基于Agent的个性化推荐系统的研究

本文提出了一种基于Agent技术的个性化推荐系统的设计方法。认知Agent（Cognitive Agent）可以根据每个用户个人偏好并综合全体用户的普遍偏好情况为用户提供个性化的推荐服务,此外认知Agent还能根据每个用户的消费行为动态修正偏好设定,从而达到良好的推荐效果。本文还通过一个图书推荐系统的实例给出了基于Agent的个性化推荐系统在JACK平台下的具体设计和实现方法。     

面向决策支持的个人助手Agent用户概貌构建方法研究

个人助手Agent的特性决定了其在个性化决策支持中发挥着越来越重要作用．重点研究了构建面向决策支持的个人助手Agent的基础——用户概貌的形式化表示和构建方法,提出了一种加权的层次化用户概貌表示方法和多阶段用户概貌构建方法,在用户概貌的构建中重点研究了用户概貌中的核心内容——用户偏好的获取方法．     

基于向量空间模型的在线拍卖商品推荐

随着在线拍卖的迅速发展，网站的用户数和商品数急剧增加，使得信息过载和如何提高客户忠诚度的问题凸现出来。为了解决这一问题，采用理论分析和实验的方法，对用户在拍卖网站的行为进行了详细分析，提出了偏好序的概念。在此基础上建立了基于向量空间的用户偏好模型和拍卖商品模型，然后利用内容过滤技术进行拍卖商品的个性化推荐。研究结果表明，买者偏好模型的权重矩阵形式很好地克服了传统的向量表示形式，全面地表示了买者的偏好。研究使得目前拍卖网站的推荐手段更加丰富，提高了推荐的个性化、智能化程度。     

基于用户类别兴趣偏好的个性化排序方法

信息检索中,个性化排序在传统的基于内容匹配的排序算法基础上,结合用户兴趣特征,返回更符合用户需求的检索结果.由于用户数据存在稀疏性和兴趣爱好不均衡等问题,用户兴趣偏好模型构建通常不是很精确,检索效果也不佳.本文在前人研究的基础上,提出了一种基于用户类别偏好的个性化排序方法.该方法首先借助词向量技术计算查询词和文档标签集之间的语义相似程度,其次,考虑到用户对不同兴趣的偏好程度不一,通过构建用户兴趣偏好模型,计算出用户对不同兴趣类别的偏好程度,对待查询文档进行个性化处理,以达到个性化排序的目的.在真实数据集上的实验表明,与传统方法相比,本文提出的方法可以有效地改善用户的个性化检索效果.     

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.     

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.     

基于用户偏好的协同过滤推荐算法

在用户的协同过滤推荐模型中,用户对项目评分的偏好行为会导致计算用户之间的相似性出现偏差,影响推荐的质量。文章根据用户的评分习惯划分用户,利用大间隔寻找用户的近似邻居,提出了一种基于用户偏好的协同过滤推荐算法,首先引入一种新的相似性度量方法计算用户之间的相似度,再构建一种基于用户偏好的协同过滤推荐模型。实验结果表明,该算法能有效提高推荐质量。     

新闻事件的分布式混合推荐算法

针对新闻的个性化服务差及推荐效率低的问题,提出了一种新闻事件的分布式混合推荐算法.该算法改进了传统的层次聚类算法用于新闻事件发现,通过协调簇中心距离和簇间最远距离的权重解决了传统层次聚类中的大簇问题;使用混合推荐算法进行事件推荐,引入了事件的多重特征来计算用户兴趣模型,更准确地表示用户的兴趣偏好;采用Spark分布式计算平台实现该算法,可处理大数据的个性化推荐问题.在公开数据集上的实验结果表明本文方法有效.      

基于HMM与张量分解的两阶段个性化推荐模型与应用*

针对个性化推荐系统中用户偏好的进化学习与高维稀疏数据处理的问题。受隐马尔科夫模型(HMM)结构特征启发,提出了一种考虑上下文感知的两阶段用户偏好集推理策略的个性化推荐算法(HHRA算法)。通过对系统历史评分信息的处理,将用户偏好的提取过程抽象为一个HMM模型,来进行第一阶段的用户偏好集学习与推理。然后在此基础上,引入用户的实时上下文信息,构建了一种融入用户实时偏好的张量模型,并基于一种改进的高阶奇异值分解算法来处理高维稀疏的数据集,对模型进行优化求解,生成最优推荐集合。实验设计在3个具有不同特征的真实数据集上将HHRA算法与传统经典推荐算法进行对比分析,结果显示HHRA算法具有较好的适应性和推荐质量。     

一种基于知识图谱的用户多偏好推荐系统

提出了一种基于知识图谱（KG）的用户多偏好（MPKG）推荐系统,从用户关系级、实体级和细粒度高阶用户三种不同的视角建模用户的偏好. 首先,将KG中关系向量组合,构建关系级意图,并通过独立性将不同意图之间的差异最大化,由关系级意图来指导学习关系级偏好;然后,根据用户交互实体的频率构建实体偏好图（EPG）,并学习用户的实体级偏好;接着,分别使用关系级意图和实体级偏好来指导模型学习用户的表示;此外,还直接从KG中构建关系实体信息流,用于用户的表示,挖掘用户的高阶细粒度偏好. 在两个基准数据集上进行实验,实验结果验证了该方法的有效性和可行性.     

