个性化特征约束校对的信息推荐算法,首先构建P2P网络模型下的信息传输模型,对用户的个性化需求信息进行信息融合和语义信息素特征提取,然后采用自相关匹配滤波方法进行信息融合和滤波,实现对个性化特征的协同过滤和信息推荐,最后通过仿真实现进行性能测试。仿真结果表明,采用该算法进行信息推荐的数据召回率和配准度较高,耗时较短,实现个性化信息定制和推荐。     

用户意图聚类的数字资源推荐方法

综合用户背景与资源特点,基于用户的协同过滤更适合高校图书馆在信息推荐中的应用。对其由于馆藏数字资源空间增大而导致推荐系统性能下降以及数据稀疏性问题,提出一种用户意图聚类的方法。通过运用K—means算法,对资源类别的意图特征值相似用户进行聚类,来提高推荐的实时性,降低数据稀疏性对信息推荐造成的影响。实验结果表明,基于用户意图聚类的协同过滤算法能有效提高推荐质量。     

决策支持系统计算偏差的修正策略研究——以招聘支持系统为例

[研究目的]“计算偏差”是利用决策资源通过计算机做出的决策结果与实际结果之间的差异，尤其在决策支持系统中会产生更严重的负面影响。[研究方法]从招聘支持系统计算偏差入手，分析其表现形式与产生原因，从而构建对招聘支持系统计算偏差的修正策略，并对其进行检验说明，设计效果评价指标。[研究结论]招聘支持系统乃至应用“画像”的决策支持系统需要始终注意防范数据不准、数据与算法模型不匹配两方面问题引起的“计算偏差”,灵活组合识别与过滤虚假信息、压缩情感导向明显的信息、增设算法公平性衡量指标等修正方案以构建修正策略，有利于情报实践在提供便利的同时，抵消其由于自动计算带来的损害，并为其他决策支持系统修正所遇到的“计算偏差”问题提供启示与参考。     

移动环境下基于情境感知的数字图书馆信息推荐研究

阐述情境感知和推荐系统的含义,介绍协同过滤法及过滤推荐系统模型,从情境感知的角度,对影响数字图书馆信息推荐的主客因素进行分析,进而对数字图书馆如何改进信息推荐系统进行探讨。     

基于协同过滤的电子商务个性化推荐算法分析

个性化推荐系统是电子商务运作过程中的重要组成部分,计算机网络信息化的不断发展和当今数据的爆炸式增长,使得人们很难在海量信息中找寻出适合自身需求的数据和信息,信息过载状况时有发生。阐述了我国电子商务个性化推荐系统的作用,分析了当前主流电子商务推荐技术,对基于协同过滤的电子商务个性推荐算法进行了研究。     

面向电商的基于协同过滤的个性化推荐

以阿里为代表的巨头电商平台创造了一个又一个"双十一"促销奇迹,这得益于个性化推荐系统,协同过滤是其中应用广泛、效果较准确的一种技术,也是目前主流的推荐算法。本文采用基于用户协同过滤的个性化推荐技术对2014年"天池"大数据平台提供的四个月内884个真实用户对9531个商品的真实点击浏览、加入购物车、收藏和购买等四种行为的访问记录进行分析,以便对用户进行商品推荐。为真实反映用户对物品的偏好程度,对点击浏览、收藏、加入购物车和购买分别设置了权重0.0385、0.2375、0.3072和1,并采用皮尔森系数法计算用户之间的相似度,推荐结果与人们的经验是一致的。     

社会化标注系统中个性化信息推荐多维度融合与优化模型研究

[目的/意义]在社会化标注系统自组织运行的基础上，构建个性化信息推荐的多维度融合与优化模型，进而在大数据环境下，为用户提供精准的个性化信息推荐服务，从而进一步丰富个性化信息推荐的理论体系以及拓展个性化信息推荐的研究方法。[方法/过程]首先，对每一种个性化信息推荐方法的优点和不足进行深入分析；然后，将基于图论（社会网络关系）、基于协同过滤以及基于内容（主题）3种个性化信息推荐方法进行多维度深度融合，构建个性化信息推荐多维度融合模型；最后，对社会化标注系统中个性化信息推荐多维度融合模型进行优化，从而解决个性化推荐过程中用户"冷启动"、数据稀疏性和用户偏好漂移等问题。[结果/结论]通过综合考虑现有的基于图论（社会网络关系）、基于协同过滤以及基于内容（主题）的个性化信息推荐方法各自的贡献和不足，实现3种方法之间的多维度深度融合，并结合心理认知、用户情境以及时间、空间等优化因素，最终构建出社会化标注系统中个性化信息推荐多维度融合与优化模型。