基于模态符号数据分析的混合推荐算法

传统混合推荐算法基于点数据来描述用户模型,存在信息丢失、难以统筹考虑用户所有偏好信息等问题,严重影响了推荐系统的质量和效率。针对该问题,以符号数据为基础,建立了基于模态符号数据分析的混合推荐算法。用模态符号数据对用户建模,引入模态符号数据的距离度量计算用户兴趣模型间的相似性,同时整合用户人口统计信息的相似性,形成用户的综合相似性,最终完成推荐。实验结果表明论文方法在应对数据稀疏性及新用户问题时,具有更高的推荐精度。     

基于情境聚类和用户评级的协同过滤推荐模型

协同过滤是电子商务推荐系统中广泛应用的推荐技术, 但面临着严重的用户评分数据高维化和稀疏性问题. 同时, 传统协同过滤中的相似度度量方法没有考虑用户评分行为对其他用户的影响, 因而对评分预测的精度影响较大. 此外, 在移动环境下, 传统协同过滤未结合情境信息, 导致推荐质量下降. 对此, 提出一种基于情境聚类和用户评级的协同过滤模型. 首先, 根据情境信息对用户进行聚类, 降低用户评分数据维度和稀疏性; 然后, 引入社会网络理论分析用户间关系, 建立用户评级模型用于评价用户推荐能力, 并结合评级指标进行评分预测. 通过MovieLens和NetFlix数据集对基于该模型的SlopeOne算法和其它三种方法的比较验证结果表明: 本模型在所有数据集上都获得了最高的预测精度, 同时还具有最佳的推荐覆盖度, 可显著提高预测精度, 更适用于移动电子商务环境下的个性化推荐问题.     

移动情境感知环境下的用户行为模式挖掘算法研究

针对当前个性化精准营销推荐策略研究中用户情境多样性和动态性等问题的挑战,提出了一种移动情境感知环境下的用户行为模式挖掘算法.该方法采用一种嵌套键值模型,对多源异构的移动情境感知信息进行有效融合和存储,构建了基于规则的多维序列模式挖掘算法MSP及其改进算法UTDMSP,能够从用户移动情境感知信息和交互行为中发现全局频繁和局部频繁的用户行为模式,识别用户长期保持的行为习惯和兴趣偏好,以及近期习惯和偏好的变化新趋势.在真实数据集上验证了本文所提出模型和算法的有效性.     

LBSN中考虑用户交友偏好的好友推荐方法研究

基于位置的社交网络(location-based social networks,LBSN)大为流行之余,也带来了信息过载问题.好友推荐是所有社交网络必须面临的问题,为了改进LBSN中好友推荐的效果,构建了考虑用户交友偏好的好友推荐模型(friends recommendation considering users'preference,UPFR).从兴趣相似性、距离和熟识度三个属性刻画LBSN中的用户,兴趣相似性属性基于信息熵理论计算、距离属性通过朴素贝叶斯推导、熟识度属性建立在共同好友的基础上.在对三个属性进行集成时,考虑了用户的交友偏好,通过目标用户的好友列表确定各属性的权重,建立了自适应用户交友偏好的好友推荐算法.通过Foursquare上的数据实验证明该算法能取得较优的综合推荐效果.     

基于灰关联分析和时空偏好特征的兴趣点推荐算法

为了提高动态推荐效果, 从时间个性化和连续性的角度出发, 细化了签到用户的时间特征, 利用灰关联分析度量时间向量的相似度, 与矩阵分解算法结合, 给出了一种新的矩阵分解算法。该算法可缓解时间戳细化签到矩阵后带来的数据稀疏的影响。同时为了提高个性化推荐, 采用自适应核密度估计方法捕捉用户的空间偏好, 增强用户的个性化体验, 进而提高推荐质量。在此基础上, 设计了一种新的兴趣点推荐算法。实验结果表明, 该算法能有效地提高推荐准确率和召回率。     

考虑用户兴趣和能力的众包任务推荐方法

众包平台的信息过载使工人面临任务选择的困难.针对众包特征,本研究提出一种考虑工人兴趣和能力的任务推荐方法.该方法基于协同过滤推荐思想,首先通过TF-IDF技术构建考虑兴趣偏好的工人模型,然后将基于胜任力理论分析构建的工人KSAO能力集合融入到模型中,构建新的工人模型;在此基础上,利用余弦相似性、Jaccard相似性和改进的余弦相似性公式,计算工人间融合兴趣和能力的综合相似度,依此来选取近邻集并最终生成推荐.利用猪八戒网采集的数据进行实验,结果表明该方法的有效性,并通过对比实验证实该方法比传统协同过滤方法推荐效果更佳.从推荐视角丰富众包任务选择的研究,对于众包中解决信息过载、增进个性化体验等具有一定的现实意义.     

