元搜索引擎的个性化

提出一种通过产生用户动态偏好来达到个性化搜索的方法．利用RDF的语义表达能力存储和优化基于访问记录的用户偏好,并采用聚类方法划分用户群,实现对用户偏好的有效管理。给出了元搜索引擎选择算法和搜索结果排序算法,实现了一个个性化的元搜索引擎,实验表明,该搜索引擎提高了查询准确率和使用效率,并能够根据用户及其所在群的历史偏好信息重新组织搜索结果．     

基于时间帧的网上交易动态信用评估模型

针对现有的网上交易信用评估系统对用户行为改变的动态适应能力和对用户弄虚作假的鉴别能力支持不足,提出一个基于时间帧的动态信用评估模型.模型考虑了时间因素对信任评价计算结果的影响,引入评价可信度、近期信任、长期信任和累积负信任4个参数来计算可信度.实际应用表明基于时间帧的动态信用评估模型,可有效减小短时间内虚假交易对最终信任评价结果的不良影响.     

基于网格服务的电子交易体系与交易流程分析

针对目前电子商务交易中存在的资源瓶颈问题,结合网格技术的应用背景,研究基于网格服务的电子商务交易体系与交易流程问题.从数据资源服务、网格服务中间件和电子商务网格服务等方面提出基于网格服务的电子商务交易体系,从交易识别和确定数据源、资源发现的资源调度算法、信用评价、支付网格服务等方面分析电子商务交易的网格服务流程;从交易过程、信用流程和评价方法等方面分析基于网格服务的电子商务交易的信用评价,提高交易的效率和可信度.     

单一维度用户感知信息辅助概念设计技术研究

针对辅助产品概念设计中研究受专家主观因素影响较大,用户感知信息不能有效辅助产品概念设计的问题,探索了单一维度用户感知信息辅助的概念设计技术.基于用户单一维度认知方式,建立用户感知信息模型,并依据该模型构建用户感知信息与产品造型特征属性间的关联.采用目标用户群参与产品概念方案的决策评价,利用用户感知敏感度曲线分析方法提取用户偏好信息,并实现产品概念方案的优化,从而实现用户感知信息对产品概念设计的有效辅助.     

C2C电子商务动态信用评价模型

信用问题是制约电子商务发展的主要瓶颈,目前国内C2C电子商务网站所提供的信用评价体系在一定程度上保证了网络交易的安全,但也存在着一些问题.提出了一个C2C电子商务动态信用评价模型.该模型根据交易历史,在综合考虑交易金额、交易时间、评价方信用度、未做评价交易等因素的基础上,采用动态计算的方式,为交易的成功进行提供可靠的依据.该模型可以有效区分恶意用户和诚信用户,从而减少信用欺诈等行为,提高C2C电子商务的安全性.     

蚁群聚类算法在IPTV用户群偏好分析中的应用

本文简要阐述了蚁群算法的基本原理和特征,从蚁群算法原理和算法模型的构建思想出发,提出了一种单蚁群聚类的基本解决思路,并将此算法应用于IPTV用户群偏好分析中,提出了有效的偏好挖掘算法.     

融合隐式信任与属性偏好的群组推荐算法

随着互联网和推荐系统的不断发展，推荐服务的对象由单一用户扩展为群组成员，获取并融合组内成员的偏好、提升群组推荐效果成为当前推荐领域研究的热点问题.利用用户提供的多属性评分矩阵，提出一种融合隐式信任与属性偏好的群组推荐算法.首先，基于用户共同评分项目数和多属性评分相似度计算用户间的直接隐式信任，并利用信任传递机制获取用户间的间接信任，降低数据稀疏性.然后，通过计算用户各属性评分与总体评分间的距离来挖掘用户的属性偏好，在此基础上，利用注意力机制学习组内用户权重，将用户偏好聚合为群组偏好，进而结合深度学习框架对候选项目进行预测，生成最终的推荐列表.最后，四个数据集上的实验验证了提出的算法的有效性和可行性，实验结果表明，该算法的准确率、nDCG等评价指标明显优于对比算法.     

