基于近邻模型与概率矩阵分解的高校选课推荐算法

为研究高校教务信息管理系统中学生自主在线选课的个性化推荐问题,采用基于近邻模型与概率矩阵分解相融合的改进算法.通过衡量学生(选课)之间的相似关系寻找相似学生(选课),再将与学生(选课)相似性最大的邻居集合应用到基于概率矩阵分解的协同过滤推荐算法中,最终依据预测评分值和限制条件给出Top-K推荐结果排序.原型系统测试实验结果表明:改进算法更适用于高校选课推荐应用,并能够有效地解决数据稀疏问题.     

基于协同过滤的高校推荐选课系统的设计与实现

为了克服学生在选课过程中的盲目性,高校在考虑学生专业、偏好以及学习程度等方面的基础上,普通使用选课系统为学生推荐适用课程.但目前的高校选课系统中缺乏个性化课程、选课效率过低,本文提出了一种基于协同过滤的高校推荐选课系统的设计与实现.经过实验表明,该系统完全能够解决选课系统的个性化推荐问题,在增强课程资源利用率的基础上,极大的调动了学生的学习兴趣,并进一步提高了高校学生的选课质量.     

基于深度哈希算法的学生画像个性化推荐系统的设计与实现

为了提升学生画像个性化推荐的效果,研究设计了一种基于深度哈希算法的学生画像个性化推荐系统。通过使用深度哈希算法结合经过处理的学生信息,进行了学生信息特征标签的提取,并构建了学生画像标签维度模型,从而提升了学生画像的生动性。根据学生画像标注的学生特征,在学校课程资源特征数据集中进行搜索匹配,并根据排序后的检索结果生成推荐结果。实验结果表明,该系统能够有效地采集和预处理学生信息,并成功构建学生画像,完成学生画像的个性化推荐。     

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。     

基于模糊聚类的并行推荐算法

为提高传统协同过滤算法在个性化推荐系统中的大数据处理能力,研究了一种基于模糊聚类的并行推荐算法。在Hadoop平台下首先通过PCA降维和FCM聚类对用户物品评分矩阵进行预处理,采用皮尔逊相关系数计算用户间的相似度,通过得到的聚类簇集合构建最近邻集合,生成基本预测评分。最后实现算法的并行化处理并得到推荐结果。实验结果表明,与基于PCA降维的协同过滤和单机式传统协同过滤算法相比,该算法提高了推荐的准确性和实时性。     

基于偏好度特征构造的个性化推荐算法

随着在线旅游业酒店数量的日益增多,用户点评信息稀疏问题愈加严重,这不仅导致推荐准确度大幅下降,而且使传统推荐算法的计算负荷随之增加,难以满足实时性要求.基于此,从挖掘用户历史信息与待推荐物品之间潜在相关性的角度出发,对基于内容的推荐算法进行改进,提出了一种基于偏好度特征构造的个性化推荐算法.该算法通过计算偏好分来构造偏好度特征,并借助机器学习领域的分类算法得以实现.将该算法应用于线上旅游业的个性化子房型推荐,通过对真实数据集的实验与分析,验证了所提出个性化推荐算法的简便与有效性,且较传统推荐算法更具实时性和通用性.     

个性化推荐算法研究

随着全球信息总量的爆炸式增长,信息超载问题无法避免且日趋严重化．个性化推荐系统是当前解决信息过载问题的有效技术．该文首先阐述了推荐系统概念定义及其三大组成模块,其次深入分析了个性化推荐算法,详细讨论了当前主流的四大类推荐算法:基于内容的推荐算法、协同过滤推荐算法、基于知识的推荐算法和混合的推荐算法,从多角度对各算法的优缺点进行对比,然后阐述了常用评价方法、评测指标及对测试标准进行分类,并且介绍了常用数据集,最后展望个性化推荐未来研究热点．     

基于大数据的人工智能跨境电商导购平台信息个性化推荐算法

传统算法计算与存储开销大,影响推荐结果准确性,不适于含大规模数据的人工智能跨境电商导购平台信息的个性化推荐的。为此,通过大数据技术研究人工智能跨境电商导购平台信息个性化算法,使得大数据技术在Hadoop平台实现,通过Map将任务分解成多个任务,采用Reduce将分解后多任务处理结果集合在一起,获取最终处理结果。通过两个MapReduce与一个map对平台中用户偏好获取算法进行并行化处理。针对用户偏好,通过关联规则挖掘获取和用户偏好相符的商品,推荐给用户。结果表明:所提算法推荐准确率、召回率和平均精度均高于其他算法;所提算法推荐商品符合用户偏好;所提算法推荐商品信息点击率与转换率最优。可见所提算法推荐精度高,推荐商品信息可满足用户偏好,应用性强。     

基于关联规则优化的个性化推荐系统

针对当前个性化推荐系统处理数据效率较低的问题,提出了一种混合聚类关联规则优化的个性化推荐系统实现方法.深入分析了基于Web网络服务平台的电子商务个性化推荐系统的结构组成,将数据分析与推荐算法实现分为离线和在线处理两部分,阐述了算法初始化、关联实现以及推荐数据集合生成和兴趣模型预测的具体原理,并给出了算法的实现步骤.最后,基于提出的系统构建模型,建立了一种基于混合聚类关联优化的图书网络推荐平台.实验结果表明,该方法具有较高的推荐精度和推荐效率,更适合大数据环境的推荐系统.     

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.     

