基于知识决策的数字图书馆个性化推荐

个性化推荐服务是数字图书馆发展的方向。本文通过比较国内外典型的数字图书馆个性化系统,分析了它们的共性和特性,并说明了个性化服务在数字图书馆中的应用现状。针对现有个性化系统存在的问题,从资源共享、知识管理、决策支持、智能化推荐方面提出了数字图书馆个性化推荐服务的改进措施和创新方法。将个性化推荐与知识管理和决策支持有效的结合起来,创建了基于知识决策的个性化推荐服务系统的模型,该模型的主要特点是主动的向用户推荐能够辅助决策的知识,将推荐信息的服务提升到推荐知识的服务。在创建模型的基础上,设计并分析了该模型的主要功能和实现的技术方法。     

一种基于智能过滤的Web个性化推荐模型

Web个性化研究的关键技术是推荐系统,其作用是根据用户模型推荐个性化内容,当前推荐技术的研究主要包括四种模式：基于规则过滤、基于内容过滤、基于协作过滤和混合过滤模式。前三种工作模式采用的是传统技术和方法,根据当前推荐系统研究的重点和热点,提出一种Web个性化应用的智能过滤推荐模式。智能过滤推荐模式组合采用以上三种工作模式的优点、避免前三种单一模式的缺点。该方法的突出特点是根据离线学习模型提取的用户偏好特征,实现在线智能推荐。     

面向C2C电子商务平台的三维个性化推荐方法研究

定义C2C电子商务平台中不同于B2C平台的三维推荐空间和推荐问题,并针对该问题提出一种三维个性化推荐方法。该方法对传统二维协同过滤方法和基于内容推荐的方法进行混合和扩展。首先利用卖家特征属性计算卖家相似度,并基于销售关系和卖家相似度对三维评分数据集进行填补,以解决评分数据的稀疏问题,再利用填补后的评分数据计算买家相似度,获取最近邻并预测未知评分。实验证明,该方法能较好地解决C2C平台中的个性化推荐问题,在形成卖家和商品组合推荐时具有较好的性能。     

个性化推荐系统中的用户模型问题

个性化推荐系统已成为图书馆提供个性化服务的重要手段，而用户模型则是个性化推荐系统的基础和核心。然而基于关键词的用户模型已经不能够适应用户的个性化信息需求，本文提出了基于ontology的用户模型的设想。     

一种基于用户标签网络的个性化推荐方法

基于标签进行个性化推荐是目前的一个研究热点,不同的推荐算法对标签进行了不同的处理.用户使用的标签之间存在着某种内在联系,由此可构建用户标签网络.根据这一启示,本文提出了一种基于用户标签网络的个性化推荐算法.首先,将用户标签网络视为用户兴趣模型雏形,利用社会网络分析方法计算标签权重,并以加权标签集的形式表示用户兴趣模型,最后将标签权重转化为资源与用户兴趣的相似度,进而实现个性化推荐.实验表明,本方法能较为准确地揭示用户的兴趣,产生的推荐资源与用户兴趣匹配程度较高.     

基于用户画像的图书馆个性化推荐体系构建策略研究

随着智慧要素在不同领域的广泛应用,基于“智慧+”的个性化服务方式逐渐成为信息行业发展的重要趋势和方向。作为“十四五”时期智慧服务建设的重要项目,图书馆将会在新理念和新技术的引领和支撑下更加重视用户的中心地位,大力发展基于用户画像的个性化推荐服务系统,转变传统僵化思维,构建“书找人”的主动服务范式。文章简述了用户画像的概念和形成步骤,分析了图书馆构建基于用户画像的个性化推荐系统的参与要素、服务框架与具体要求,并就如何优化推广成效给出了若干建议。     

基于用户画像的高校图书馆个性化资源推荐服务设计

用户画像作为大数据分析背景下个性化推荐服务的设计工具,为高校图书馆领域个性化阅读资源推荐服务提供解决思路。本研究在分析目前个性化推荐和用户画像研究的基础上,引入用户画像技术,从数据基础层、数据处理层、画像构建层、画像服务层设计探讨用户画像的构建流程,重点在用户画像构建和画像服务层面进行阐述,同时从用户基本属性、阅读状态、学习风格、阅读偏好四个维度构建用户多维画像模型,并提出基于冷启动和用户阅读学习过程画像的个性化推荐服务策略,以期为后疫情教育环境下高校图书馆开展个性化资源推荐服务和满足用户多维度阅读学习需求提供参考。     

