面向场景的协同过滤推荐算法

推荐系统是电子商务系统中最重要的技术之一。用户相似性度量方法是影响推荐算法准确率高低的关键因素,针对传统相似性度量方法存在的不足,利用云模型在定性知识表示以及定性、定量知识转换时的桥梁作用,提出一种在知识层面比较用户相似度的方法,克服了传统基于向量的相似度比较方法严格匹配对象属性的不足。进而以该方法为核心,提出一种面向场景的协同过滤推荐算法,该算法能够充分利用项目的分类信息,避免了传统算法把用户的整体打分作为单个向量的弊端。实验结果表明,算法可以在用户评分数据极端稀疏的情况下,仍能取得较高的推荐质量。     

基于PCA-SOM的混合协同过滤模型

针对推荐系统中协同过滤技术面临的数据稀疏性和推荐实时性难以保证的问题,提出一种基于主成分分析(Principle component analysis)和SOM(Self-organizing map)聚类的混合协同过滤模型.首先对原始评分数据进行全局降维,并在转换后的主成分空间上进行用户聚类,缩小了目标用户的最近邻搜索空间,减少了在线计算时间复杂度,最后对真实的电子政务门户网站Log日志数据进行了几种常用的推荐算法的比较,实验结果证明新的推荐模型具有较好的预测精度.     

一种基于用户聚类的协同过滤推荐算法

为解决传统协同过滤算法在生成推荐时的速度瓶颈问题,提出了一种基于用户聚类的协同过滤推荐算法。该算法将推荐过程分成了离线和在线两个部分。离线时,算法对基本用户数据进行预处理,并对基本用户聚类;在线时,算法利用已有的用户聚类寻找目标用户最近邻居,并产生推荐。实验表明,基于用户聚类的协同过滤推荐算法不仅加快了推荐生成速度,而且提高了推荐质量。     

协同过滤推荐算法研究: 考虑在线评论情感倾向

协同过滤推荐算法通常是基于兴趣相似的用户行为来实现个性化推荐, 其核心义用户之间的兴趣相似度. 本文在传统的协同过滤推荐算法基础上, 考虑在线评论对用似度识别的影响. 在混合商品推荐中, 粗粒度识别评论情感极性; 而在同类商品推荐中, 细粒别每个商品特征的情感极性. 如果用户对产品的某个特征评价次数大于平均次数, 表明用户对征较关注; 如果对产品的某个特征评价低于平均评价, 表明用户对该特征较挑剔. 进而根据用户评论来建立用户偏好模型, 用户在评论中反映出来的相似度越高, 表明用户之间的偏好越. 实验表明, 同传统的协同过滤算法相比, 基于在线评论情感分析的用户协同过滤算法在率和召回率指标上有显著提升.     

基于情境化用户偏好的协同过滤推荐模型

协同过滤推荐是目前个性化推荐系统中使用最为广泛的方法.然而,传统协同过滤推荐一方面仅根据用户对项目的评分来判断用户之间是否存在共同喜好具有一定的片面性,因而降低了近邻搜索的质量;另一方面忽略了不同情境对用户偏好影响的差异性,进而影响了个性化推荐的效果.为此,提出一种基于情境化用户偏好的协同过滤推荐模型.首先,在模型中采用信息熵理论分析不同情境对用户偏好产生影响的重要程度,并结合用户-商品评分和用户对商品属性的偏好来搜索近邻用户;在此基础上,将情境重要度的权重引入到协同过滤推荐的生成过程中进而产生推荐结果.通过MovieLens数据集对该模型和其它两种协同过滤推荐进行比较的结果表明:本模型具有较低的平均误差,进而表明了考虑情境化用户偏好的协同过滤可明显改善个性化推荐的质量.     

基于集团序方法的推荐系统输出

论文从推荐系统的输出形式出发, 认为系统以top-N形式输出时, N值的大小影响了推荐的质量和推荐个性化. 论文探讨了输出结果差异化的可行性及一般方法, 采用集团序的方法提出以整个子集团作为推荐输出、以子集团内的产品个数作为候选N值的思想, 有效地避免了推荐结果中被推荐产品间差异大, 以及被推荐产品与不被推荐产品之间差异小的问题. 论文构建了推荐系统中一般产品集团序模型, 并针对N值大小进行了产品集团序质量评估, 进而得到了可靠的N值. 这一研究结果不仅丰富了推荐系统的理论成果, 也为推荐输出的个性化研究探索了新的道路.     

基于情境聚类和用户评级的协同过滤推荐模型

协同过滤是电子商务推荐系统中广泛应用的推荐技术, 但面临着严重的用户评分数据高维化和稀疏性问题. 同时, 传统协同过滤中的相似度度量方法没有考虑用户评分行为对其他用户的影响, 因而对评分预测的精度影响较大. 此外, 在移动环境下, 传统协同过滤未结合情境信息, 导致推荐质量下降. 对此, 提出一种基于情境聚类和用户评级的协同过滤模型. 首先, 根据情境信息对用户进行聚类, 降低用户评分数据维度和稀疏性; 然后, 引入社会网络理论分析用户间关系, 建立用户评级模型用于评价用户推荐能力, 并结合评级指标进行评分预测. 通过MovieLens和NetFlix数据集对基于该模型的SlopeOne算法和其它三种方法的比较验证结果表明: 本模型在所有数据集上都获得了最高的预测精度, 同时还具有最佳的推荐覆盖度, 可显著提高预测精度, 更适用于移动电子商务环境下的个性化推荐问题.     

