一种基于 Inception 结构的神经网络协同过滤推荐算法

在商品推荐领域,商品评论信息往往难以得到有效利用。为了充分利用商品评论信息,提高商品推荐系统精度,对 NCF 神经网络协同过滤模型进行改进,将 NCF 模型与 Inception 结构的卷积神经网络相结合,提出基于 Inception 结构的神经网络协同过滤方法（NCF-i 模型）,将商品评论信息融入模型进行预测和推荐。首先基于 Inception 结构的卷积神经网络对商品评论信息进行分析并提取多元特征模型,然后将多元特征模型添加到 NCF 模型中,通过多层全连接层获取用户、商品及商品评论之间的非线性关系,最后基于此非线性关系对商品进行预测和推荐。通过基于真实数据集的实验证明,应用 NCF-i 模型的推荐算法,推荐系统的预测精度和稳定性均优于当前常用的推荐模型。     

基于融合标签与蚁群的协同过滤微博推荐算法

针对协同过滤算法中存在数据稀疏的问题,提出一种基于融合用户标签和蚁群的协同过滤微博推荐算法。将表示用户兴趣的标签引入推荐模型中,利用标签和用户以及标签和微博的关联度,建立用户对微博的兴趣度模型。另外结合蚁群聚类和协同过滤为目标用户进行用户聚类,计算出对目标用户的待推荐微博集。最后利用用户对微博的兴趣度模型从待推荐微博集中选出Top-N为目标用户进行推荐。实验引入标签和蚁群算法的有效性,将测试结果与传统协同过滤推荐算法和纯基于标签的微博推荐算法进行比较,该算法不仅改善了协同过滤算法中数据稀疏和冷启动的问题,而且推荐准确度有明显提高。     

基于改进RFM模型的协同过滤推荐算法研究

为了提高协同过滤推荐技术的服务效率和质量,给出了一种基于改进RFM模型的协同过滤推荐算法。该算法把利润引入RFM模型中,用利润代替购买金额,形成RFP模型,利用RFP来完善基于RFM的相似性计算,充分体现用户价值对推荐结果的影响。实验表明,该算法在提升推荐结果的覆盖率和准确率方面都有着较好的优势。     

一种改进时间上下文关联的餐饮智能推荐模型

针对基于用户的协同过滤推荐模型对搜索兴趣最近邻居准确度不高等问题,提出了一种时间上下文关联的智能推荐模型。该模型考虑了现实情况中顾客之间兴趣的时间同步性与顾客之间的相似性成正比的关系,并在模型中引入了时间衰减因子来表示这种关系,从而提高搜索兴趣最近邻居的准确度。实验结果表明,改进的时间关联推荐模型的准确度比协同过滤推荐模型的准确度提高了25%。     

融合社交特征的学习者模型构建研究

在“互联网+教育”时代,学习者模型是实现个性化网络教学的关键。通过对学习者模型研究现状的分析,在知识模型、认知模型、情感模型和行为模型的基础上,提出一种融合社交特征的学习者综合模型。首先,对模型的特征选择和形式化表征进行了详细说明;然后,针对该模型在学习资源推荐、学习路径推荐、学习伙伴推荐、学习督导和预警中的应用进行了分析。最后,研究认为该模型能够为新型互联网学习环境下的个性化教学服务提供良好的支持。     

云计算环境下基于Apriori算法的智能推荐模型

介绍了Apriori算法和智能推荐的基本思想,针对当前互联网应用中智能推荐复杂性问题,提出了云计算环境下基于Apriori的聚类算法模型。该模型根据用户访问网站的行为特征数据,分析和挖掘出用户期望的浏览对象,动态调整云计算系统的智能推荐内容。实验结果表明,该算法模型有效提高了智能推荐的准确性和效率。     

基于读者兴趣度的高校图书馆书籍推荐方法研究

随着计算机的迅速发展,基于兴趣度图书推荐系统通过统计用户浏览信息,预测其偏好以达到推荐图书的目的。本文研究用户兴趣模型,通过学习分析个性推荐及主要推荐算法的功能和原理,构建用户兴趣模型,实现了兴趣推荐功能,大大减少了用户索书时间。     

