男上装个性化纸样的快速生成方法

为满足人们对服装个性化定制的需求,研究并开发了面向个性化定制的男上装纸样快速生成系统.在已获取人体特征尺寸信息的基础上,首先利用基于最小距离的服装号型推荐算法推荐出适合个体的服装号型;然后利用基于增量法的服装放码方法,将标准的样板衣片放缩至推荐号型;再根据特殊体型识别结果,采用基于规则推理的特体男上装纸样生成方法,通过Visual C#编程实现了在AutoCAD上个性化服装纸样的快速生成.     

基于数据挖掘的服装推荐系统研究

为满足用户网上购物的个性化需要,针对用户自身特点,建立了服装推荐系统.以西服为例,将服装的主要特征分为领型、扣子、面料、颜色、款式等不同要素,并归纳了各要素的分类取值.在对服装的特征要素进行抽取分类的基础上,采用BDEU决策树算法,构筑了用户类别偏好模型,向用户提供了个性化的推荐服务.     

基于RFM模型和协同过滤技术的酒店房型推荐算法

为了提升酒店房型个性化推荐效果,将RFM模型与协同过滤技术相结合,设计了一种酒店房型推荐算法,并通过实验验证了该算法的准确性和有效性优于传统的协同过滤推荐算法.     

基于抽取规则和本体映射的语义搜索算法

针对目前语义搜索过程中存在效率低、 用户推荐误差大等问题, 提出一种基于抽取规则和本体映射的语义搜索算法. 首先根据用户语义搜索要求抽取语义中的元素和属性, 解决数据利用率低的缺陷; 然后建立语义模型, 构建本体之间的元素及属性之间的映射, 消除用户需求和计算机之间的语义偏差; 最后将语义搜索算法应用于用户个性化推荐系统. 实验结果表明, 该语义搜索算法有效提高了搜索效率, 降低了用户个性化推荐误差.     

可解释个性化推荐学习平台的构建与算法研究

目前在线学习平台的个性化推荐功能过于注重推荐效果的准确性、多样性和新颖性,忽视了学生的用户体验等问题,为此,提出构建可解释个性化推荐在线学习平台。首先,对平台的系统框架进行设计,详细研究了实现算法,并对可解释个性化推荐功能的核心算法及形成可解释性语句的推荐流程进行了重点阐述。然后,利用多种推荐算法混合计算的方式对学生进行课程的个性化推荐,并根据对应特征生成解释语句以表明推荐理由。其结果是能有效提高学生对推荐课程的认可度和学习效率,改善平台的个性化推荐效果和用户体验,从而提高了平台的可信度和透明度。     

高校科研资源的个性化融合推荐

为满足高校师生对科研资源复杂的个性化服务需求,设计了高校科研资源个性化服务系统,简称个性化科研服务系统(PSRSS,personalized scientific research service system)。全面分析了高校科研用户的个性化科研资源服务需求,设计了基于数据层、融合多种推荐策略的推荐计算层、应用呈现层的多引擎融合推荐系统架构,基于不同推荐场景,比较了不同的推荐算法并对选择的算法进行了针对性优化,探讨了用户模型和科研资源模型的设计,实现了基于资源热度、项目内容相似度、相似用户协同过滤的Top-N推荐。系统提升了高校师生获取科研资源的体验,为高校科研资源个性化服务系统建设提供了新思路。     

基于Hadoop的学生推荐选课系统的设计与实现

随着各种在线选课系统的广泛使用,教学管理部门对学生选课的管理变得越来越方便高效;但是,大多数选课系统在学生选课时不能准确地为学生提供个性化的推荐课程,针对目前在线选课系统中存在的个性化推荐缺失的问题,该研究采用易于扩展的开放式推荐流程和架构,基于Hadoop平台展开探讨,通过对Hadoop运行机制的研究,结合对推荐系统和推荐算法的分析,设计并实现了学生推荐选课系统。系统基于协同过滤算法,通过对学生信息、课程信息和选课信息的数据分析与挖掘,最终为用户计算出最可能需要的推荐课程。     

用户协同过滤个性化图书推荐算法的改进与实现

读者想要迅速从海量图书资源中找到需要的图书是其面临的难题,个性化图书推荐服务为解决这一难题提供了有效手段.针对传统用户协同过滤算法存在的问题,依据用户协同过滤推荐算法基本原理,以基本数学模型为基础,从解决数据稀疏性、用户兴趣随着时间迁移而衰减、用户特性影响用户兴趣等方面进行了改进,并设计了算法实现流程,为应用系统开发提供解决方案.研究结果表明,通过对用户协同过滤个性化图书推荐算法的改进,有效提高了图书资源检索和推荐的智能水平,满足了用户的个性化需求,解决了软件开发关键性技术问题.     