个性化推荐系统用户建模技术综述

在分析目前各类个性化推荐系统的基础上,从数据获取、用户模型的表示、学习和更新四个方面对推荐系统用户建模领域的相关技术进行系统评述,并着重分析了用户建模过程中所面临的关键议题。最后指出推荐系统用户建模领域的一些发展方向。其目的是希望能够对构建准确、有效的推荐系统用户模型,提高推荐的质量和接受度带来启示。     

基于改进内容过滤算法的高校图书馆文献资源个性化推荐研究

[目的/意义]基于内容的过滤推荐中,针对向量空间模型表示文本时容易造成维度灾难的问题,提出利用余弦值r与匹配度值Sim相结合的方法对原有模型进行改进。[方法/过程]由文献资源和用户兴趣分别筛选出权重较大特征词的词向量,进而由公式计算余弦值r,结合对应的特征词权重进一步计算出匹配度值Sim,将其作为向目标用户推荐文献的依据,并利用河北工业大学图书馆的相关数据对改进模型、向量空间模型及LDA主题模型进行实验,最后利用查准率、召回率、F1值及运行时间等评价指标对3种模型的实验结果进行分析。[结果/结论]实验结果表明所提出的改进模型相比较于实验中的向量空间模型与LDA主题模型具有更高的应用价值与运行效率。     

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。     

基于混合隐Markov链浏览模型的WEB用户聚类与个性化推荐

针对传统的Markov链模型不能有效的表征长串访问序列所蕴含的丰富的用户行为特征(用户类别特征、访问兴趣迁移特征)的缺点,提出混合隐Markov链浏览模型.混合隐Markov链模型使用多个不同的模型来区分不同类别用户的浏览特征,并为每个类别的用户设置了能跟踪捕捉其访问兴趣变化的类隐Markov链模型,能更好地对WWW长串访问序列的复杂特征进行建模,在真实WWW站点访问日志数据上的用户聚类实验与个性化推荐实验的结果表明,混合隐Markov链模型与传统的Markov链模型相比,具有更理想的聚类性能和推荐性能.     

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。     

网格环境下的个性化信息推荐服务模型研究

本文主要解析了个性化信息推送服务的形式,探讨了在网格环境下各种信息推送服务的模式,特别强调了在网格环境下推送服务中间件的作用,揭示了中间件在不同类型的推送服务中将如何工作。     

基于平均差异度的数字图书馆个性化推荐算法研究

针对用户评分数据极端稀疏情况下传统个性化推荐算法的不足,提出基于平均差异度的个性化推荐算法,该算法通过计算用户对项目评分之间的平均差异度来预测用户对未评分项目的评分,从而产生高质量的推荐。实验结果表明,该算法可以有效地提高数字图书馆个性化推荐系统的可扩展性及推荐准确度。     

高校图书馆个性化专题推荐研究

为应对高校图书馆用户普遍面临的"信息过载"和"信息迷航"问题,提高图书馆专题信息服务质量和优化资源的有效利用,文章采用数据挖掘和数据推荐技术,构建了一个高校图书馆个性化专题推送服务模型,并应用该模型对广西某高校图书馆MELINETS II系统中大量的查询借阅日志记录进行了挖掘和分析,以便为高校图书馆用户指引及时、准确、适宜的资源,并提供更具人性化和针对性的个性化信息服务。     

国外基于标签的个性化信息推荐模型研究进展

对国外基于标签的个性化信息推荐模型的研究背景进行述评,根据标签系统中用户、资源、标签组织方式的不同,将基于标签的个性化信息推荐的研究归为三类--基于图论、基于张量和基于主题模型进行分析,详细阐述各自的特征和可能存在的问题等,最后针对目前的研究状况,提出未来需要解决的问题,希望我国图书情报领域能够借鉴国外这一领域相关研究成果。     

一种基于数据挖掘技术的馆藏资源个性化推荐服务

本文介绍了一种如何将ID3决策树算法和关联规则应用于馆藏文献信息资源的个性化推荐服务当中去的方法.文中首先对读者借阅历史记录进行了挖掘和分析,利用决策树算法挖掘出可推荐的相关读者对象,再依据关联规则提取借阅历史记录并对其进行分析和挖掘,从中找出相关潜在的有用或有价值的规则,然后依据这些规则选择出最适合推荐的项目推荐给读者.该方式是为实现个性化推荐服务所进行的一种新的探讨,具有算法收敛性好,计算方法简单有效,可靠性高,推荐效果显著等优势,与传统推荐技术相比,能够更加全面、准确、清晰地进行文献推荐.理论和实践结果表明,所提出的这种方法是一种行之有效的形式.