跨领域推荐技术综述

随着信息技术和互联网的飞速发展,信息过载的问题日趋严重.个性化推荐系统是解决这一问题的热门技术.推荐系统的核心在于推荐算法,在过去的十年里,基于单领域的协同过滤推荐算法应用最为广泛.但用户和项目数量的急剧增长使得传统的协同过滤推荐算法面临冷启动和数据稀疏问题的挑战.跨领域推荐旨在整合来自不同领域的用户偏好特征,针对每个用户自身特点进行智能化感知,精准满足用户个性化需求,从而提高目标领域推荐结果的准确性和多样性,现已成为推荐系统研究领域中的热门话题.本文首先对跨领域推荐技术进行系统地研究和分析,概述跨领域推荐算法的相关概念、技术难点;其次对现有的跨领域推荐技术进行分类,总结出各自的优点及不足;最后对跨领域推荐算法的性能分析方法进行详尽的介绍.     

个性化推荐系统的研究进展

互联网技术的迅猛发展把我们带进了信息爆炸的时代。海量信息的同时呈现,一方面使用户很难从中发现自己感兴趣的部分,另一方面也使得大量少人问津的信息成为网络中的“暗信息”,无法被一般用户获取。个性化推荐系统通过建立用户与信息产品之间的二元关系,利用已有的选择过程或相似性关系挖掘每个用户潜在感兴趣的对象,进而进行个性化推荐,其本质就是信息过滤。个性化推荐系统不仅在社会经济中具有重要的应用价值,而且也是一个非常值得研究的科学问题。事实上,它是目前解决信息过载问题最有效的工具。文中根据推荐算法的不同,分别介绍了协同过滤系统,基于内容的推荐系统,混合推荐系统,以及最近兴起的基于用户一产品二部图网络结构的推荐系统。并结合这些推荐系统的特点以及存在的缺陷,提出了改进的方法和未来可能的若干研究方向。推荐系统的研究受到了信息科学、计算数学、统计物理学、认知科学等多学科的关注,它与管理科学、消费行为等研究也密切相关。能够为不同学科领域的科研工作者研究推荐系统提供借鉴,有助于我国学者了解该领域的主要进展。     

数据挖掘在课程与图书个性化推荐中的应用

数据挖掘技术在商业、工业等领域中的应用已相对成熟，而在高校中的应用仍处于起步阶段。参考数据挖掘在商业领域的应用，针对高校用户特点，从体系建设、算法使用、相关建议等方面，论述了基于数据挖掘的推荐算法在高校课程与图书个性化推荐中的应用。     

个性化推荐算法研究

随着全球信息总量的爆炸式增长,信息超载问题无法避免且日趋严重化．个性化推荐系统是当前解决信息过载问题的有效技术．该文首先阐述了推荐系统概念定义及其三大组成模块,其次深入分析了个性化推荐算法,详细讨论了当前主流的四大类推荐算法:基于内容的推荐算法、协同过滤推荐算法、基于知识的推荐算法和混合的推荐算法,从多角度对各算法的优缺点进行对比,然后阐述了常用评价方法、评测指标及对测试标准进行分类,并且介绍了常用数据集,最后展望个性化推荐未来研究热点．     

推荐算法综述

推荐是解决互联网信息过载的主要途径之一,已被广泛应用于电子商务等多个领域.尽管已存在多种推荐算法,建造出更加智能、更加鲁棒的推荐系统仍面临诸多尚未解决的难题,推荐方法的研究仍是智能信息处理的研究热点.文章首先阐述了推荐方法的研究背景、研究意义,之后分别介绍了协同过滤推荐算法、基于内容的推荐算法、基于图结构的推荐算法和混合推荐算法,分析了各类算法的优点与不足,最后总结了主要的评价方法以及面临的主要问题,提出了改进的方法和未来可能的研究方向.     

利用内容推荐和协同过滤算法实现个性化评估

针对教学评估中存在着仅用试卷分析表无法实现个性化学习和评估的情况,将人工智能中的推荐系统技术应用到期末教学评估中.将推荐系统中的基于内容推荐算法和协同过滤算法分别应用到学生薄弱知识点的个性化学习和期末评估分析中,根据学生的知识掌握情况推荐相应资源进行个性化辅导.通过实验案例验证,该方法可以得出学生对知识点的掌握程度,并根据题目之间的相似性进行推荐.     

