网络时代下的图书馆图书推荐模式

本文针对网络时代下的图书馆图书推荐工作存在的问题,提出了区分类型读者的地图书推荐模式。并且在文中论述了网络论坛、博客、QQ群等最新的荐书平台。总结出了网络时代图书馆应该进行无处不在、形式多样、丰富多彩的荐书模式去满足读者全方位的阅读需要。     

基于Web3.0的学术博客建设

学术博客作为网络环境下日益盛行的一种学术交流形式,是对传统学术信息和正式交流形式的重要补充。介绍了Web技术的发展,阐述了Web3.0主要技术在学术博客建设中的应用,从学术博客内容的有效聚合与自由整合、使用UGC的筛选性过滤、能用于多种终端平台等方面分析了基于Web3.0的学术博客特征。     

“释放博客在教育中的潜力”——博客技术在现代教育中的应用

介绍博客的概念、分类,分析博客技术在现代教育中的作用,同时提出了博客技术在现代教育中相应的应用方法。     

博客在现代教育中的应用

基于Internet的博客技术已经越来越广泛的应用于教育教学中,本文通过讨论博客与现代教育技术的联系,分析了博客在教学中的应用情况。     

手机博客系统的构建

随着Web2.0技术的出现,Blog越来越受到各界的广泛关注与青睐,各种博客也应运而生。本文论述了手机博客系统创建的可行性,介绍了手机博客系统的构建过程。     

融合改进的内容与协同过滤的博客推荐方法

在中文博客系统中,受限于用户特征信息的稀少,使用协同过滤算法的准确率往往不高,而基于内容推荐算法,又会影响推荐结果的多样性.因此,文章提出了一种融合改进的内容推荐与协同过滤相结合的推荐方法.首先,采用协同过滤算法发现用户的潜在兴趣并通过谱聚类改进协同过滤的相似度计算,提高处理效率;其次,基于改进的内容的推荐算法构建用户的既有兴趣模型,计算潜在推荐内容与既有兴趣模型的匹配度;最后,通过逻辑回归算法融合协同过滤与内容推荐的结果.实验结果显示,文章所提出的推荐方法相对于单一的协同过滤和内容推荐可以显著提高推荐的结果的准确率和召回率,具备良好的推荐效果.     

课程博客平台的构建及应用

本文简要介绍了课程博客创建的技术准备以及模块化设计,并以大学物理课程为例说明了课程博客对教学的作用。     

博客与校园网学习平台设计

随着高校教育信息化建设的不断发展,教学思想、教学手段和评价方式也应该更新。本文介绍了校园网博客技术和多维度双向交互学习评价体系,给出了教育博客服务器的实现方法以及基于博客技术的校园网学习平台的设计方法。     

浅谈IT技术类博客

阐述了技术博客的定义、特点以及发展的现状,认为技术博客不仅是博主表达个人思想的空间,也成了技术人员在互联网上交流工作经验与研究技术的辅助手段。     

浅谈网络新贵博客

本文用系统的方法介绍了博客的定义、分类、意义、技术等相关概念,可帮助大众尽快了解博客、认识博客,并成为这个新文化现象中的一员。     

近十年高校图书馆图书推荐研究综述

近十年的图书推荐研究,从内容上可分为经验图书推荐和信息技术图书推荐两类,其中关联规则Apriofi推荐算法方面的研究较多。这些研究对高校图书馆的图书推荐经验进行了总结,探讨了信息技术的利用和改进,有助于提高推荐图书的效率。     

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．     

本体技术在个性化推荐系统中的应用研究

针对个性化推荐系统中传统的用户建模技术的缺陷,本文将领域本体的理论与方法应用到电子商务个性化推荐中,设计了一种本体和服装信息相结合的个性化推荐模型。利用Protégé实现了服装知识本体的构建过程,在真实数据集上的实验结果验证了算法的可行性和有效性。该设计与已有的推荐算法相比,具有更高的预测准确度。     

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。     

学习资源网络模型构建及资源推荐策略设计

通过分析基于终身学习机制的个性化推荐系统与基于电子商务的个性化推荐系统的区别,确定基于终身学习机制的个性化推荐系统的关键问题就是如何为学习者获得想要具备的能力推荐满足他们个人需求、个人爱好以及目前已具备的知识结构的最佳学习路径.针对终身学习中正式学习和非正式学习不同的学习情况,构建了学习资源网络模型,在此基础上将基于本体的推荐技术和协同推荐技术相结合,为学习者的不同学习情况运用不同的推荐策略推荐最佳学习路径.最后通过实验对推荐结果进行分析,确定最优方案.     

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。     

协作过滤信息推荐技术研究

随着网络技术的发展、网络上信息量的不断增多以及电子商务的普及,协作过滤得到了广泛的应用。在对协作过滤信息推荐技术基本思想、算法分类等相关内容概述的基础上,总结了其当前存在的3个方面的主要问题：冷启动、数据高维稀疏、以及算法的可伸缩性,同时分析了当前国际、国内的研究进展情况,对主要的方法、技术等进行了扼要的概述与总结。对推荐算法中相似性度量方法、预测评分的策略、推荐质量的度量标准、未来可能的研究方向等分别进行了论述。     

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。     

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。     

协同过滤技术在高校选课推荐系统中的应用

在传统协同过滤推荐技术的基础上,采用基于项目-用户加权的协同过滤算法来实现高校课程推荐.在Top-N方式下,通过绝对偏差和根均方差验证了项目-用户加权算法的推荐精度更高.