基于位置信息的协同过滤推荐算法

近年来O2O电子商务模式兴起并迅速发展。针对移动互联网领域的信息过载和个性化服务推荐问题,通过将移动用户的位置信息引入到协同过滤的推荐过程,提出一种基于位置信息改进的协同过滤推荐算法。该算法首先通过计算用户与项目的距离对项目集进行预过滤,以项目被评分用户的交集作为计算项目相似度的基础,对预过滤项目集进行偏好预测。实验表明,该算法能有效大幅减少推荐过程中的计算量以改善推荐的实时性,并能对新项目和新用户作出推荐。     

基于GPS轨迹的用户兴趣点及频繁路径挖掘研究

用户在一定区域内的长期移动行为与某些物理位置相关,如家和办公室等.为了从用户的日常移动轨迹中找出这些位置与轨迹的关系,本文提出一种新的基于移动位置扰动的端点划分与聚类方法.该方法首先将GPS轨迹划分为成组的线段集,然后运用聚类方法将地理上相似的端点进行聚类以检测用户的个性化兴趣点,最后利用原始轨迹来映射个性化兴趣点之间连接关系,生成用户在区域内的移动路径网络.理论与实验结果表明,本文提出的方法可有效地从大量GPS轨迹中发现用户的频繁路径及个性化兴趣点,从而能够为其提供更好的个性化地理信息服务.     

基于信息传播理论的微博协同过滤推荐模型

高速发展的微博带来信息富余,也带来了信息过载,不断新增的非结构化微博文本内容和复杂的社会网络关系导致个性化推荐难以实施.针对微博网站特征,提出一种基于信息传播模拟的协同过滤推荐模型并给出推荐框架图,解决推荐的数据稀疏性和冷启动问题.首先,通过自然语言处理技术处理非结构化文本内容,获取关键词为推荐对象,构建用户-关键词偏好模型;然后,采用一阶马尔可夫随机游走模拟用户偏好在社会网络中的传播过程,得到用户-关键词偏好矩阵.实验使用来自新浪微博的数据集,采用平均绝对误差、准确率和召回率三个指标评价推荐模型,并与基准模型进行对比.实验结果表明,因整合了社会网络结构信息,基于信息传播的协同过滤推荐模型的效率比基准模型有明显提高.     

基于网络浏览行为的小众领域用户画像建模

基于网络浏览行为,研究小众领域的用户画像建模方法.本文提出构造领域文本伪本体的方法,并从用户的网络浏览行为中挖掘用户兴趣,生成了基于领域兴趣的用户画像,随后将构建的用户画像应用于个性化推荐领域,解决了小众领域因用户量少、信息不足而难以精准刻画用户画像的问题.该方法在以下三方面显著不同于其他相关研究工作:1)基于领域文本快速构建领域伪本体,构建基于伪本体的用户画像建模方法;2)采用词向量将网页映射到伪本体,构建画像生成算法;3)基于领域概念间相似度构建画像优化算法.最后,本文使用了交响乐团的售票数据及用户的网络浏览数据,采用多个指标进行实证分析,验证了本文提出的画像建模方法的有效性与合理性.     

协同过滤推荐算法研究: 考虑在线评论情感倾向

协同过滤推荐算法通常是基于兴趣相似的用户行为来实现个性化推荐, 其核心义用户之间的兴趣相似度. 本文在传统的协同过滤推荐算法基础上, 考虑在线评论对用似度识别的影响. 在混合商品推荐中, 粗粒度识别评论情感极性; 而在同类商品推荐中, 细粒别每个商品特征的情感极性. 如果用户对产品的某个特征评价次数大于平均次数, 表明用户对征较关注; 如果对产品的某个特征评价低于平均评价, 表明用户对该特征较挑剔. 进而根据用户评论来建立用户偏好模型, 用户在评论中反映出来的相似度越高, 表明用户之间的偏好越. 实验表明, 同传统的协同过滤算法相比, 基于在线评论情感分析的用户协同过滤算法在率和召回率指标上有显著提升.     