一种社团信任驱动的云服务选择方法研究

针对云环境中满足用户个性偏好的高质可信服务的选择问题,提出一种社团信任驱动的服务选择模型(CTDSS).基于服务选择的二分网络,结合云服务消费者的服务选择相似度与服务评价差异度形成用户偏好相似度,给出了可信推荐社团的聚类算法.利用互信用户社团,预测用户对未知服务的信任评价,指导用户的云服务选择.仿真实验和公开数据实验表明:所提方法能够有效地识别云计算环境下基于服务偏好的用户社团,利用社团信任驱动的服务选择机制为用户的服务选择提供了准确的决策依据.     

基于潜类混合Logit的铁路疏解衔接系统用户细分

铁路疏解衔接系统用户细分是开展枢纽衔接优化的重要环节.将潜在类别模型与非集计混合Logit模型的似然函数进行融合,构建了一种能同时实现用户分类和行为分析的潜类混合Logit用户细分模型;通过在潜在类别中设置衔接方式属性随机偏好参数,实现了相同子市场用户间似而不同的属性偏好表达.依托成都东客站到达旅客的衔接方式选择SP(陈述偏好)调查数据,借助NLogit软件编程对该模型的测试与标定过程进行了说明,并结合标定结果对各衔接方式的市场总体时间弹性和费用弹性进行了计算,提出了相应的管理措施.结果显示,模型将铁路疏解衔接系统用户细分为"公交偏好型"、"私家车偏好型"、"出租车偏好型"、"网约车偏好型"4个子市场,不同子市场间呈现出差异化的市场占有率、属性敏感性和属性偏好程度,验证了潜类混合Logit模型在市场细分中能兼顾外源、内源性细分变量,并具有经济学解释能力强的特点.     

基于软约束满足理论的用户偏好建模方法

用户建模是电子商务领域的重要研究问题之一,但是到目前为止还没有非常有效的方法能够建模用户的动态偏好等特征。在分析电子商务领域用户偏好特征获取一般特点的基础上,提出基于实例的两阶段递增式用户偏好特征获取方法。并采用基于半环的软约束满足问题表示用户的各类偏好特征,将用户建模看成是潜在方案空间上施加一系列偏好约束的过程。提出不同的偏好约束类型以及利用偏好约束建立用户模型的过程,实现电子商务领域复杂用户偏好的灵活建模。     

基于区块链和混合连续双向拍卖的分布式电力交易机制

针对分布式电力交易中缺乏有效可靠的交易机制来规范用户信用行为的问题,提出基于区块链和混合连续双向拍卖的电力交易匹配机制。混合连续双向拍卖把信用值引入到用户报价调整中,通过信用值和报价的加权平均值进行连续双向拍卖交易匹配。这种匹配机制能有效减少恶意节点对电力资源分配的影响,从而提高总体收益和用户交易积极性。同时,为了使总体利益最大化,提出基于均衡值的报价策略。然后,借助区块链实现用户间电能数字证明和费用之间的交换。最后,通过分布式电力交易模拟实验证明该交易机制的有效性。     

基于相似类的用户偏好服务选择方法

现有服务选择算法大多会选中服务质量综合评价值最高的”最佳”服务,这不能充分体现用户对某些属性的特殊偏好,也可能导致大量服务请求集中到同一个服务提供者,出现过载现象.为此,提出了一种基于相似类的用户偏好服务选择方法,首先通过服务质量属性相似度将各候选服务分为若干类,然后基于反映用户自身偏好的关键属性描述剔除不满足相应约束的相似类,再结合用户给定各属性的权重值选择最佳候选服务相似类并从中确定选中服务,最后给出一个具体实例以说明该方法的有效性和可行性.     

评价数据中的用户偏好建模:一种基于隐变量模型的方法

互联网应用中的评价数据包含丰富的用户观点和偏好信息.为了能更准确地发现用户偏好,综合考虑用户的评分和评论数据,基于贝叶斯网提出了一种针对评价数据的用户偏好建模方法.首先给出了从评论数据中抽取不同评论属性的方法,然后分别从评分和评论出发确定了用户偏好模型的初始结构约束和初始参数约束,最后给出了基于约束条件的用户偏好建模方法.实验结果表明,与单独评分或者评论数据构建的用户偏好模型相比,综合考虑评分和评论数据的用户偏好模型能更准确地估计用户偏好.     

