基于移动用户上下文的农家书屋阅读推荐研究

该文面向快速发展的移动服务领域,将上下文信息的感知计算融入到农家书屋的数字化服务平台中,充分利用移动读者用户的上下文信息构建三维模型,再利用当前上下文信息进行预过滤,降维成二维,最后结合传统的协同过滤生成TOP-N的书目推荐列表,改善数据稀疏性问题,提升农民读者的阅读体验满意度.     

电子商务推荐系统关键技术研究

简要介绍了电子商务推荐系统的概念,着重讨论了基于协同过滤的推荐技术、基于内容的推荐技术、基于效用的推荐技术、基于知识的推荐技术和基于用户统计的推荐技术,并对这些推荐技术进行了对比分析,最后提出了适合我国电子商务发展的组合推荐策略．     

电子商务推荐系统的研究

本文对电子商务的现状进行分析,并对web挖掘进行阐述,设计了一个基于客户浏览行为分析的电子商务推荐系统,并分析了该系统的功能,在应用过程中根据已有算法的缺陷提出了一种新的聚类算法,帮助电子商务的经营者改进网站的设计。     

推荐系统研究综述

推荐系统已经成为用户和网络应用软件交互的一个重要部分,特别是推动了电子商务的发展。商家已经意识到为了增加销售额和防止客户流失需要开发出具有个性化和可适应的推荐系统。同样,网络上的用户依靠这样的推荐系统在巨大的信息空间中可更有效地找到自己感兴趣的项目。提供了推荐问题的简洁描述,并概述了产生推荐的各种方法及发展趋势。     

一个基于学习者访问聚类的远程教育智能推荐系统

本文提出了一个基于学习者访问聚类的远程教育智能推荐系统.系统使用基于代理的系统结构,由离线的数据预处理和基于学习者访问的URL聚类以及在线推荐引擎两部分组成.进一步,研究提出了一个基于学习者浏览兴趣的推荐规则集生成算法框架,在学习者浏览兴趣度量时综合考虑了学习者浏览时间和对页面的访问次数.最后,研究设计了一个基于推荐规则集和站点URL路径长度的URL推荐算法.与使用基于关联规则或基于学习者事务的推荐系统相比,该系统在推荐准确性上有较大的提高.     

TopN推荐系统的差分隐私保护研究

提出了1种基于差分隐私保护的TopN协同过滤推荐算法—DP-TopN算法,使用Laplace噪音机制分别对推荐过程的数据预处理部分和用户评分部分进行随机扰动,并对推荐算法步骤进行调整,使得整个推荐过程满足差分隐私模型,从而达到保护用户隐私安全的目的。通过在真实数据集上进行的实验和理论分析表明,所提算法能在满足精确推荐的同时有效地保护用户的个人隐私。     

电子商务推荐系统课程研究

为更好地改进电子推荐系统课程教学,本文从影响电子商务推荐质量与效率的三个主要问题:完整的基础评价数据、准确的推荐方法及适宜的计算复杂度展开评述,对目前国内外参考文献进行梳理,阐述了针对这三个问题的目前研究现状及对策,并进行了评析,同时指出了电子商务推荐的进一步发展方向,为该课程的教学提供了更好的支撑。     

基于学习资源的推荐系统研究

本文探究了推荐系统在学习科学中学习资源方面的可行性。主要讨论了推荐系统的组成部分(集体责任,集体智慧,用户控制,导航,个性化)与学习科学理论的良好适应,并分析设计了基于网络学习资源的智能推荐系统的整体框架结构,实现了推荐系统从商业背景到教育背景的转换,提高学习资源利用率,满足学习者的个性化需求。     

一种双向聚类协同过滤推荐算法研究

针对传统协同过滤推荐算法在大数据环境下存在数据稀疏性及计算复杂性等问题,提出一种双向聚类协同过滤推荐算法。该算法首先从用户维度和项目维度两个方向分别进行属性聚类,然后在目标用户和目标项目所在类簇中分别使用改进后的相似度计算方法进行协同过滤推荐,最后通过平衡因子综合预测评分并形成最终推荐列表。在 MovieLens 公开数据集上进行实验,结果表明,该算法（DCF）相比传统协同过滤推荐算法（TCF）、基于用户聚类的协同过滤推荐算法（UCF）以及基于项目聚类的协同过滤推荐算法（ICF）,在平均绝对误差上分别降低了 16%、8.1%、7.5%,有效提高了推荐精度。     

基于聚类协同过滤的个性化推荐系统

个性化推荐系统被越来越多地应用到各类网站中,以解决信息增长带来的信息迷失和信息过栽问题,而协同过滤算法是个性化推荐系统的重要算法之一,但是传统的协同过滤算法存在数据稀疏、冷启动等问题,为了解决这些问题,在综合WEB日志挖掘和聚类两个因素基础上,提出基于WEB日志和聚类的协同过滤算法,并将该算法与传统的协同过滤算法进行分析比较,验证了该算法能够提高推荐的精确度和实时性．     

基于用户属性偏好与时间因子的服装推荐研究

针对服装推荐方法推荐精度不高、覆盖率低,不能充分挖掘用户潜在兴趣的问题,提出一种基于用户图像内容属性偏好与时间因子的服装推荐（UIACF）算法。通过构建深度卷积神经网络,提取服装图像中的服装属性,并据此形成用户属性向量,将基于用户属性偏好的相似度与基于时间因子的用户兴趣偏好相似度融合,构建用户偏好模型。将其与基于用户的协同过滤（UCF）算法、基于项目的协同过滤（ICF）算法及基于项目偏好的协同过滤（UCSVD）算法进行比较,结果显示,UIACF 算法准确率提高 14%。该算法为基于用户的服装协同过滤个性化推荐提供了一种新思路,用户潜在兴趣挖掘效率更高。     

