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。     

搜索引擎-浏览器插件-推荐引擎模式研究

借助浏览器插件技术可以弥补主流搜索引擎无法有效利用用户搜索经验的不足,可更好地实现个性化Web搜索。为此提出一种新的个性化Web搜索模式,即搜索引擎-浏览器插件-推荐引擎模式,给出一种基于案例推理的个性化Web搜索推荐系统体系结构,探讨了搜索经验的获取、表示与组织等,介绍了案例模型的基本结构。此外,介绍了基于上述模式开发的ExpertRec原型系统。     

基于案例推理的过滤算法及智能信息推荐系统

智能信息推荐系统能够通过用户偏好,利用信息过滤算法主动剔除无关信息。该文提出了一个基于案例推理的职能信息推荐系统的架构,主要包含数据层、过滤层和结果展示层3个功能层次。设计了一个基于案例推理的过滤算法,将用户对文本的评价定义为案例;采用归一化的Euclidean距离,计算用户之间的相似度。在一个公共数据集上进行了不同过滤算法的reca ll值对比实验。结果表明,采用案例推理技术,对协同过滤的准确度有一定程度的改善。     

一种有效缓解协同过滤推荐评价数据稀疏问题的算法

在采用协同过滤算法构建个性化推荐的系统中,经常面临用户评价数据稀疏问题,这将严重降低个性化推荐的准确度.针对此问题,提出了一种混合加权预测填充算法,从用户访问的资源特征以及该资源在整个用户群体中被访问的热度出发,对用户访过的但未给出评价的数据进行预测并填充,从而降低了由于用户评价数据缺失所造成的评价矩阵稀疏程度,提高推荐准确度.在MoiveLense数据集上的试验结果表明,该算法能够明显地提高推荐准确度.     

基于HMM与张量分解的两阶段个性化推荐模型与应用*

针对个性化推荐系统中用户偏好的进化学习与高维稀疏数据处理的问题。受隐马尔科夫模型(HMM)结构特征启发,提出了一种考虑上下文感知的两阶段用户偏好集推理策略的个性化推荐算法(HHRA算法)。通过对系统历史评分信息的处理,将用户偏好的提取过程抽象为一个HMM模型,来进行第一阶段的用户偏好集学习与推理。然后在此基础上,引入用户的实时上下文信息,构建了一种融入用户实时偏好的张量模型,并基于一种改进的高阶奇异值分解算法来处理高维稀疏的数据集,对模型进行优化求解,生成最优推荐集合。实验设计在3个具有不同特征的真实数据集上将HHRA算法与传统经典推荐算法进行对比分析,结果显示HHRA算法具有较好的适应性和推荐质量。     

大数据时代高校图书馆个性化信息服务研究

大数据时代,为高校图书馆个性化信息服务带来机遇和挑战,基于此,通过阐述大数据对高校图书馆个性化信息服务建设在思维方式、用户检索、资源组织、资源采购、资源配置和决策管理等方面的影响,从用户信息需求分析、信息资源建设流程、外部信息资源连接和信息服务模式选择4个方面探索个性化信息服务系统模型建设,旨在为研究学者提供有价值的参考。     

基于隐马尔科夫模型(HMM)与张量分解的两阶段个性化推荐模型与应用

针对个性化推荐系统中用户偏好的进化学习与高维稀疏数据处理的问题。受隐马尔科夫模型(HMM)结构特征启发,提出了一种考虑上下文感知的两阶段用户偏好集推理策略的个性化推荐算法(HHRA算法)。通过对系统历史评分信息的处理,将用户偏好的提取过程抽象为一个HMM模型,来进行第一阶段的用户偏好集学习与推理。然后在此基础上,引入用户的实时上下文信息,构建了一种融入用户实时偏好的张量模型,并基于一种改进的高阶奇异值分解算法来处理高维稀疏的数据集,对模型进行优化求解,生成最优推荐集合。实验设计在3个具有不同特征的真实数据集上将HHRA算法与传统经典推荐算法进行对比分析,结果显示HHRA算法具有较好的适应性和推荐质量。     