基于Web挖掘的个性化推荐系统的设计

介绍Web数据挖掘概念、个性化推荐技术,着重设计了一个基于Web挖掘的个性化推荐系统,并给出了个性化推荐核心模块的实现过程。本系统根据Web挖掘过程,结合基于聚类划分的增量式关联规则挖掘算法的实现。     

基于聚类算法的个性化蔬菜种子交易平台的研究

提出基于聚类算法的个性化蔬菜种子交易平台,在传统的协同过滤推荐算法基础上,从离线购货商聚类和购货商积分权重两方面对其进行改进,提出了个性化推荐算法,从而将其可能感兴趣的蔬菜种子推荐给购货商,为购货商提供了个性化的搜索和推荐服务。通过实验比较,证明改进后的算法提高了推荐效率和准确性。     

基于Multi-Agent的电子商务个性化推荐系统模型的设计与研究

为了更好地提高电子商务推荐系统的个性化、自动化、持久化程度,提出了一种基于Multi-Agent的电子商务个性化推荐系统的整体架构模型．它采用Agent技术将个性化推荐系统中的功能模块构建为智能体,并在智能控制方式下采用线下信函式推荐和线上混合推荐技术来构建核心推荐模块．对该模型中各组成部分的功能和设计思想进行了阐述．     

一种基于LBS的移动个性化推荐系统

随着个性化推荐技术的不断成熟和移动互联网的迅猛发展以及各种移动智能设备在人们的日常生活中扮演着重要的角色。结合LBS和个性化推荐技术,提出一种基于LBS的移动个性化菜品推荐系统。系统通过经纬度对菜品进行地域过滤,从而产生候选推荐集,然后对候选推荐集进行分类或聚类,并且对各类里的候选推荐集采用协同过滤技术进行过滤,从而形成每个类的Top-Ni推荐集,最后将各类的Top-Ni推荐集进行归并并产生最终的推荐集。最后在iPhone平台上实现了系统原型EatStars。     

基于共同属性和标签共现的标签消歧算法

为了提高基于标签的个性化推荐技术的准确率,提出了一种基于共同属性和标签共现的标签消歧模型,对已有的基于聚类的标签消歧算法进行改进,针对不同的标签语义问题分别采用不同的方法,缓解了原算法不能识别不同语义的问题。对于多义词语义问题,使用同义词模型进行消歧;对于近义词、同义词语义问题,使用近、同义词模型进行消歧,并将该模型应用于个性化推荐算法。利用公共数据集MovieLens Latest Datasets进行了个性化推荐实验。实验表明,当用户推荐项目数量递增时,推荐算法的准确率和召回率都有提高,能有效消除标签中存在的歧义。     

一种基于本体的个性化搜索引擎模型

利用信息检索、本体和个性化搜索等相关知识,构建一种基于本体的个性化搜索引擎模型PSMBO.该模型由用户界面、查询请求处理模块、检索模块、查询结果处理模块、兴趣学习模块以及用户兴趣知识库和本体知识库七个部分组成.该模型在一定程度上提高了搜索引擎在查准率和查全率方面的性能.     

采用在线评论的景点个性化推荐

通过对旅游网站的景点评论进行情感分析,综合利用自然语言处理技术和领域本体构建技术,准确把握游客对旅游目的地的满意度和需求;将群体智慧和个人偏好有效地结合,为游客出行制定合理的个性化推荐策略.实验结果表明:所提出的推荐策略能够有效地将碎片化的游客评论数据转化为对其他游客出行地选择的辅助信息,提高了游客获取旅游知识的效率,真实地反映游客的旅游感受,为游客景点选择提供参考.     

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.     

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。     

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。