泛在学习的内容个性化推荐模型设计——以“学习元”平台为例

泛在学习中资源海量化和快速获取个性化资源之间的矛盾对资源个性化推荐提出了要求。文章在当前个性化资源推荐的基础上,结合泛在学习的需求,以泛在学习资源——"学习元"为例,提出了一种针对泛在学习的内容个性化推荐模型。该模型从用户兴趣、学习偏好和知识模型三个角度出发,利用泛在学习资源的语义描述、KNS网络、生成性信息和学习活动等方面的特性,针对结构化泛在学习资源进行综合推荐。望对未来泛在学习资源推荐研究起借鉴作用。     

基于协同推荐模型的导师研究生双向选择系统

在传统模式下,导师和研究生之间很难在短时间内进行快速、合理的双向选择。研究基于协同推荐模型的导师研究生双向选择系统,将双选进程网络化,采用协同推荐模型对用户进行推荐,构建用户兴趣模型,向用户推荐可能感兴趣的对象。实验证明,该系统有助于快速实现导师和研究生之间的双向选择,减轻学校教务部门的工作负担。     

网络新闻个性化推荐系统策略研究

网络新闻是目前最重要的网络应用之一,其巨大的信息量产生了信息过载问题。为有效缓解信息过载问题,通过网络调查、文献研究、对比分析等研究方法分析了网络新闻推荐中的相关策略,并利用系统分析的方法研究推荐系统模型。总结出可应用于网络新闻领域的个性化推荐系统的推荐策略,构建基于不同推荐策略的推荐系统模型,并分析了网络新闻个性化推荐系统存在的问题和难点,提出其未来发展方向。     

基于评论文本的自适应特征提取推荐研究

现有评论文本推荐方法多使用静态词向量技术获取评论嵌入,但单词多义性会对语义理解产生偏差,且特征拼接策略无法平衡用户和商品特征对推荐结果的影响.为此,提出了基于评论文本的自适应特征提取推荐模型.该模型使用动态词嵌入预训练模型BERT解决多义性问题,结合Bi-GRU与注意力机制的双向特征提取增强特征表达能力,并以自适应特征...     

基于命名实体的网页推荐算法研究

基于命名实体的网页推荐算法,从查询日志入手,分析用户的查询行为,给用户提供智能推荐,从而给出较好的推荐网页.提出了基于混合马尔科夫模型用于目录网页的导航链接和基于LDA特征选择的网页推荐算法用于主题网页推荐,实验结果显示,基于混合马尔科夫模型的推荐算法,达到了比较满意的效果;基于LDA特征提取的网页推荐算法优于传统的推荐算法,很好地满足了用户的需求.     

基于姓名文化多维性的姓名策划计算机推荐系统模型

通过对姓名学的理解，以及对当前家庭给孩子取名的类别分析，归纳总结多种命名方法后，给出了一种利用计算机快速分析、选择并推荐姓名的计算机推荐系统模型。提出了该模型的主要实施步骤和算法，可为姓名策划提供参考。     

基于关联规则的个性化推荐在数字图书馆中的应用研究

协同过滤技术被成功地应用于个性化推荐系统中,但随着系统规模扩大,它的效能逐渐降低.针对此缺点,提出了一种运用关联规则和协同过滤技术相结合的个性化推荐系统模型,这种推荐模型既能有效解决单独关联规则推荐不适合同类图书推荐问题,又能有效解决协同过滤算法不适合异类图书推荐问题;既能有效处理数字图书馆中图书种类和类别层次繁多的图书推荐问题,又能加快推荐速度,在数字图书馆系统中具有良好的推荐效果和应用前景.     

