自适应过滤算法在基于社区E-learning的个性化知识服务系统中的研究

针对学习型社区中的教育需求,在传统算法上加以改进提出了一种基于向量空间模型的教育资源自适应过滤算法。首先通过训练算法,提取特征向量和伪反馈建立初始模板,设置初始阈值。然后通过过滤算法根据用户的反馈信息自适应地调整模板和阈值。该算法在执行过程中,不需要大量的初始文本,同时在过滤的过程中可不断地进行自主学习来提高过滤精度。该算法已在项目中进行验证,结果表明是有效的。     

E-learning中的个性化服务研究

E-learning已经成为现代教育的重要手段,但是现有的E-learning系统的教学模式、教学过程还过分单一,缺乏个性化．如何根据学习对象的学习基础、掌握程度等建立个性化的学习环境,实施自适应学习成为E-learning重要的研究课题．为此提出了一种基于知识点管理的教育资源管理模式,建立了个性化的E-learning学习模型,并实现了学习过程的个性化推荐．     

个性化信息过滤系统模型研究

随着Internet上信息的迅猛增加,搜索信息的难度越来越大,于是迫切需要一种工具来帮助用户更方便高效地搜索其需要的信息。针对这种需要,提出了一种个性化信息过滤系统的模型,介绍了其总体结构,并深入分析了其关键技术。     

基于混合协同过滤的个性化推荐方法研究

针对传统协同过滤算法存在的数据稀疏性和推荐范围问题,提出一种混合协同过滤推荐方法.该方法将两种传统算法结合,并综合考虑了项目标签属性等信息.首先利用基于项目的协同过滤算法生成预测评分,并替换原始用户-项目评分矩阵中的零值.其次利用基于用户的协同过滤算法计算填充后矩阵的用户相似度,以及预测评分并产生最终推荐.最后基于MovieLens数据集实验证明,该方法能够有效提高推荐精度,扩大推荐范围.     

数据驱动下的个性化自适应学习研究综述

智能教育环境下的教学更加关注学习者的个性化诉求,而自适应学习能够为实现个性化教育提供技术和方法支持.文章从数据驱动的视角出发,通过开展国内外个性化自适应学习研究的综述分析,对其系统框架和相关组件进行阐述和解读.其中,重点从领域知识模型、学习者特征模型和教学模型三方面对其实现机制进行探析,提出当前研究存在的问题和不足,并在此基础上介绍了近年来可促进解释性提升的相关组件技术研究,奠定进一步深入个性化自适应学习研究的基础.     

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。     

数字图书馆中的个性化服务研究

对数字图书馆系统中的个性化主动服务进行讨论．提出了一个数字图书馆系统的体系结构，并对各个关键模块作了较为详细的阐述．     

E-learning环境下的个性化学习行为研究

随着信息化社会的快速发展,基于互联网技术的网络教育逐渐成为一种有效利用社会教育资源、促进学习化社会构建的积极途径.E-learning使学习不再受到时间和空间的限制,令学习者获取知识和信息的方式发生了巨大变化.笔者针对当前在E-learning的应用与实践中存在的个性化服务方面的不足,提出对E-learning环境中的学习者主体的学习行为、学习兴趣度进行分析和研究的方法,为建立基于E-learning的网络个性化教学体系提供有力的理论依据.     

基于改进协同过滤算法的个性化新闻推荐技术

针对传统的基于内容协同过滤算法只是依据用户历史访问矩阵向用户做出推荐,存在数据稀疏以及不能及时反映用户兴趣变化等问题,个性化新闻推荐技术在传统的协同过滤算法基础上提出了新闻文本内容相似度的计算方式和时间窗的概念,新闻内容相似度计算中还考虑了特征词的词性和在新闻中的位置的影响,时间窗用来建立适应用户兴趣随时间变化的模型;实验结果表明,改进后的算法有效地改善了新闻用户历史访问数据的稀疏问题,及时捕获用户兴趣,F-measure值相比传统的算法最大提高了11.5%,平均绝对误差值最高下降了8%,显著提高了推荐质量.     

数字图书馆个性化信息服务系统研究

突破局限于个性化定制技术的数字图书馆(digital library,以下简称DL)个性化信息服务现状,结合信息定制、信息推送、信息过滤、数据挖掘、智能代理等先进技术,构建了一个以数字化信息资源为基础,以用户需求为中心,以信息推荐为主要功能的个性化信息服务系统.     

