基于Agent用户偏好的云制造平台研究

以用户个性化需求为中心,以复杂适应系统、Agent系统等理论为指导,提出基于Agent用户偏好的云制造平台体系架构,分析云制造平台下实现用户个性化服务的关键技术,为实现智能云制造平台提供理论支撑.     

一种基于用户偏好序列的协同过滤推荐

协同过滤技术被成功地应用于个性化推荐系统中,但随着系统规模的扩大,它不能真实地反映用户的兴趣偏好.针对此缺点,提出了一种新的协同过滤推荐算法,该算法根据用户偏好序列的相似性来搜索目标用户的最近邻居和产生推荐,从而有效地解决了传统协同过滤推荐中过分依赖不能真实反映用户兴趣偏好的用户等级评价的问题,改进了传统协同过滤算法中计算邻居用户的方法.实验结果表明,该算法在个性化推荐系统应用中取得了较好的推荐效果和推荐质量.     

基于Agent的智能信息检索系统设计

目前Internet所提供的各种各样的信息资源日益增多,而现有的检索引擎很难帮助用户找到他们感兴趣的相关信息。面对网络信息服务的这种现状,人们在寻求一种将信息用户感兴趣的信息主动推荐给用户的服务方式,这便是个性化的主动信息服务。在实现个性化的主动信息服务中,智能Agent技术起到了至关重要的作用。本文针对目前信息检索系统存在的不足,在系统地介绍信息检索研究背景及意义的基础上对Agent技术、基本原理及特性做了介绍,并设计了基于Agent的个性化智能信息检索系统模型。     

基于动态时间的个性化推荐模型

在推荐系统中,往往会存在数据的非实时性、稀疏性和冷启动性等问题,文中通过引入遗忘曲线来跟踪用户对资源偏好程度随时间变化情况,利用提出一种改进的K-Means聚类算法对用户集进行聚类,根据改进的个性化推荐算法对用户进行推荐,建立了一种基于动态时间的个性化推荐模型. 通过实验验证,文中提出的个性化推荐模型能够获取准确的用户偏好信息,并缓解冷启动问题,降低算法计算的时间空间复杂度,提高个性化推荐算法的推荐质量.     

基于用户偏好加权的混合网络推荐算法

基于热传导或物质扩散理论的推荐算法首先利用网络结构得到对象间推荐关系,然后根据对象间关系预测用户喜欢的对象,而忽略了用户偏好。为了弥补这个缺陷,根据用户已选择对象的标签,利用TF-IDF方法构建用户偏好模型,以用户在预测对象标签上的平均偏好作为对该对象的偏好程度,采用加权方法与现有基于网络推荐算法混合运算。经在基准数据集MovieLens上测试表明,通过与目前效果最好的几种基于网络推荐算法进行加权混合运算,推荐结果在推荐精度、个性化、多样化等多种评价指标方面均比原有算法有明显提高。     

基于社交网络的个性化旅游景点推荐方法

个性化旅游景点推荐是推荐系统的一个重要应用,已被广泛的关注.现有的景点推荐方法聚集在给用户的偏好建模,大都忽略了用户与用户之间的关系以及用户与景点之间的关系.本文提出一种基于社交网络的个性化景点推荐方法,该方法首先使用k-means和DBSCAN算法分别对用户和景点进行聚类;然后将聚类后的用户与景点进行融合,构建个性化旅游景点推荐模型.为了验证本文提出方法的性能,进行了广泛的实验,实验结果显示本文提出的方法在召回率、准确率和平均绝对误差值都明显高于传统推荐方法.     

基于BP神经网络与隐马尔科夫模型的推荐算法

针对个性化推荐系统中用户偏好的学习与高维稀疏数据处理问题.受到隐马尔可夫模型(HMM)结构特征启发,采用一种考虑上下文的两阶段用户偏好收集推理策略的个性化推荐算法.选择MD算法对系统历史评分信息进行挖掘处理,提取用户偏好分布频繁三项集作为隐含状态,将用户评分项目序列看作观测状态,从而抽象为一个HMM模型,结合BP神经网络进行第一阶段的HMM模型的用户偏好学习与推理.然后根据第一阶段的学习训练生成最优推荐集合.实验结果表明基于HMM的推荐算法比传统推荐算法具有更好的适应性和推荐质量.     

