基于数据挖掘的个性化推荐

为了将网站访问者转化为消费者,设计一种电子商务网站个性化推荐方法.该方法采用数据挖掘技术获取客户的个性化特性,从而产生个性化产品推荐建议或决策.实验表明,提出的方法是有效可行的.     

基于协同过滤的电子商务平台个性化推荐模型的设计与实现

电子商务平台是一种新型网络交易平台,在该平台上进行信息推送可以提高交易完成的速度,促进交易量,传统的推送方式都是直接将信息推送给客户,内容庞大,且绝大多数与用户需求不相关,推送效果不好。为了解决此问题,基于协同过滤手段设计了一种新的电子商务平台个性化推荐模型,首先设计了推荐模型框架,该框架由数据层、应用层和推送层三部分组成;然后研究了模型的工作流程,介绍了网络数据分析、在线推荐、推荐过程实现三个流程;接着阐述了电子商务平台的Apriori算法和Clique算法两种推送算法,从产品分类、产品信息和产品属性三个角度分析了该模型的实现;最后通过与传统模型的对比实验验证了本文设计模型的可行性,由实验结果可知,该模型能够精准地匹配出用户信息和产品信息,并对其进行匹配,从而完成推送。     

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。     

基于结果聚类分析的个性化推荐模型

提出一种基于结果聚类分析的个性化推荐模型。首先根据用户的访问行为建立用户兴趣模型,再利用多种信息的融合算法对搜索结果重新排序,最后对结果进行聚类分析,调整不同类别文档的权重后进行推荐。教学科研信息推送实验结果表明,基于结果聚类分析的个性化推荐模型能提高推荐效果。     

基于内容的个性化新闻推荐

不同的用户有不同的兴趣指向,个性化推荐的核心在于如何提高推荐命中率.以新闻文档内容特征为基础,用ICTCLAS完成分词和频数统计,建立基于内容的新闻文档模型和动态的用户兴趣模型,实现新闻文档的比较、分类和个性化推荐,并用SSHA框架技术对系统进行设计.     

基于复杂网络的一种个性化推荐新算法

结合协同过滤推荐算法和基于复杂网络的分析算法,提出一种新的个性化混合算法.在资源分配过程中,混合算法考虑到用户将自己的资源进行商品分配时采用平均分配,而商品将特定用户分给自己的资源向另一个用户分配时正比于两位用户的相似性.数值试验结果表明:新算法大大提高了推荐的精度和个性化程度.     

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B2C电子商务网站的个性化商品推荐系统研究

引言 近年来,随着电子商务的快速发展和用户购物习惯日益理性,B2C电子商务网站作为电子商务一个重要分支．呈现出诸多的竞争优势和快速的发展势头。以亚马逊为代表众多B2C电子商务网站不断涌现,规模迅速扩大。经营同类或类似商品的网站也越来越多．在给用户带来多选择机会的同时,用户查找所需商品的难度和时间成本变得越来越高。     

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WEB使用挖掘的个性化推荐系统的研究

通过网络学习的web日志的使用挖掘,获取学习兴趣,建立兴趣模型.采用相似性度量方法对具有相似兴趣的学生用户进行聚类,实现了学习内容的个性化推荐系统.实验结果表明,基于用户兴趣模型的个性化推荐系统具有较高的准确率、新颖率和非预期率.     

基于知识状态的个性化学习资源推荐方法

针对现有的个性化学习资源推荐方法存在不能够从学习者的学习缺陷出发推荐学习资源的不足,提出一种基于知识状态的个性化学习资源推荐方法,它首先根据知识点之间的关联关系构建知识图谱,然后根据学习者知识状态进行推导生成待学习知识点向量,最后设计相似性迭代算法从学习资源库中匹配最适合学习者的学习资源.通过实验证明,该方法具有不错的推荐效果和性能.     

基于本体结构的新闻个性化推荐

为了更好地对新闻和用户进行建模, 将语义相似度模型引入基于内容的推荐系统中, 挖掘两者之间的语义关联。提出一种基于本体结构的相似度模型(OBSM), 利用在线百科构建的本体结构, 计算新闻和用户之间的语义相似度。为了降低本体结构上噪音数据对推荐效果带来的影响, 提出X-Ontology聚类算法对本体结构进行清理, 并衍生出OBSM的升级模型X-OBSM。中文和英文实验表明, OBSM和X-OBSM比基准模型具有更好的推荐效果, 尤其是对本体结构进行清理后, X-OBSM具有比OBSM更高的计算效率。     

基于综合相似度与任务紧要度的个性化任务推荐

研究了如何将协同过滤推荐应用于IT项目外包平台,实现个性化任务推荐,提出了1种融合用户Profile文本相似度、任务选择相似度及任务紧要度的协同推荐方法． 该方法将用户对任务的选择行为转换为用户-任务类选择矩阵,并以此计算用户间的选择相似性;用户profile文本相似性用于平衡用户选择相似性并形成用户综合相似性,算法中任务紧要度用于度量任务的时限性与经济性,设置合适的阈值来构建待推荐任务集． 在真实数据集上的实验结果表明,提出的个性化推荐方法具有较高的推荐准确度,并在一定程度上缓解冷启动与数据稀疏性问题．     

基于效用理论的电子商务个性化推荐

在详细分析商品属性类型及其给消费者带来的效用价值基础上,重点讨论了在电子商务环境下个性化推荐的主要方法。针对不同消费者对商品属性的偏好,提出不同决策类型用户的效用函数模型,表明了效用函数模型个性化推荐的可行性和有效性。     

Web挖掘在个性化推荐系统中数据预处理的研究

个性化推荐系统能够根据用户的兴趣偏好主动推荐他所需的资料。它的出现解决了人们寻找信息难的问题。数据预处理将原始的真实数据库转换成适于数据挖掘的挖掘数据库,为提高挖掘算法的效率,改善挖掘结果的效果打下了良好的基础。[1]     

数字化图书馆个性化推荐研究与实例

基于关联规则算法,分析馆藏借阅数据而得出具有关联关系的数据集,并结合在线推荐算法将数据集推荐给具有相同属性的读者,从而达到最优最快的读者个性化服务。