个性化推荐系统中协同过滤算法研究

个性化推荐系统是解决互联网信息超栽的主要途径之一,协同过滤推荐是目前应用最广泛和最成功的个性化推荐系统。本文介绍了协同过滤推荐算法的基本思想、技术分类和最新研究进展,分析目前出现的代表性算法,总结协同过滤推荐算法中的关键问题和相关解决方案,最后总结了推荐系统的性能评测方法和未来的研究热点。     

混合推荐技术在Web挖掘中的研究

协同过滤算法是至今最成功的个性化推荐技术之一,被应用到很多领域中。但传统协同过滤算法不能及时反映用户的兴趣变化以及类似特征用户对用户相似度的精度具有影响等因素,针对这个问题,提出了一种混合推荐技术。实验表明,推荐系统的推荐质量得到显著提高。     

个性推荐系统中协同过滤技术的优化及应用

对协同过滤技术在个性推荐系统中的应用进行研究。本文主要是通过对传统的协同过滤算法进行改进,引入核主成分分析（KPCA）算法和聚类K-means算法对传统的协同过滤技术进行优化,从而解决协同过滤技术中存在的稀疏性、扩展性问题,最终得到高效率、高质量的个性推荐。     

一种基于CBR的个性化推荐算法

随着搜索引擎的快速发展,个性化搜索、社会化搜索已经成为搜索引擎发展的主要发展方向.本文针对用户搜索经验的再利用问题,探索个性化搜索算法.在简要介绍前期工作基础上,重点讨论了用户建模技术、检索案例以及案例排名等问题,提出了一种基于CBR的个性化推荐算法,并在ExpertRec推荐系统进行实验,结果表明,该算法推荐效果良好...     

基于大数据的人工智能跨境电商导购平台信息个性化推荐算法

传统算法计算与存储开销大,影响推荐结果准确性,不适于含大规模数据的人工智能跨境电商导购平台信息的个性化推荐的。为此,通过大数据技术研究人工智能跨境电商导购平台信息个性化算法,使得大数据技术在Hadoop平台实现,通过Map将任务分解成多个任务,采用Reduce将分解后多任务处理结果集合在一起,获取最终处理结果。通过两个MapReduce与一个map对平台中用户偏好获取算法进行并行化处理。针对用户偏好,通过关联规则挖掘获取和用户偏好相符的商品,推荐给用户。结果表明:所提算法推荐准确率、召回率和平均精度均高于其他算法;所提算法推荐商品符合用户偏好;所提算法推荐商品信息点击率与转换率最优。可见所提算法推荐精度高,推荐商品信息可满足用户偏好,应用性强。     

人工智能在军事领域的渗透与应用思考

 分析了人工智能技术的发展历史和现状,重点探讨了中国军队未来信息化战争背景下人工智能技术的内涵、发展趋势及如何加快智能化应用等人工智能技术发展的核心问题,为人工智能技术在中国军事领域内的未来发展和应用提出建设性的思考。     

深度神经网络模型数字水印技术研究进展综述

近年来,深度神经网络模型在各种应用领域都取得了巨大的成功,训练先进的深度神经网络模型仍需要大规模的数据集、高昂的算力成本和优异的算法思想,生成的深度神经网络模型成为一种宝贵的资源,也是完成人工智能应用领域某项特定任务的核心算法。因此,深度神经网络模型的安全则变得极其重要,利用数字水印版权保护技术保障模型的安全已经成为人工智能安全领域一个重要的研究方向。为了综述深度神经网络模型数字水印版权保护技术的最新研究进展,首先介绍了深度神经网络模型数字水印技术分类;其次介绍了深度神经网络模型数字水印版权保护技术基础概况;再次归纳总结了深度神经网络模型数字水印版权保护技术的研究方法;最后总结并展望了深度神经网络模型数字水印版权保护领域的研究重点和发展方向。     

张拉整体结构的智能化找形研究进展

近年来,被称为“未来的结构体系”的张拉整体结构得到学术界的广泛关注。其中,找形是张拉整体结构设计的关键步骤,即确定结构的平衡状态的过程。随着人工智能逐渐应用到各个领域,张拉整体结构的智能找形方法也应运而生,通过使用人工智能技术改进传统的找形方法,以达到简化找形流程的目的。文章首先介绍了人工智能在建筑领域的应用。其次,阐述了使用人工智能技术改进张拉整体结构找形方法的研究意义。然后,介绍了张拉整体结构几种常用的传统的找形方法及其优缺点。再通过调研大量文献,对现在最新的张拉整体结构智能找形方法,特别是优化算法和神经网络方法进行详细介绍和分析。最后,预测并分析总结了该领域未来可能的研究方向及相应的发展趋势。     

航空集群自主空战研究进展

 航空集群自主空战是军事智能化领域必须研究的典型难点问题。综述了智能空战相关理论与技术,理清了智能空战发展的脉络,分析了航空集群理论与技术以及人工智能在空战决策领域的应用现状,探讨了中国智能军事发展的可鉴之策及实现集群自主空战的可行途径。     