基于隐马尔科夫模型(HMM)与张量分解的两阶段个性化推荐模型与应用

针对个性化推荐系统中用户偏好的进化学习与高维稀疏数据处理的问题。受隐马尔科夫模型(HMM)结构特征启发,提出了一种考虑上下文感知的两阶段用户偏好集推理策略的个性化推荐算法(HHRA算法)。通过对系统历史评分信息的处理,将用户偏好的提取过程抽象为一个HMM模型,来进行第一阶段的用户偏好集学习与推理。然后在此基础上,引入用户的实时上下文信息,构建了一种融入用户实时偏好的张量模型,并基于一种改进的高阶奇异值分解算法来处理高维稀疏的数据集,对模型进行优化求解,生成最优推荐集合。实验设计在3个具有不同特征的真实数据集上将HHRA算法与传统经典推荐算法进行对比分析,结果显示HHRA算法具有较好的适应性和推荐质量。     

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.     

适应情景变化的协同推荐算法

协同推荐的基本思想是相似的用户往往具有相似的用户偏好,现有的个性化协同推荐算法在情景相似的前提下进行协同推荐,无法动态地适应情景变化。针对这个问题,提出一种适应情景变化的协同推荐算法。引入用户情景效用的概念,并给出了计算情景效用的有效方法,对每个具体用户,计算其对情景的效用,在经典算法的基础上,根据当前情景与历史情景的效用调整对用户的预测值,算法不用进行前置过滤,用户数据利用率更高;对每个用户计算情景效用,对用户的针对性更强;能根据情景动态调整预测值。实验表明:算法能动态适应情景变化,并提高了个性化推荐算法的推荐质量。     

面向浏览者的图像推荐模型

要求互联网中的浏览者为每一幅图像表示其反馈是困难的,需要通过分析浏览者的行为,隐式地获取其评价。通过对浏览者的阅读、收藏和下载等行为的分析,度量用户对图像的关注度,以此作为用户反馈,分析其关键字偏好和图像特征偏好,进一步设计了用户偏好的遗忘策略和学习策略,实现用户偏好的动态更新,通过关键字相似性分析和图像特征相似性分析两方面,为用户选择推荐的图像。以准确度和召回度作为评价标准,实验表明,所提出的方法具有较高的性能。     

融合用户偏好和信任关系的混合群组餐厅推荐

在推荐系统领域,群组推荐可以有效解决传统个性化推荐存在的仅对单用户推荐、数据稀疏、计算量大等问题,已成为该领域研究的热点。在传统的推荐算法中,仅使用用户的评分数据,没有考虑用户的信任关系。本文提出的算法通过引用用户偏好模型,获取用户-餐厅偏好评分矩阵,代替原始的用户-餐厅评分矩阵,降低了数据的稀疏性;在计算用户信任度时,从公平性、准确性、影响力考虑了不同因素对用户信任度的影响;通过K-means算法对同城的用户进行聚类,使用改进的比重偏好融合策略预测群组偏好进行推荐。通过实验可知,该方法有更好的推荐结果。     

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。     

基于审美的交互式照片墙生成技术

照片墙自动生成是研究让多张照片合理显示到规定框架内的一种技术.为设计出用户满意且具有美感的照片墙,本文提出了一种基于审美的交互式遗传编码算法,该方法从交互信息中获取用户偏好,结合审美模型作为适应度函数指导照片墙的进化方向.本文还对该方法的有效性进行验证,实验结果表明,该方法能够生成符合用户偏好且美观的照片墙     

一种基于桌面信息的个性化推荐方法

针对当前信息检索服务中存在的固有缺陷,提出了一种基于用户桌面信息抽取的个性化推荐方法.详细介绍了通过用户桌面资源信息抽取建立长期用户模型,以及通过工作场景信息抽取建立短期用户模型的算法.长期用户模型提供了完整全面的用户兴趣偏好信息,短期用户模型则为预测用户当前信息需求提供了依据.实验结果表明,基于用户桌面信息抽取的个性化推荐服务能较好地预测用户当前需求、具有良好的推荐效果.     

基于个性化的多样性优化推荐算法

针对不同人对多样性的偏好不同,提出一种能够在寻优精度和多样性之间权衡的个性化的多样性优化方法.该方法采用一种依据用户历史偏好和项目类别专家评分的推荐技术,生成包含新颖项目和关联项目的多样化的候选推荐列表,然后依据用户多样化偏好程度进行后过滤技术,筛选出最终的多样化推荐列表.最后,本文通过实验结果对比发现,所提出的方法能够有效地提高推荐列表的多样性,而且能够实现个性化的多样化过程.     

基于改进BP神经网络的个性化推荐算法研究

个性化推荐是根据用户的喜好向用户推荐个性化的产品、信息或服务等,在大数据时代能有效地解决信息过载的问题。提出基于改进BP神经网络的个性化推荐算法,研究了如何建立混合推荐模型,采用BP神经网络训练提高算法中用户相似度计算的准确性。在真实数据集上的实验结果表明,该算法能有效减小用户相识度计算偏差,提高用户个性化推荐的推荐质量。