基于协同过滤和网络结构的个性化推荐算法

综合了经典的协同过滤算法和基于网络结构的个性化推荐算法.项目同其他所有项目的相似度之和被认为是项目在个性化推荐系统中的初始推荐资源,然后通过二部图的网络结构将这种资源进行重新分配.同时考虑两个项目之间的相互作用关系,提出了最终的推荐算法.最后,根据用户未曾收集项目最终所获得的资源进行排序,向用户推荐资源最多的项目.通过...     

基于用户兴趣的混合推荐模型

从用户特征描述出发,分析用户兴趣模型的表达机制,提出一种基于用户兴趣的混合模式推荐方法.该方法将内容过滤和协同过滤的预测值进行加权求和,形成最终的综合相似度.实验结果表明,该方法的性能同时优于基于用户协同过滤的推荐方法和基于内容过滤的推荐方法,推荐系统的推荐质量得到显著提高.     

一种基于多序参量协同的组织系统变革有序性识别方法

如何有效识别变革有序性,始终是监测与调控组织系统发展的重要课题。鉴于序参量在组织系统变革过程中的主导作用,应用多序参量识别原理,提出将协同度、有序度和有效度作为组织系统变革有序性识别的关键维度。研究发现：协同度反映组织系统内各要素间的协作支持情况,有序度反映组织系统整体变化的秩序情况,有效度则解释组织系统变革后效果情况。基于多序参量识别结果,提出3个维度的测量方法、判别准则和调节策略。最后,结合计算实例,以验证所提出方法的科学有效性。     

我国电子商务推荐策略的比较分析

首先评述了国内外电子商务网站常用的各种查找推荐方法,重点比较分析了我国四个典型的B2C网站(Mall.sina.com.cn,Ssreader.com,Dangdang.com,D-library.com.cn)和国外著名电子商务网站Amazon.com所采用的推荐策略,然后指出目前我国B2C网站在推荐策略方面存在的差距和问题,分析了其原因并提出了相应的解决措施.     

基于模糊理论的风险评价方法

针对传统风险评价过程中无法综合多人的评价结果、风险之间难以排序等问题,提出了一种基于模糊理论的风险评价方法。建立模糊风险矩阵,把可能性和严酷度放在同一尺度下讨论,引入层次分析法核心理念确定可能性和严酷度对风险的影响权重,综合多人对可能性和严酷度的评价结果,通过确定的可能性和严酷度对风险的影响权重以及综合的评价结果得到风险值。以飞行控制系统中的具体危险为例采用该方法进行评价。通过该方法确定的不同危险的风险指数可进行详细的风险排序,支持风险决策,验证了该方法的工程实用性和有效性。该方法能够更客观地评价危险,为危险的预防措施制定和管理决策提供依据。     

基于遗传算法的混叠式非正交多址接入方法

为了提高稀疏码多址接入(sparse code multiple access,SCM A)系统的资源利用率,提出一种基于遗传算法的混叠式非正交多址接入(non-orthogonal multiple access,NOMA)方法.该方法利用NOMA的过载特性,允许相同的资源单元同时混叠承载调度接入和随机竞争接入业务,...     

基于最大熵方法的鲁棒自适应滤波及其应用

针对过程噪声和量测噪声受到脉冲噪声影响而呈现非高斯分布,且噪声统计特性不精确从而导致估计精度下降的问题,提出一种基于最大熵方法的变分贝叶斯自适应卡尔曼滤波(maximum correntropy variational Bayes adaptive Kalman filter, MCVBAKF)算法,并将其应用于捷联惯导系统(strapdown inertial navigation system, SINS)/全球卫星定位系统(global positioning system, GPS)组合导航系统。首先,使用最大熵鲁棒滤波方法对由脉冲噪声产生的野值问题进行处理;然后,通过改进的变分贝叶斯自适应方法进行后验更新,估计噪声,收敛所估参数的估计值;最后,进行了仿真对比。结果表明, MCVBAKF在复杂环境下可以有效提升滤波精度和稳定性。     

基于多普勒特征的雷达地面目标过滤方法

机载预警雷达在探测空中目标时,常面临地面目标的点干扰和航迹干扰。地面目标过滤是机载预警雷达航迹优化的重要内容,可以有效改善目标航迹质量。针对地面目标过滤问题,本文研究了基于多普勒特征的地面空中目标识别方法。首先在对交通流建模仿真的基础上,分析了地杂波背景下高速公路目标回波的多普勒特征;然后利用地面和空中目标的多普勒特征差异,设计了一种目标分类准则。仿真结果表明分类准则在确保空中目标具有较高识别概率的同时,也保证了对地面目标具有较高的识别概率,从而能够有效滤除大部分地面高速公路目标。