信任模型中虚假推荐问题研究

如何避免推荐信任中虚假推荐问题是信任模型中信任值计算准确的关键因素。应用贝叶斯理论中可信区间的概念,给出了一个过滤虚假推荐的算法。通过判断节点的推荐信任是否落在可信区间内,作为判断推荐信任是否为虚假推荐的依据,并且根据节点推荐的标准差的大小给出过滤虚假推荐节点的顺序,对虚假推荐过滤算法有效性分析表明该算法可以有效地抑止夸大和诋毁问题。     

基于协同过滤技术的学习资源个性化推荐研究

e-learning的调查发现,e-learning支持系统中学习资源推荐主要有Top-N和关键词检索两种方式,都无法向学习者个性化地推荐学习资源。受电子商务研究领域中相关研究成果启发,我们尝试将协同过滤推荐技术引入学习资源的个性化推荐研究中。通过综述学习资源个性化推荐中三种常用的推荐技术,介绍了协同过滤推荐技术的工作原理、实现方法及存在问题。在此基础上,提出了一个优化的基于协同过滤技术的学习资源个性化推荐系统的理论模型,重点讨论了模型的结构、隐式评分机制和算法的实现,并讨论了个性化学习资源推荐模型中的三个关键技术。以启发e-learning研究人员从不同的层面和角度探索协同过滤技术在e-learning中的应用,提高学习资源个性化推荐的精度和效率。     

基于新媒体平台的营销推荐算法机制研究

自媒体时代下由于媒介平台愈加复杂化和多样化,导致数据信息量级快速增长、社交网络结构越加稀疏,同时也存在着大量的异构化数据对现有语义模型产生了巨大的挑战,具体体现为用户冷启动和传统语义模型噪声问题。为解决这些问题设计了基于JPMC的时序推荐算法模型,JPMC模型通过建立隐式的社交网络关系,并通过网络表征学习来实现相同趋向用户的群体邻居选取,最后结合静态社交增强矩阵和动态感知的转移序列完成模型的优化。通过实验验证分析,提出的JPMC时序推荐算法模型比传统语义模型的性能在不同实验条件下提高了7%～60%,能够更有效地挖掘用户的长短时偏好,提高了基于社交网络的模型的推荐准确度。     

利用学习者画像实现个性化课程推荐

在"互联网+"在线学习环境下,探索符合学习习惯和偏好的个性化推荐路径能够降低学习者学习的盲目性、提升学习者在线学习体验.文章提出了一种基于学习者画像的个性化课程推荐方法,首先,利用爬虫技术获得Bilibili网站30多万名学习者的数据,然后对学习者学习数据进行定量分析,尤其是在个性化特征最明显的情感表达方面,采用了基于注意力机制的双向长短时记忆网络进行情感分析,从而构建了包含学习者基本信息、行为和弹幕文本三个维度的学习者画像特征模型.在此基础上,利用深度神经网络建立了教学资源与学习者画像之间的关系模型,用该模型预测学习者新的学习需求.实验结果表明,当学习者登录后,输入要选择的课程,模型能够根据学习者画像推荐相似学习者学习过的课程,提供个性化课程推荐服务,且推荐评价指标也表明该模型能够提高推荐性能.     

基于Web数据挖掘的个性化e-learning解决方案推荐系统研究

本文对国内外e-learning个性化推荐系统的现状进行了分析,建立了一种综合性的个性化e-learning解决方案推荐系统,解决了目前e-learning解决方案推荐系统中学习者兼容性、资源充足性、智能挖掘性、推荐整合性这四大挑战。并主要从技术上对个性化e-learning解决方案推荐系统进行构建,重点对Web数据挖掘算法设计、挖掘引擎设计、系统功能模型、数据库设计、推荐界面进行探讨。     

基于学习行为模型的学习伙伴推荐方法研究

如何提供合适的学习伙伴进行协作学习,是解决远程学习者学习孤独、提升学习效果的关键问题。文章通过网络教学平台采集数据,提出并建立了六维的学习者学习行为模型,并利用相似度区分相似型学习行为模型和互补型学习行为模型,进而为学习者推荐相似型学习伙伴和互补型学习伙伴,而学习者也可以自主选择学习伙伴。实验结果验证了学习行为模型和推荐方法的有效性。相比已有的分组方式,基于学习行为模型的学习伙伴推荐方法具有可视化、智能性、个性化等特点,更适合大规模网络学习环境下的学习伙伴推荐。