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。     

基于用户浏览行为挖掘的电子商务个性化推荐系统

本文介绍了电子商务个性化推荐系统，在此基础上提出了一种新的基于用户浏览行为进行数据挖掘的个性化推荐系统模型，并给出了详细的挖掘流程及实现算法。     

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.     

基于用户兴趣的个性化推荐技术综述

网络时代下,个性化推荐系统是解决"信息爆炸"现象的重要技术.介绍了个性化推荐系统的研究现状并分别对个性化推荐系统的几项关键技术进行了阐述及推荐评价.最后提出了推荐系统未来的发展趋势.     

基于Web2．0用户个性化推荐系统分析

为实现用户个性化服务,理解用户兴趣爱好．通过建立用户兴趣模型和推荐库．采用用户兴趣行为描述、重排序算法以及用户反馈算法,分析基于Web2．0用户个性化推荐系统．以提高推荐结果的准确性。     

基于页面聚类的个性化推荐算法研究

聚类分析算法作为一种主要的Web使用挖掘技术，在个性化推荐系统中得到了广泛应用，然而面对Web动态性所引起的网页的更新以及用户行为方式的改变，已有的聚类算法并不能很好地解决这一问题。针对这一问题，本文以一种无向图的形式表示用户对网站的访问，提出一种可实时反映网站及用户行为变化情况的增量式页面聚类算法，并在页面聚类的基础上提出相应的推荐决策算法动态生成页面推荐。     

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．     

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.     

基于改进ROCK算法的个性化推荐系统研究

分析了ROCK算法的优点和缺点,ROCK算法优点是容易聚类Mushroom等分类属性数据集;缺点是这种算法的相似度函式sim是基于领域专家的直觉.改进的ROCK算法采用Jaccard系数计算相似度,根据相似度的值越大表示对象越相似进行聚类,得到聚类结果,从而实现用户的个性化推荐.     

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。     

融合矩阵分解和XGBoost的个性化推荐算法

针对传统的协同过滤推荐算法中评分矩阵过于稀疏和算法准确度不高的问题,提出一种融合矩阵分解和XGBoost算法的推荐算法(MFXGB,Matrix Factorization XGBoost),其特点是利用SVD++算法(SVD,Singular Value Decomposition)对用户项目评分矩阵进行填充,避免过多的缺失值对算法精确度的影响,再利用XGBoost(eXtreme Gradient Boosting)算法训练有监督的模型用于预测用户评分.为了克服计算成本过高的困难,提出利用K-均值聚类方法进行特征提取用于训练XGBoost模型.将MFXGB算法应用于MovieLens数据集进行实验分析,结果显示,MFXGB算法的推荐精确度比传统的3种方法分别提高了8.91％、10.18％和11.79％,效果明显优于传统的推荐算法.     

融合多视角信任的个性化推荐算法

为了提高传统协同过滤推荐算法推荐的准确度,对评分信任和社交信任赋予自适应的权重,结合概率矩阵分解算法,提出一种综合的个性化推荐算法.该算法在Filmtrust数据集上进行验证,并与相关算法进行对比,结果表明所提算法在MAE(mean absolute error)和RMSE(root mean squared error)指标上均得到有效的改进.     

基于用户协同过滤的图书推荐系统的设计与实现

协同过滤挖掘是利用具有相似喜好的读者或相似的物品来实现相关推荐的信息挖掘。通过深入挖掘图书馆书籍借阅中记录的信息,提出了一个基于用户协同过滤技术的图书推荐系统的设计与实现方案。实验结果表明该系统具有较为准确的预测功能,对图书推荐工作具有较好的参考价值。     