结合知识图谱进行信息强化的协同过滤算法

针对传统协同过滤算法存在使用信息单一、基础评分数据过于稀疏导致推荐效果不佳等问题,该文提出一种结合知识图谱进行信息强化的协同过滤(KGRI-CF)算法.该算法利用电影的特征数据构建1张关于电影的知识图谱,对用户-评分矩阵进行有条件的填充,有效改善了传统协同过滤算法的数据稀疏性问题.通过对评分数据进行统计与挖掘获取用户的偏好信息,构建了关于用户偏好的知识图谱.利用实体向量化算法将知识图谱中的实体以及关系向量化后计算出用户信息相似度,将其与基于用户的传统协同过滤算法得到的用户评分相似度以一定比例进行融合,从而得到最终的用户相似度,并以此为基础进行评分预测并得到推荐列表.实验结果表明:与传统协同过滤算法相比,该算法能有效地改善数据稀疏性问题,预测结果的精准率和召回率均有显著提升,同时具有较好的可解释性.     

基于综合相似度迁移的协同过滤算法

数据稀疏性问题是传统协同过滤算法的主要瓶颈之一.迁移学习通常是利用目标领域与辅助领域的潜在关系,对辅助领域进行知识迁移,以此来提高目标领域的推荐质量.现有的基于相似度迁移模型,普遍只利用了用户评分信息,并且在评分相似度计算上忽略了用户评分标准个性差异.针对这些问题,提出了一种综合相似度迁移模型,在相似度计算上,即利用了用户评分信息同时也利用了用户属性信息,并且考虑了用户间对满意度的打分标准的差异性,采用了用户评分分布一致性来衡量用户评分相似度的方法,提高了相似度计算的准确性,从而提高了数据迁移的质量.实验结果表明,该模型较其他算法能比较有效地缓解数据稀疏性问题.     

决策树算法在图书馆个性化服务中的应用研究

本文对图书馆读者的借阅历史数据和相关信息进行深入地统计与分析,为不同背景、不同目的的用户提供满足个性化需求的图书资源,并预测其发展趋势,进而及时地提供及时的＂一对一＂个性化信息服务。     

决策树算法在图书馆个性化服务中的应用研究

本文对图书馆读者的借阅历史数据和相关信息进行深入地统计与分析,为不同背景、不同目的的用户提供满足个性化需求的图书资源,并预测其发展趋势,进而及时地提供及时的一对一个性化信息服务。     

协同过滤中一种项目综合相似度计算方法

协同过滤算法作为一种成功的个性化推荐技术已经被应用到很多领域,但是由于协同过滤算法所使用的用户-项目评分矩阵一般都非常稀疏,导致该算法推荐效果一直较差。文章在考虑了用户相似喜好、项目平均得分的差异性和方差等因素基础上,提出了一种项目间综合相似度计算方法JAV Weighted Model,通过在MovieLens数据集上的实验表明本文方法在预测精度上与已有方法相比有一定的提高。     

融合儿童成长信息的协同过滤推荐算法

在互联网母婴领域中,由于育婴网络自身的特殊性,推荐算法不仅与用户以及项目的信息有关还与儿童的数据信息有关,而传统的用户相似度计算并未考虑儿童的数据信息.针对此问题,重新定义用户相似度计算方法,将儿童的数据信息通过加权融合的方法融入用户相似度计算中,并提出一种融合儿童成长信息的协同过滤算法,实验结果表明,该算法的准确率与召回率都优于传统算法,推荐系统的推荐质量也有所提高.     

一种考虑双重相似度的协同过滤推荐算法

协同过滤算法为推荐系统提供了一种方法,但传统的协同过滤方法推荐精度低.提出一种考虑用户评分相似性的协同过滤算法,通过在皮尔逊相关系数中加入项目数量相似度和用户评分相似度两个因素来计算用户间的相似度,以产生更合理的邻居用户,提高推荐精度,完成对用户的推荐,同时邻居用户的选取采用动态阈值设定方法.实验结果表明,所提出的算法相比传统方法选择出的邻居更为精确,推荐质量更高.     

协同过滤技术在个性化推荐中的运用

协同过滤技术是目前运用最广泛的个性化推荐技术之一,但随着系统规模的不断扩大,用户评分数据极端稀疏等问题使其推荐质量严重下降.因此,文章提出将维数简化和聚类的方法运用到协同过滤技术中,从而较好地解决协同过滤推荐技术中存在的稀疏性、扩展性等问题,快速准确地产生个性化推荐结果.