利用内容推荐和协同过滤算法实现个性化评估

针对教学评估中存在着仅用试卷分析表无法实现个性化学习和评估的情况,将人工智能中的推荐系统技术应用到期末教学评估中.将推荐系统中的基于内容推荐算法和协同过滤算法分别应用到学生薄弱知识点的个性化学习和期末评估分析中,根据学生的知识掌握情况推荐相应资源进行个性化辅导.通过实验案例验证,该方法可以得出学生对知识点的掌握程度,并根据题目之间的相似性进行推荐.     

基于用户画像的高校图书馆个性化图书推荐研究

个性化推荐服务是高校智慧图书馆的建设重点，基于此，提出了图书推荐系统整体架构.首先从读者的属性、行为、兴趣等标签维度构建用户画像模型，其次考虑读者认知能力存在差异化的特点，将读者按照不同的身份类型划分，再结合基于协同过滤、内容及属性相似度的混合推荐算法进行图书推荐.最后，通过Hadoop大数据平台向目标读者推荐TOP-N图书，实验结果表明，基于该架构模型的图书推荐系统的推荐准确度高，并且有效缓解了推荐系统的冷启动问题.     

基于图嵌入向量的课程推荐算法研究

互联网技术的飞速发展，推动了传统教育方式的变革，在线教育逐渐成为了人们学习的一种重要方式。然而在线课程种类繁多，用户在学习过程中，往往难以找到符合自身需求的课程。面对信息过载问题，越来越多的研究人员将兴趣投入到在线课程平台的推荐算法中来。在线课程平台常用的协同过滤推荐算法基于用户相近的兴趣进行推荐，然而，忽略了用户学习的时序特征。针对此问题，文章提出一种基于用户点击时序网络嵌入向量（Graph Embedding Vector,GEV）的推荐算法。首先，利用用户的学习记录构造用户点击序列图，然后利用Skip-gram算法和负采样算法学习到课程的嵌入向量表示，最后，通过向量检索的方式为用户生成推荐候选集。实验结果表明，与MF、DeepWalk、协同过滤等传统算法相比较，该算法在MOOC数据集的推荐召回率上均有提升。因此，实验结果证明了利用图嵌入方法获取向量表示进行推荐可以有效提升推荐召回率。     

基于校园网的选课系统

运用ASP编程的服务器端运行的学生选修课程选课系统，充分运用校园网的网络资源，允许学生在校园内的任意地点和时间，通过校园网在线选择、修改选修课程，并能实时向管理者提供学生选课情况，大大提高了教务管理的效率。     

基于微博的个性化社区推荐算法

随着互联网的发展,网络信息正飞速增长.社交网络如Facebook,Twitter,微博等相继出现,用户通过虚拟平台可以获得自己感兴趣的信息,找到爱好相投者.面对海量的内容信息,如何选择各自所需成了当下研究的话题,因此推荐系统应运而生.进一步地,如何更加个性化推荐信息也成为探讨热点.本文以微博社区为平台提出了一种基于微博的个性化社区推荐算法,通过对传统的Jaccrad相似度方法改进,从用户所关注博主以及所参与社区或话题两方面考虑用户之间相似性.继而通过改进的Page Rank算法筛选出具有影响力的对象作为待推荐集.与传统Jaccard和Page Rank算法相比,本算法在平均准确率的平均值MAP上分别提高了42.6%和34.3%.     

大学选课推荐系统的数学模型

在当代大学中,为了指导学生合理选课,减轻学校管理负担,成功建立了大学选课推荐系统的完整数学模型,推荐机制同时考虑了学生的课程结构和学生的学习能力.针对不同的学生,该系统既可以显示对某一门课程的具体推荐程度,又可以指明其需要优先加强哪一门前导课程的学习.论述了模型建立的详细过程,提出了“加权的相似系数计算法”,同时也对该...     

基于聚类和分类的个性化文章自动推荐系统的研究

由于缺乏足够的反映用户兴趣的知识,以及巨大的在线计算量,导致互联网上现有文章自动推荐系统普遍存在盲目性和低效性的问题.针对以上问题,提出了一种基于聚类和分类的个性化文章自动推荐系统,利用机器学习的方法隐式地获取用户模型,并根据用户模型为用户提供个性化的文章自动推荐服务.该系统包括离线用户模型及用户群获取子系统和在线个性化文章推荐子系统两大部分,前者对文章进行聚类形成聚类兴趣点,构建基于聚类兴趣点的用户模型,并根据用户兴趣聚类形成各兴趣点的用户群;后者对待推荐文章进行分类,搜索到其所属的兴趣点,向该兴趣点的用户群进行主动推荐.理论分析和实验结果表明,该系统能够显著提高有效性和在线响应速度.所述的设计思想和技术也适用于其它互联网个性化信息自动推荐系统.     

个性化网络学习推荐系统设计

本文针对个性化网络学习的特点,设计了基于WEB挖掘的个性化网络学习推荐系统,本系统包括离线部分和在线部分。离线部分主要采用数据挖掘技术实现,在线部分用于在线推荐资源。同时本文还给出了个性化推荐系统的推荐流程。     

基于协同过滤的电力信息运维知识个性化推荐模型

提出了基于协同过滤的电力信息运维知识个性化推荐模型.首先给出了电力信息运维知识个性化推荐模型的建立流程;其次引入隐式评分机制,将运维人员的学习行为转换为对电力信息运维知识的隐式评分;再次对传统协同过滤算法的不足进行改进;最后基于改进协同过滤算法构建个性化推荐模型,对电力信息运维知识进行推荐.实验结果表明,该个性化推荐模型能够有效提高推荐效果,具有实际意义.     

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.