基于用户情境和质量偏好的Web服务推荐方法

随着Web服务数量的迅速增长,Web服务个性化推荐方法已成为Web服务发现和选择的重要辅助手段。为了提高Web服务推荐的准确率和满意度,本文提出基于用户情境和质量偏好的Web服务推荐方法,该方法根据用户的QoS偏好、用户资料和用户共同调用的服务来计算用户的相似度,并以此相似度为基础考虑推荐时间因素,来实现对相似用户Web服务的准确推荐。实验表明,该推荐算法的有效性和可行性。     

基于用户兴趣的文献个性化推荐研究

针对当前文献推荐中个性化程度不高等问题,提出一种对用户行为重新分配权重的度量算法。运用用户行为数据按照时间顺序重新分配权重,突出近期用户兴趣构建用户兴趣模型。通过LDA主题分布、关键词分布等方法构建学术资源模型,实现两模型间匹配,完成推荐。通过实验验证,该算法准确性达到80%,比传统等权重算法提高近20%,召回率与F值分别提升了7%和5%。研究表明,基于时间因素的用户兴趣度量算法相较于传统等权重算法具有更高的准确性,未来可进一步优化用户兴趣度量以实现精准推荐服务。     

面向泛在学习智能推荐的用户偏好影响因素实证研究

准确识别和表达用户偏好是实现泛在学习智能推荐服务的关键,为提升泛在学习服务的个性化和智能化水平,研究并分析影响用户偏好形成的主要因素,对构建具有自适应能力的用户偏好模型具有现实意义。文章以个性化服务理论、情境感知理论和技术接受模型理论为基本框架,分别从服务维度、情境维度、资源维度和技术维度四个方面研究并分析了影响用户偏好建立的主要因素,建立了泛在学习智能推荐用户偏好前因模型,采用结构方程模型统计技术检验了该研究模型,并对实证研究结果进行了分析。     

联邦个性化学习推荐系统研究

当前,个性化学习推荐系统面临数据隐私保护、"冷启动"和法律约束等问题,而联邦学习作为近年来优秀的数据隐私保护机器学习技术解决方案,可有效解决这些问题。基于此,文章将联邦学习和个性化学习推荐相结合,设计了联邦个性化学习推荐系统。首先,文章分析了联邦个性化学习推荐系统的具体应用场景,包括横向联邦、纵向联邦、联邦强化三种。其次,文章分别针对这三种应用场景设计了相应的应用解决方案。最后,文章探讨了未来联邦个性化学习推荐系统面临的严峻挑战,以期帮助教育利益相关者在保护数据隐私的同时共享数据价值,最终实现更安全、更高质量的个性化学习推荐服务。     

基于社交网络的推荐系统研究

近年来,基于社交网络的推荐系统随着社交媒体和大数据的蓬勃发展,逐渐成为推荐系统重点研究方向。将社交网络用户社会化属性信息和评论内容与深度学习等技术结合,可有效解决传统推荐系统数据稀疏和冷启动等问题。首先回顾传统推荐系统常用方法,介绍社交网络推荐系统主要流程和基本框架,然后介绍最新相关研究方向和应用情况,最后对基于社交网络的推荐系统发展趋势进行分析与展望。     

信息管理与信息系统专业移动信息系统课程群构建

云计算的广泛应用和移动互联网的快速发展,使得基于云计算和移动终端的信息系统(简称移动信息系统)得到广大用户认可和使用。企业或公司亦纷纷开发自己的移动信息系统。为了培养社会需求的移动信息系统开发人才,本文以桂林电子科技大学信息管理与信息系统专业为例,探讨了移动信息系统课程群的构建。     

基于用户模型的个性化本体学习资源推荐研究

如何基于学习者的个性化学习特征,使学习者在大量学习资源和学习活动中快速定位自己最适合的内容已成为当前热点问题.本文研究的SAELS(Semantic Adaptiv-Learning System)实现以本体技术为核心,以用户模型为依据的个性化本体学习资源推荐.文中首先以课程为例构建本体,然后介绍了如何构建一个成功的用户模型,接着提出了个性化本体学习资源推荐模型,最后重点探讨了如何根据Felder-Silverman学习风格量表和学习过程行为模式,推断学习风格,和基于概念累积计分法推断认知水平两个层面加以整合实现个性化本体学习资源推荐.     

手机移动阅读系统的研究

随着移动互联网的发展、手机多媒体应用领域的拓展,手机移动阅读应运而生．但是现有的手机移动阅读的运营模式都存在着一定的缺陷．鉴于对Java标准及其技术的支持已经成为手机制造的潮流和方向,本文提出了基于J2EE和J2ME的手机移动阅读系统解决方案,并对基于J2EE和J2ME手机移动阅读系统的系统需求、软件体系结构设计等方面进行了深入探讨,在此基础上以UML和RUP为指导,设计、实现了相应的原型系统．     

Web Service下的商品推荐系统的研究与实现

基于电子商务平台的Web service已经是广大消费者购买或者浏览商品的主要形式之一．但是,网络上的海量信息也给我们带来了很多不便．对于用户来说,如何及时地发现所需要的商品已经变得越来越困难．本文综合运用了关联挖掘、智能推荐算法等机器学习方法提出了一个Web Service下的产品智能推荐Agent模型：Smart Recommendation,该系统通过对用户的历史交易记录的分析,挖掘出客户的购买模式和购买兴趣,并根据发现的模式对用户进行商品的智能推荐．实验结果表明,推荐模型具有较高的准确性,并且对用户的购买行为有一定的指导作用．