基于Vague集理论的推荐系统中用户兴趣度的描述

用户兴趣度的描述是推荐输入研究中的重点问题,论文通过对用户兴趣描述中存在的复杂性和不确定性因素的分析,提出借助Vague集理论解决这一问题难点的思路.论文定义用户评分,用户注册信息,分享,购买,收藏,浏览时间等六项指标反映用户的兴趣爱好,采用Vague集方法得到了六项指标的取值,利用线性加权的方法得到任一用户对任一属性的Vague兴趣度描述.论文的研究在不确定理论研究推荐算法方面奠定了理论基础,同时也为Vague集理论的研究发现了新的应用背景.     

有向相似性对协同过滤推荐系统的影响研究

为研究用户的相似性对协同过滤个性化推荐算法的影响,认为用户的有向相似性应该由邻居用户指向目标用户,而非由目标用户指向邻居用户。基于该思想,提出了一类改进的协同过滤算法。通过对Movielens数据集的实验分析,结果发现改变用户相似性的方向可大幅提高推荐结果的准确度和推荐列表的多样性。进一步,强化相似度高的用户的推荐强度可大幅提高推荐效果,算法的准确性可提高17.94%,达到0.086 4,当推荐列表的长度为10时,推荐列表的多样性可达到0.892 9,提高20.9%。该工作表明用户相似性的方向是否合理对推荐算法具有非常大的影响。     

隐私管理技术特征对移动用户信息披露意愿的影响

基于CPM理论,从用户需求的视角探究隐私管理的技术特征对移动用户信息披露意愿的影响作用。通过情景式问卷调查的方式,采用SmartPLS3.0对收集的283份有效数据进行实证分析。研究结果表明：隐私管理的技术特征（信息管理、许可声明管理和交互管理）通过感知控制对用户个人信息披露意愿产生显著的正向影响,且信息管理和交互管理对移动用户的信息披露意愿有直接的正向影响;同时,感知的监视对感知控制与用户信息披露意愿之间的关系具有部分中介作用。研究结论为移动服务商设计符合用户需求的移动商务应用,刺激更多的用户披露个人信息,从而促进移动商务企业健康的发展提供相应的理论指导与建议。     

基于Agent的顾客行为及个性化推荐仿真模型

针对传统个性化推荐研究方法的局限性, 提出一种基于Agent建模与仿真的方法, 通过个体的交互作用所产生的涌现特征来分析移动电子商务环境下的顾客行为及个性化推荐策略的有效性． 以移动商务环境下的餐饮推荐系统为例, 分析了消费活动过程中顾客与服务的交互行为, 以及情境因素对顾客消费的影响, 构建了服务推荐及顾客行为规则, 并在REPAST环境下实现了本Agent仿真模型． 仿真结果表明:该模型可有效分析及预测服务推荐和顾客决策的涌现现象, 并由此推断顾客总体的消费趋势; 同时, 考虑情境因素的推荐模型的有效性比单独基于顾客个性化信息的推荐模型有明显提高．     

基于情境化用户偏好的协同过滤推荐模型

协同过滤推荐是目前个性化推荐系统中使用最为广泛的方法.然而,传统协同过滤推荐一方面仅根据用户对项目的评分来判断用户之间是否存在共同喜好具有一定的片面性,因而降低了近邻搜索的质量;另一方面忽略了不同情境对用户偏好影响的差异性,进而影响了个性化推荐的效果.为此,提出一种基于情境化用户偏好的协同过滤推荐模型.首先,在模型中采用信息熵理论分析不同情境对用户偏好产生影响的重要程度,并结合用户-商品评分和用户对商品属性的偏好来搜索近邻用户;在此基础上,将情境重要度的权重引入到协同过滤推荐的生成过程中进而产生推荐结果.通过MovieLens数据集对该模型和其它两种协同过滤推荐进行比较的结果表明:本模型具有较低的平均误差,进而表明了考虑情境化用户偏好的协同过滤可明显改善个性化推荐的质量.     

传感网络中基于消息预取的移动查询

针对无线传感器网络向终端用户传送信息的数据服务问题,提出了一种移动环境下满足时间空间约束的数据查询处理技术。结构上由代理体和网络节点两层组成,其中网络节点执行消息预取、查询分散和数据收集处理功能,通过对用户的运动路线进行预测并向传感节点发出预取消息,由节点自主构建网络查询树,再由数据集中组件完成数据的收集和融合,用户在到达传感区域后能在查询周期结束前获取查询数据。对该技术的性能进行了理论分析和实验仿真,结果表明在能耗增加不多下,移动查询能保持良好的数据完整性和高的查询成功率,验证了该技术的有效性。