基于个性化Web信息推荐模型的研究

针对目前的推荐系统存在个性化程度不高,提出了一种采用语义Web的个性化Web信息服务模型,并对模型实现的关键问题进行分析研究.实现了个性化需求库和个性化资源库的语义构建,个性化程度更高、更智能.实验证明,该模型是有效的.     

基于不同数据集的协作过滤算法评测

针对协作过滤算法评测中普遍采用单一数据集,该文将传统的User-based(近邻数为20)、Item-based、Itemaverage、Item user average和Slope One 5种算法应用于MovieLens和Book-Crossing两种数据分布特征不同的数据集。结果显示,在Movielens这种评分值相对比较稠密的数据集上,Slope One算法的预测精度最好;而在评分值相对比较稀疏的Book-Crossing数据集上,Item-based算法的预测精度最好,Slope One的预测精度最差。选择算法应根据用户和资源分布具体情况确定。     

基于马氏距离及最差理想解的TOPSIS出租房源推荐系统应用研究

通过对综合排序方法TOPSIS法的研究,实现了一个将马氏距离及最差理想解相结合改进TOPSIS法的出租房源推荐系统,该系统通过分布式爬虫模块抓取各大租房网站的出租房源信息,存入MongoDB数据库中,利用Spring boot框架读取MongoDB中的出租房源数据,调用将马氏距离和最差理想解相结合改进的TOPSIS法对出租房源数据进行综合评价,评价过程依据出租房源数据的面积、租金、通过经纬度求得的距离属性和输入的目标地点进行计算和决策.此后,将评价的最终结果以排序分组的形式显示在高德地图图标上,租房者点击图标会显示该出租房源的具体数据信息,输入的目地点后会出现相应距离和乘车路线及时长.点击图标上方的具体房源信息,则会跳转到相应租房网站.该系统满足了侧重点不同的租房群体查找出租房源信息的需求,具有很高的实用价值.     

一种基于条件相对平均熵的个性化推荐算法

为了提高现有推荐算法的准确性,提出一种基于条件相对平均熵的个性化推荐算法.首先,采用加权的CNM算法构建复杂网络,挖掘该网络的社团结构,作为商品待推荐域;其次,利用条件互信息和条件相对平均熵生成有效的节点次序,以提升贝叶斯网络构建的准确性;然后采用K2算法学习贝叶斯网络,分析出用户的消费性格,并判断待推荐域中商品与消费性格的联系,向用户提供感兴趣和合理的推荐;最后,基于电信运营商的实际数据进行实证分析,验证了该算法的有效性.     

个性化图书推荐系统研究

随着互联网技术的飞速发展,网络信息资源越来越多,人们通过利用传统的搜索引擎很难获取自己感兴趣的资源,如何快速的获取用户感兴趣图书信息,成为当前急需解决的问题,本文采用基于内容的个性化推荐技术,对用户浏览的图书进行特征提取,并通过相似度计算,把用户最可能感兴趣的图书资源推荐给用户。     

基于项目特征分类与填充的协同过滤算法研究

网络化与信息化社会具有信息海量化和用户需求个性化的特点,如何通过有效手段过滤掉与目标用户不相关的信息,筛选出对用户有用、能满足用户需求的信息成为信息研究领域的重要课题。本文针对协同过滤中存在的评分数据稀疏性与推荐准确度问题,提出了一种基于项目特征值分类与空缺元素填充的协同过滤算法。实验结果表明,改进的协同过滤算法能有效的缓解评分数据稀疏性对推荐结果的负面影响,在一定程度上提高了推荐的准确度。     

军事情报推荐技术发展综述

推荐技术作为解决情报过载的重要手段,已成为军事情报服务领域的研究重点之一,亟需根据现有研究成果进行总结综述,以期更好地服务于军事情报处理与利用。首先介绍推荐技术的军事应用背景、研究意义,其次,介绍推荐技术的一般框架,并对推荐技术的核心——推荐算法进行了重点综述,分析各类算法的优缺点,以及针对推荐算法应用于军事领域存在的问题给出解决方法;最后根据军事情报其应用特点,提出军事情报推荐技术未来可能研究的热点与方向,从而为后期研究提供依据与参考。     

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。     

基于深度学习的电影推荐算法

提高推荐系统的推荐性能过去一直是一个非常大的挑战,因为在进行推荐的时候要同时兼顾推荐结果的准确性和计算推荐结果的计算时间。基于上述问题,提出一种基于深度学习的推荐算法,通过深度学习的方法挖掘用户和电影的特征、训练模型,从而提高推荐算法准确性。同时,通过神经网络提取用户和电影的特征,而不是基于用户对电影的评分矩阵,解决了推荐系统中的稀疏性问题和冷启动问题。最后在真实的数据集上进行实验,验证推荐算法的准确性。     

民用建筑“四节一环保”数据的清洗与修复方法研究

针对民用建筑“四节一环保”原始数据中存在的数据质量问题, 使用多种方法实现数据清洗与数据修复。数据清洗方面, 重点关注单栋建筑能耗数据中存在的相似重复记录及异常记录。其中, 识别异常记录采用3σ准则、DBSCAN聚类算法及箱线图内限3种方法。数据修复方面, 重点关注缺失值的填补及基于模型的数据修正。其中, 缺失值的填充使用简单填充、线性回归模型和基于用户的协同过滤推荐算法, 并以平均绝对误差为评估指标进行对比。基于多元线性回归、主成分回归、偏最小二乘回归、岭回归及Lasso回归5种模型, 拟合建筑运行能耗与各解释变量间的关系, 对上海市建筑运行能耗相关数据进行数据修复。结果显示, 单栋建筑能耗数据适合采用箱线图内限来识别异常记录, 并使用中位数填补缺失数据; 上海市建筑运行能耗相关数据中, 岭回归模型的拟合情况最好。