基于协同过滤算法的微博平台的信息推荐研究

将改进的协同过滤算法应用于微博平台的信息推荐,拓展微博算法的应用范围,增加微博平台的可用性,提高信息推荐的结果准确性,更好地满足用户的信息需求.首先分析协同过滤技术及其如何应用于微博信息推荐,并将基于微博文本特征的推荐算法与传统的推荐算法相对比,再融入微博用户兴趣度,得出更优的推荐算法.运用改进的协同过滤算法提高微博平台的信息推荐质量,使微博平台信息推荐更加精准、有效.     

“订单”模式招生与毕业生就业推荐是成人职业教育发展的两大举措

近年招生情况显示,企事业单位越来越注重单位成员的整体素质与实际能力,为此,成人教育一方面要为企事业改造现有人员的知识结构,另一方面提供即录即用的合适人才,减少用人单位的浪费,拓展成人教育办学空间。     

Investigating and counteracting popularity bias in group recommendations

Popularity bias is an undesirable phenomenon associated with recommendation algorithms where popular items tend to be suggested over long-tail ones, even if the latter would be of reasonable interest for individuals. Such intrinsic tendencies of the recommenders may lead to producing ranked lists, in which items are not equally covered along the popularity tail. Although some recent studies aim to detect such biases of traditional algorithms and treat their effects on recommendations, the concept of popularity bias remains elusive for group recommender systems. Therefore, in this study, we focus on investigating popularity bias from the view of group recommender systems, which aggregate individual preferences to achieve recommendations for groups of users. We analyze various state-of-the-art aggregation techniques utilized in group recommender systems regarding their bias towards popular items. To counteract possible popularity issues in group recommendations, we adapt a traditional re-ranking approach that weighs items inversely proportional to their popularity within a group. Also, we propose a novel popularity bias mitigation procedure that re-ranks items by incorporating their popularity level and estimated group ratings in two distinct strategies. The first one aims to penalize popular items during the aggregation process highly and avoids bias better, while the second one puts more emphasis on group ratings than popularity and achieves a more balanced performance regarding conflicting goals of mitigating bias and boosting accuracy. Experiments performed on four real-world benchmark datasets demonstrate that both strategies are more efficient than the adapted approach, and empowering aggregation techniques with one of these strategies significantly decreases their bias towards popular items while maintaining reasonable ranking accuracy.     

基于矩阵多源加权关联规则在个性化推荐中的应用

针对传统关联规则挖掘算法中频繁信息不完善,以及电子商务中各个影响因素贡献值不同的问题,提出一种基于矩阵多源加权关联个性化推荐模型——MSWPR模型,并在考虑虚拟行为水平加权和多源关联垂直加权的基础上引入最小支持数概念作为剪枝的依据,进一步结合该模型对个性化推荐流程进行概述。     

面向精准服务推荐的客户与服务知识粒度研究

重点对客户与服务知识粒度进行探讨,提出客户与服务知识不同层次粒度之间的转换方法,通过实证分析,给出客户与服务知识的粒化以及粒度跃升的实现过程,为精准服务推荐的实施做好铺垫。     

试论科学发展观在高职院校就业指导中的运用——以南宁职业技术学院艺术工程学院为例

就业是民生之本,也是安国之策。以科学发展观指导高职院校就业推荐工作,就是要以实现人的全面发展为目标,按照以人为本的要求,统筹促进全方位就业协调增长。南宁职业技术学院艺术工程学院在就业推荐工作取得的成效,表明科学发展观在就业指导中的运用非常重要。     

基于SOA的混合个性化推荐平台研究

文章分析推荐系统的国内外研究现状,总结传统推荐系统的不足,据此提出一个基于SOA的混合个性化推荐平台改进方案。在平台的基础上构建基于SOA的混合推荐模型,对影响模型内推荐策略选择的内部因素和外部情境因素进行了详细分析,并指出该平台的优势和实施时应注意的问题。     

社会化推荐在隐性知识交流中的应用研究

在企业、图书馆和学术机构中,隐性知识交流一直是一项重要的研究内容,但是目前的隐性知识交流中存在着一些障碍和不足。文章通过分析隐性知识交流的研究现状,指出这些障碍和不足,并提出社会化推荐服务能够有效促进组织和个人间的隐性知识交流,解决隐性知识交流中存在的问题。     

个性化网络协同推荐服务的扩展及其实现

传统的网络协同推荐服务对用户行为数据进行统一挖掘处理,但在处理分散数据时,难以开展协同服务.由此,推荐服务系统的可扩展问题日益凸显.实际上,用户信息行为与需求层次结构的对应关系已为构建可扩展的个性化协同推荐服务系统提供了一种新思路.可扩展的个性化协同推荐服务模型从需求层出发,通过行为层、过滤层、推荐层、交互层和资源库的扩展,最终实现个性化协同推荐系统的可扩展性.     

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。