信息筛选中群体用户偏好聚合模型

将信息筛选描述为信息对象到用户偏好值的映射函数,利用多目标决策方法提出了一个信息筛选中群体用户偏好聚合模型,对信息筛选过程进行了分析,它包括用户偏好,接受信息输入流,计算其用户好值以及用户偏好修正。     

信息筛选中群体用户偏好聚合模型

将信息筛选描述为信息对象到用户偏好值的映射函数 ,利用多目标决策方法提出了一个信息筛选中多用户偏好聚合模型 .对信息筛选过程进行了分析 ,它包括定义用户偏好、接受信息输入流、计算其用户偏好值以及用户偏好修正 .在此基础上 ,用偏好向量定义个体用户偏好 ,并通过例子进行演示 .系统研究了信息筛选中的群体用户偏好 ,建立了一个群体偏好聚合模型 ,计算了不考虑信息代价和考虑信息代价两种情况下的群体偏好值 .利用模型通过聚合个体偏好求取群体偏好 .在考虑信息代价时 ,对不同类别的信息代价进行归一化处理 .实例验证表明 ,该模型是有效的 .     

解决区间混合性能指标优化问题的进化算法

区间混合性能指标优化问题普遍存在,但是已有的解决方法比较少.为此,提出一种有效解决该问题的区间偏好大种群进化优化方法.利用大种群进化,提高算法的搜索能力;采用基于相似度的策略,估计用户没有评价的进化个体的隐式性能指标值,以减轻用户疲劳;采用Pareto占优比较不同进化个体时,通过计算序值相同的进化个体的用户偏好值,进一步细分进化个体的优劣;此外,通过求解优化问题,将采用区间表示的用户对不同性能指标的偏好量化.将该方法应用于室内布局这一典型的区间混合性能指标优化问题,并与其他3种方法比较,结果验证了该方法的优越性.     

基于浏览行为的用户价值细分研究

目前客户价值的研究大部分都针对传统企业,而针对网络环境下站点用户价值的研究还相对较少.为了研究常用站点的用户价值计算方法并将其应用于用户价值细分,基于用户浏览行为设计了用户价值评价指标体系,并运用主成分分析法和K-均值算法完成了基于用户价值聚类的用户群划分.     

基于Timed-HITS与协同过滤的混合推荐算法

用户间的信任关系、用户对商品的偏好兴趣及商品的时效性都会影响对商品的推荐效果.将这些因素引入到基本的HITS算法中,对HITS算法进行了改进.将用户对商品的偏好兴趣矩阵进行了改进,利用隐馈数据通过逻辑回归算法估计用户对商品的偏好兴趣,对评分为零的情况赋予了不同的偏好兴趣度,这样更符合实际.将改进的HITS算法和协同过滤算法相结合得到一个混合推荐算法,同时将用户分为活跃用户和非活跃用户分别进行推荐.将提出的算法在Movielens数据集上进行了试验,结果表明该算法在一定程度上缓解了数据稀疏和冷启动的问题,推荐效果优于基于用户的协同过滤算法.     

融合用户偏好优化聚类的协同过滤推荐算法

提出一种融合用户偏好优化聚类的协同过滤推荐算法。首先利用RP-IIP算法形成细粒度用户-项目类型偏好矩阵,真实反映出用户兴趣偏好并缓解数据稀疏性;然后在该矩阵上利用蝙蝠优化的用户模糊聚类算法进行聚类,增强了用户的聚类效果并提高可扩展性,从隶属度较高的簇中选取目标用户的最近邻居,提高了最近邻选取的准确性;最后,建立用户加权相似度模型对目标用户进行评分预测并产生推荐,进一步提高推荐结果的准确性。实验结果表明,所提出的算法能够产生更好的推荐结果。     

融入用户风险偏好的三支协同过滤推荐模型

基于用户的不同风险偏好特征，提出一种融入用户风险偏好的三支协同过滤推荐模型来提高推荐规则的准确性.首先，考虑用户的不同风险偏好对项目评分的影响，基于用户-项目评分矩阵定义用户关于项目的偏好概率测度，建立用户-项目偏好概率模型，从理论上证明了该模型是现有模型的推广和拓展.其次，利用决策粗糙集，推导出用户在不同风险偏好下的三支推荐模型阈值表达.然后，以上述工作为基础，将推荐准确性和推荐成本作为优化目标，设计基于粒子群优化算法的用户偏好概率模型参数确定方法 .最后，在MovieLens数据集上的实验验证了提出模型的有效性.