个性化Web信息代理的研究与开发

介绍了在Web信息检索过程中通过个性化信息代理(Agent)实现个性化信息反馈的工作、提出了信息Agent模型，涉及元搜索引擎的实现和个性化偏好模型的建立，且通过主动服务代理实现个人偏好查询结果的推送．提高了在Web信息检索过程中系统随用户关注程度和关注领域不断变化而调整信息反馈的能力，并在此设计基础上实现了一个原型系统．     

基于Agent的智能e—Education系统研究

为了在e-Education系统中充分发挥网络资源的优势,提高其智能性,实现自适应教学和个性化服务,设计并实现了基于Agent的智能e-Education系统模型．运用教学策略Agent和教学管理Agent,根据学生的学习进度,智能地选择教学策略,以实现教学的个性化,达到智能化教学的目的;使用移动Agent技术实现Agent之间的通信,提高了用户与系统的交互性．     

基于Agent的智能e—Education系统研究

为了在e-Education系统中充分发挥网络资源的优势,提高其智能性,实现自适应教学和个性化服务,设计并实现了基于Agent的智能e-Education系统模型．运用教学策略Agent和教学管理Agent,根据学生的学习进度,智能地选择教学策略,以实现教学的个性化,达到智能化教学的目的;使用移动Agent技术实现Agent之间的通信,提高了用户与系统的交互性．     

基于WEB使用挖掘的个性化推荐系统的研究

通过网络学习的web日志的使用挖掘,获取学习兴趣,建立兴趣模型.采用相似性度量方法对具有相似兴趣的学生用户进行聚类,实现了学习内容的个性化推荐系统.实验结果表明,基于用户兴趣模型的个性化推荐系统具有较高的准确率、新颖率和非预期率.     

基于聚类和分类的个性化文章自动推荐系统的研究

由于缺乏足够的反映用户兴趣的知识,以及巨大的在线计算量,导致互联网上现有文章自动推荐系统普遍存在盲目性和低效性的问题.针对以上问题,提出了一种基于聚类和分类的个性化文章自动推荐系统,利用机器学习的方法隐式地获取用户模型,并根据用户模型为用户提供个性化的文章自动推荐服务.该系统包括离线用户模型及用户群获取子系统和在线个性化文章推荐子系统两大部分,前者对文章进行聚类形成聚类兴趣点,构建基于聚类兴趣点的用户模型,并根据用户兴趣聚类形成各兴趣点的用户群;后者对待推荐文章进行分类,搜索到其所属的兴趣点,向该兴趣点的用户群进行主动推荐.理论分析和实验结果表明,该系统能够显著提高有效性和在线响应速度.所述的设计思想和技术也适用于其它互联网个性化信息自动推荐系统.     

混合分层抽样统计与贝叶斯个性化排序的旅游景点推荐模型研究

传统协同过滤推荐模型仅处理稀疏的评分数据,未深入挖掘用户及对象的潜在语义,且用户喜好信息也未充分利用.围绕旅游景点推荐这一热点问题,提出全新的混合分层抽样统计与贝叶斯个性化排序的推荐模型：采用分层抽样统计及主观赋值评价法刻画用户旅游喜好;基于矩阵分解算法(Matrix Factorization,简称MF)分析用户及对象(景点)的潜在语义,运用贝叶斯个性化排序算法(Bayesian Personalized Ranking,简称BPR)对推荐模型进行优化;综合用户旅游喜好信息及BPR优化结果,生成混合推荐列表.在新的“Wisdom Tourism”数据集上进行仿真实验.实验表明：推荐模型的RMSE、MAE、F1值较最强基线分别提升16.59%、10.05%、5.04%;相比于分层抽样统计方法,BPR算法在推荐过程中发挥更显著的作用.     