基于系统动力学的资讯个性化推荐研究

手机等移动智能终端在全社会的普及,使得数字内容的生产能力下沉到社会各个层面,形成了多源、自主、原生的互联网媒体内容制造格局;而以社交媒体、自媒体为代表的各类新兴媒体的蓬勃发展,使得数字内容的传播能力极大增强,大量衍生内容在敏感、热点、重要事件的报道传播中产生。互联网资讯具有海量、内容质量参差不齐、观点多极等特点。如何将价值导向对正确的、信息披露准确的资讯进行精准推荐,维护和促进社会公平正义,成为司法领域的新问题和新挑战。推荐系统有效解决了用户在海量信息中难以高效获得信息的问题。基于内容的推荐技术通过分析用户以往感兴趣的项目,经计算得到相似的项目,再将相似度最高的若干项目推送给用户。推荐系统中应用最广泛的是协同过滤推荐算法(collaborative filtering,CF),该概念最早于1992年由GOLDBERG等在开发Tapestry邮件过滤系统时首次提出,其核心思想是运用算法对用户的历史行为数据进行分析,挖掘出用户的兴趣偏好,根据不同的兴趣偏好对用户进行类别划分并推荐相似偏好的物品。当前,个性化推荐已经在电子商务、影视作品、餐饮美食、新闻资讯等领域获得了较为广泛的应用。"京东"的推荐起步于2012年,当时的产品推荐是基于规则匹配进行的,整个推荐产品线组合就像一个个松散的原始部落,部落与部落之间没有任何工程、算法的交集。"淘宝"从2013年推出了"个性化推荐"即"千人千面"的推荐引擎,利用用户的一些行为,通过算法推测出用户可能喜欢的东西。"美团"构建了世界上最大的菜品知识库,为200多万商家、3亿多件商品绘制了知识图谱,并为2.5亿用户画像,构建了世界上用户规模最大的O2O智能推荐平台。"豆瓣"利用社交行为分析解决推荐问题,如基于用户相同行为的协同过滤技术、友邻推荐等,也是个性化推荐的一个补充。社交化推荐的引入,可以解决因单纯产品内容推荐导致推荐范围越来越窄的问题。"今日头条"的个性化推荐算法基于投票方法,其核心理念就是投票,每个用户一票,喜欢哪篇文章就把票投给哪篇文章,经过统计,最后得到的结果很可能是此类人群里最好的文章,并把这篇文章推荐给同类人群用户。该方法看起来似乎很简单,但实际上需要基于对海量用户行为的数据挖掘与分析。系统动力学是一门基于系统论、控制论与信息论,并借助计算机模拟技术的交叉学科,其通过系统的视角,进行结构化动态分析和模型模拟,擅长分析高阶、非线性时变和复杂系统,采用定性与定量相结合的方法,适合对资讯个性化推荐这种动态复杂过程进行分析。针对司法工作相关资讯的个性化推荐问题,应用系统动力学理论,对影响资讯推荐效果的重要因素在Vensim软件中进行建模仿真,构建包括用户量、文章量、标签数量和各子系统之间影响的因果反馈模型和存量流量模型,建立系统动力学方程模型,经仿真对相关因素进行敏感性分析。结果表明,文章量、设置的特征化标签和对文章的兴趣点因子等都对推荐效果有重要影响,这是在设计推荐系统时需要重点考虑的因素,也是解决推荐系统冷启动、实时性和"信息茧房"等关键问题的重要途径。基于系统动力学进行资讯个性化推荐研究,可以积极有效地应对司法领域资讯披露面临的挑战,提高精准推荐效果。     

一个基于用户兴趣的blog推荐系统的设计

设计和实现了一个面向blog的兴趣挖掘和推荐系统blog-digger,该系统采用兴趣挖掘技术,主要根据用户在一定时间段对blog页面的浏览行为,判断出用户对blog网页的感兴趣程度,并采用文本分类技术对用户的兴趣进行挖掘,取得较好的兴趣挖掘结果.另外,结合页面重要度对网页进行排序,以确定最终推荐给用户的blog.实验表明该系统推荐的blog具有较高的主题内容相关.     

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Web使用挖掘的个性化推荐服务研究

本文研究结合网站结构和页面内容以辅助Web使用挖掘,提高推荐服务质量。并在相关理论与研究的基础上,给出一种关于推荐因子的综合计算方法,经推荐质量分析,该方法具有较好的推荐优化能力。     

地理信息产品综合浏览系统的建立

为解决海量遥感影像数据的快速浏览、显示问题,基于ArcEngine开发模块,应用海量数据的组织与管理技术,开发嵌入式GIS应用系统——地理信息产品综合浏览系统。通过对影像数据和DEM分层分块建立多分辨金字塔模型组织数据,利用几何纠正、重采样等整合数据,控制实时调入的数据量,实现了海量数据实时浏览,查询,DOM与DEM、DLG数据的叠加与三维可视化等主要功能,具有显著的理论价值及社会应用前景。