基于CiteSpace的推荐系统研究可视化分析

分析推荐系统领域研究热点主题和未来发展趋势,对提高和改进推荐结果对用户友好性具有重要意义。本文采用科学知识图谱分析工具CiteSpace对2001-2020年间自然科学引文数据库中推荐系统领域文献进行可视化分析和解读。研究结果显示,推荐系统领域当前热点研究有“协同过滤、个性化推荐、用户画像”。推荐系统的研究前沿发展趋势集中在：冷启动、深度学习、相似性度量。建议未来在该领域的研究树立新高度,站在多学科结合视角、加强学术间交流、增进机构间合作,消除现有技术壁垒,促进推荐系统研究积极向前发展。本文研究结果可为国内推荐系统研究的后续理论研究和实践操作提供参考依据。     

个性化推荐系统中协同过滤算法研究

个性化推荐系统是解决互联网信息超栽的主要途径之一,协同过滤推荐是目前应用最广泛和最成功的个性化推荐系统。本文介绍了协同过滤推荐算法的基本思想、技术分类和最新研究进展,分析目前出现的代表性算法,总结协同过滤推荐算法中的关键问题和相关解决方案,最后总结了推荐系统的性能评测方法和未来的研究热点。     

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Web信息挖掘的关联推荐算法研究与实现

使用Web数据挖掘技术对用户需求进行分析,其中实现Web信息个性化使用的是关联规则,这一规则能够为用户提供个性化服务,目前已成为Web应用技术的研究热点。该文分析了应用于个性化推荐的Web页面关联规则的特点,对Web数据挖掘技术常用的关联推荐算法进行探讨,内容主要涉及到Web数据挖掘技术、关联推荐算法的思路、算法分析。     

个性化推荐系统用户偏好获取及兴趣建模

本文选取基于内容（过滤）的个性化推荐技术,通过结合个性化推荐的相关理论,从用户资源特征项提取、用户兴趣模型建立、资源文本相似度计算等方面进行研究和分析,最终推荐给系统用户最合适、最个性化的网络资源。     

基于案例推理的个性化推荐系统数据源研究

大数据时代,海量资源给用户快速从浩瀚的资源中获取所需信息带来了难题,个性化推荐系统的市场需求越来越大。案例推理技术在个性化推荐系统中的应用还很少,因此,提出了基于案例推理的个性化推荐系统数据源建设方案。分析了数据源的组成,建成了包括用户案例库和知识库的个性化推荐系统数据源,为案例推理提供了一定的基础数据。系统研究结果表明,数据源建设对系统推荐结果个性化程度的质量具有重要意义。     

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.     

基于知识图谱的图书馆学科服务研究可视化分析

以CNKI数据库中图书馆学科服务的研究文献为研究对象,利用信息可视化分析软件CiteSpace及文献计量学方法,绘制了知识图谱,探讨了图书馆学科服务研究文献的基金资助来源、核心作者、核心学术机构和研究热点,以期为我国图书馆学科服务的研究提供有益参考.     

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.     

我国科研诚信研究态势的文献计量学分析

采用CiteSpace可视化分析软件分析我国知网数据库检索到的2003—2021年间科研诚信领域相关研究成果，得到开展科研诚信研究的学者、机构和关键词热点等相关知识图谱。研究发现：在发文量方面，科研诚信领域文献数量呈缓慢增长的趋势，直到2018年文献数量激增，科研诚信问题受到学术界的高度重视；在研究机构和学者方面，科研诚信研究相对分散、学者和机构之间的合作较少；在热点关键词方面，我国科研诚信研究领域的热点主要在“学术不端”“诚信”“科技创新”等方面，并基于突现词分析了我国科研诚信领域的研究趋势。     

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。     

六届全国典籍英译研讨会成果研究

通过研究四辑《典籍英译研究》所辑论文的学术代表性,对2002-2010年间举行的六届典籍英译研讨会的学术成果进行了文献计量分析,探讨了中国典籍英译主要学术力量在地区、院校等方面的分布、学科内部结构、学术前沿和研究热点,评价了《典籍英译研究》著者群所代表的知识结构、学术能力及情报能力,并据此对典籍英译这一学科的发展作出了预测,提出了一些建议。研究发现:典籍英译这一学科在国内获得了长足的发展,也引起了部分外国学者的注意,但也存在着典籍英译力量分布失衡,知识更新缓慢等问题。     

2000—2012年国内数字图书馆个性化服务研究文献计量分析

通过文献检索获得2000—2012年国内关于数字图书馆个性化服务的研究论文,从来源数据库、作者分布、时间分布、期刊来源分布等方面进行文献计量分析,从基础研究和应用实践两方面进行了主题分析述评,指出了数字图书馆个性化服务研究的现状、热点及主要发展趋势,对研究中存在的问题进行了总结,使学者对该领域研究情况有全面的认识,以期促进该领域研究的进一步发展。     

双元能力研究述评：热点、主题及展望——基于知识图谱的可视化分析

以CNKI数据库中双元能力的相关文献为对象，运用Citespace软件进行可视化分析，并进一步提炼双元能力相关主题进行述评。结果表明：双元能力已成为国内组织管理和创新领域的研究热点，但研究仍呈现出团队合作不足，双元能力构念和互动关系有待完善，相关变量研究深度和广度不够等问题。基于此，提出拓展学术合作网络，进一步厘清和延伸双元能力内涵和关系构成，深入探讨相关影响因素、形成机制及作用效果研究及未来展望。     

基于数据挖掘的网页个性化推荐系统设计与实现

介绍了网页个性化推荐系统的实验过程,讨论了网页个性化推荐系统的实验条件,分析了实验数据,得到了个性化的分析结果,综合性分析和评价了网页个性化推荐模拟系统.     

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.     

基于隐式反馈的推荐研究综述

隐式反馈在推荐系统中可以有效地表达用户-项目之间丰富的交互信息.根据隐式反馈数据量大且易获取的特点,与推荐算法进行融合,不仅可以有效缓解用户偏好表达不完整的问题,还可以提高推荐准确度.因此,研究人员对隐式反馈推荐开展了大量研究,但缺少相关研究的综述分析.本文根据收集到的文献对隐式反馈推荐热点词汇进行了分析,按照研究问题-研究内容的思路重点对隐式反馈推荐研究进行了综述,并阐述了隐式反馈推荐的应用以及未来可能的研究方向.     

基于作者共被引分析的国外多维邻近性与创新学术群探析

多维邻近性与创新是近年来国外学术界研究的热点。运用共被引分析方法,通过多元统计分析和社会网络分析相结合,对多维邻近性与创新的相关文献进行定量分析。结果发现:多维邻近性与创新可分为经济地理、制度、互动、知识生产函数实证4个学术群,同时,梳理了多维邻近与创新各学术群的内涵。     

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。     

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。