人工智能技术在雷达对抗中的应用

 介绍了人工智能技术的发展概况，总结了人工智能技术在电子战中的应用。以自适应雷达对抗项目为例，分析了人工智能关键技术在雷达对抗中的应用，并探讨了雷达对抗中充分应用人工智能技术需要解决的关键问题。     

基于人工智能的社交网络用户行为数据周期推荐算法

为提高社交网络个性化服务质量,研究数据周期推荐算法的重大意义,针对传统推荐算法相似度计算准确率不高,导致推荐结果精度低、召回率低和耗时长等问题,提出一种基于人工智能的社交网络用户行为数据周期推荐算法。首先依据用户行为建立评分矩阵,利用皮尔逊相关系数计算评分矩阵评分值与网络行为数据相似度,依据计算得出的相似度以协同过滤为核心来检出需要推荐的社交网络用户数据内容,其次利用Top-N法生成用户邻居集,最后实现社交网络用户行为数据内容周期推荐。实验测试结果表明,所提算法的相似度计算准确率较高,网络用户行为数据周期推荐结果精度可高达97.2%,且推荐结果召回率高、耗时低,提高了社交网络个性化服务质量。     

智能电网需求侧个性化推荐系统

基于智能电网的双向通信基础设施与先进量测设备,个性化推荐技术从收集的需求侧大数据中获取知识,为优化电网运营提供有力支持,并向终端用户推荐面向能源的产品/服务/建议。研究首先探讨了个性化推荐技术的原理以及在需求侧中引入个性化推荐技术的前景;其次,介绍了实现智能电网需求侧推荐系统的关键技术,并对现有研究工作以及未来构建的需求侧个性化推荐系统进行分析;最后,讨论了实现需求侧个性化推荐系统可能遇到的挑战。     

推荐系统研究综述

随着互联网技术的快速发展,如何对海量网络信息进行挖掘分析,已成为热点和难点问题。推荐系统能够帮助用户在没有明确需求或者信息量巨大时解决信息过载的问题,为用户提供精准、快速的业务(如商品、项目、服务等)信息,成为近年来产业界和学术界共同的兴趣点和研究热点,但是,目前数据的种类多种多样并且应用场景广泛,在面对这种情况时,推荐系统也会遇到冷启动、稀疏矩阵等挑战。深度学习是机器学习的一个重要研究领域和分支,近年来发展迅猛。研究人员使用深度学习方法,在语音识别、图像处理、自然语言处理等领域都取得了很大的突破与成就。目前,深度学习在推荐领域也得到了许多研究人员的青睐,成为推荐领域的一个新方向。推荐方法中融合深度学习技术,可以有效解决传统推荐系统中冷启动、稀疏矩阵等问题,提高推荐系统的性能和推荐精度。文中主要对传统的推荐方法和当前深度学习技术中神经网络在推荐方法上的应用进行了归纳,其中传统推荐方法主要分为以下3类:1)基于内容推荐方法主要依据用户与项目之间的特征信息,用户之间的联系不会影响推荐结果,所以不存在冷启动和稀疏矩阵的问题,但是基于内容推荐的结果新颖程度低并且面临特征提取的问题。2)协同过滤推荐方法是目前应用最为广泛的一种方法,不需要有关用户或项目的信息,只基于用户和诸如点击、浏览和评级等项目的交互信息做出准确的推荐。虽然该方法简单有效但是会出现稀疏矩阵和冷启动的问题。3)混合推荐方法融合了前2种传统推荐方法的特点,能取得很好的推荐效果,但在处理文本、图像等多源异构辅助信息时仍面临一些挑战与困难。依据神经网络基于深度学习的推荐方法主要分为4类:基于深度神经网络(DNN)的推荐方法、基于卷积神经网络(CNN)的推荐方法、基于循环神经网络(RNN)和长短期记忆神经网络(LSTM)的推荐方法、基于图神经网络(GNN)的推荐方法、将深度学习技术融入到推荐领域,构造的模型具有以下优势:具有较强的表征能力,可以直接从内容中提取用户和项目特征;具有较强的抗噪能力,可以轻易地处理含有噪声的数据;可以对动态或者序列数据进行建模;可以更加精准地学习用户或项目特征;便于对数据进行统一处理,并且可以处理大规模数据。将深度学习技术应用到推荐领域,可以积极有效地应对传统推荐方法面临的挑战,提高推荐效果。     

数据挖掘技术及其在情报研究中的应用

在当前的数字时代,海量的信息数据已经远远超出情报研究人员的分析和处理能力,而传统情报研究的技术和工具已无法满足情报研究人员的需求.由于数据挖掘技术在处理海量数据时显示了其独特的优点,可与现代情报研究有机结合.本文首先介绍了数据挖掘技术的基本概念和常用方法,并对其在情报研究中的应用进行初步探讨.