Personalized Real-Time Movie Recommendation System:Practical Prototype and Evaluation

With the eruption of big data,practical recommendation schemes are now very important in various fields,including e-commerce,social networks,and a number of web-based services.Nowadays,there exist many personalized movie recommendation schemes utilizing publicly available movie datasets(e.g.,MovieLens and Netflix),and returning improved performance metrics(e.g.,Root-Mean-Square Error(RMSE)).However,two fundamental issues faced by movie recommendation systems are still neglected:first,scalability,and second,practical usage feedback and verification based on real implementation.In particular,Collaborative Filtering(CF)is one of the major prevailing techniques for implementing recommendation systems.However,traditional CF schemes suffer from a time complexity problem,which makes them bad candidates for real-world recommendation systems.In this paper,we address these two issues.Firstly,a simple but high-efficient recommendation algorithm is proposed,which exploits users' profile attributes to partition them into several clusters.For each cluster,a virtual opinion leader is conceived to represent the whole cluster,such that the dimension of the original useritem matrix can be significantly reduced,then a Weighted Slope One-VU method is designed and applied to the virtual opinion leader-item matrix to obtain the recommendation results.Compared to traditional clusteringbased CF recommendation schemes,our method can significantly reduce the time complexity,while achieving comparable recommendation performance.Furthermore,we have constructed a real personalized web-based movie recommendation system,MovieWatch,opened it to the public,collected user feedback on recommendations,and evaluated the feasibility and accuracy of our system based on this real-world data.     

基于效用理论的电子商务个性化推荐

在详细分析商品属性类型及其给消费者带来的效用价值基础上,重点讨论了在电子商务环境下个性化推荐的主要方法。针对不同消费者对商品属性的偏好,提出不同决策类型用户的效用函数模型,表明了效用函数模型个性化推荐的可行性和有效性。     

学习资源网络模型构建及资源推荐策略设计

通过分析基于终身学习机制的个性化推荐系统与基于电子商务的个性化推荐系统的区别,确定基于终身学习机制的个性化推荐系统的关键问题就是如何为学习者获得想要具备的能力推荐满足他们个人需求、个人爱好以及目前已具备的知识结构的最佳学习路径.针对终身学习中正式学习和非正式学习不同的学习情况,构建了学习资源网络模型,在此基础上将基于本体的推荐技术和协同推荐技术相结合,为学习者的不同学习情况运用不同的推荐策略推荐最佳学习路径.最后通过实验对推荐结果进行分析,确定最优方案.     

Enhanced Learning Resource Recommendation Based on Online Learning Style Model

Smart learning systems provide relevant learning resources as a personalized bespoke package for learners based on their pedagogical needs and individual preferences. This paper introduces a learning style model to represent features of online learners. It also presents an enhanced recommendation method named Adaptive Recommendation based on Online Learning Style(AROLS), which implements learning resource adaptation by mining learners' behavioral data. First, AROLS creates learner clusters according to their online learning styles.Second, it applies Collaborative Filtering(CF) and association rule mining to extract the preferences and behavioral patterns of each cluster. Finally, it generates a personalized recommendation set of variable size. A real-world dataset is employed for some experiments. Results show that our online learning style model is conducive to the learners' data mining, and AROLS evidently outperforms the traditional CF method.     

基于用户兴趣的个性化信息检索方法

目前检索工具的设计大多面向所有用户，而不考虑用户个人的兴趣，导致查准率较低. 由此提出一种基于用户兴趣的个性化检索方法. 该方法利用ODP，把用户的兴趣映射到一个树形结构上，当用户提出查询时，根据用户的兴趣为其提供相应的检索结果. 考虑到人类大脑周期性衰减的生理特点，使用户特征文件随时间动态更新. 实验结果表明，所提出的方法能够基于用户兴趣实现信息的个性化推荐，从而更好地满足用户的需求.     

基于Web内容挖掘的个性化学习系统

基于Web的个性化学习是在远程学习和个性化服务相结合的基础之上发展起来的.利用Web挖掘的方法,针对用户的兴趣变化,搭建了个性化学习系统.并且通过模拟实验,验证该系统的有效性.     

二阶有向相似性对协同过滤算法的影响

考虑用户的二阶相似性信息,提出了一种改进的协同过滤个性化推荐算法.实证统计发现,经典的基于产品映射的用户相似性定义中包含很多流行产品的信息,因此,无法准确度量用户的兴趣关联,通过引入有向的二阶相似性,算法可以有效降低大众主流喜好对目标用户相似性定义的影响.Movielens数据集上的实验结果显示,算法的准确度可以达到0.080 8,相对于经典的协同过滤算法,其准确性提高了22.08%,且当推荐列表长度L=50时,推荐列表的多样性可以达到0.775,较经典的协同过滤算法提高了10.87%.研究表明,二阶有向相似性信息对个性化推荐算法有很大影响.