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。     

基于改进BP神经网络的个性化推荐算法研究

个性化推荐是根据用户的喜好向用户推荐个性化的产品、信息或服务等,在大数据时代能有效地解决信息过载的问题。提出基于改进BP神经网络的个性化推荐算法,研究了如何建立混合推荐模型,采用BP神经网络训练提高算法中用户相似度计算的准确性。在真实数据集上的实验结果表明,该算法能有效减小用户相识度计算偏差,提高用户个性化推荐的推荐质量。     

用户协同过滤个性化图书推荐算法的改进与实现

读者想要迅速从海量图书资源中找到需要的图书是其面临的难题,个性化图书推荐服务为解决这一难题提供了有效手段.针对传统用户协同过滤算法存在的问题,依据用户协同过滤推荐算法基本原理,以基本数学模型为基础,从解决数据稀疏性、用户兴趣随着时间迁移而衰减、用户特性影响用户兴趣等方面进行了改进,并设计了算法实现流程,为应用系统开发提供解决方案.研究结果表明,通过对用户协同过滤个性化图书推荐算法的改进,有效提高了图书资源检索和推荐的智能水平,满足了用户的个性化需求,解决了软件开发关键性技术问题.     

基于多校区教学管理的案例专家系统设计

对多校区教学管理工作的情况进行了分析,构建了基于案例推理的教学专家系统,主要介绍了系统的总体结构和工作原理,并给出了具体的应用实例。     

基于案例库维护的案例推理分类技术

分类是数据处理和数据挖掘的重要任务之一,文章在建立案例推理分类器之前,先利用相似粗糙集进行案例属性的约简,再利用基于案例分类的删除技术进行案例库的维护操作;不仅减少案例的存储空间,也大大提高分类的精确度;实验结果表明,相比传统的案例推理分类器和神经网络分类器,该分类器在分类精度和速度上都有一定的优势。     

概率相关图推理技术在双向适应机制中的应用研究

针对适应性学习系统应用中“双向适应”的需求,提出了具有双向反馈式机制的个性化学习系统模型.通过构建数字化学习资源数据库作为系统的核心基础,概率相关图技术可作为知识表示的有效方法支撑资源库构建,提供智能推理技术提升系统智能推荐的有效性.设计和开发了双向适应性个性化学习系统,进行了实证研究,并提出了下一步工作方向.     

地质勘探施工技术辅助设计软件范例库的开发

根据地质勘探坑道施工技术的特点，提出了使用基于范例推理思想来开发地质勘探范例库的设想，并简要介绍了基于范例推理思想及其设计方法，并且结合勘探平巷掘进施工技术的特点，将前人所做的成功的勘探平巷掘进工程实例利用CBR的基本原理做成范例库，嵌入到勘探坑道掘进施工技术辅助设计软件，以进一步开发软件的智能化设计功能。     

基于范例推理的控压钻井方式评价

提出一种基于范例推理的控压钻井选型方法。首先大量调研成功实施控压钻井的实例为源数据库,然后根据范例推理理论建立控压钻井选型模型,利用该模型对三个区块不同地层进行控压钻井选型研究,得出具体的计算结果,并且对选型结果进行评价。通过基于范例推理的控压钻井选型研究将钻井工程与范例推理有机结合,对解决钻井工程领域不确定性问题提供一种有意义的尝试。使范例推理在具体的工程应用向前迈进了一步,并且为控压钻井适应性分析提供一种全新的研究方法,在学术和钻井工程应用上具有重要的价值。     

在NAT后的主机之间建立TCP连接的研究

随着防火墙及网络地址转换（NAT）设备的流行,这对P2P协议建立连接造成了极大的问题。当配置了NAT之后,它们限制了由外网发起到内网的建立连接请求。为解决此问题提出了在两台NAT之后的主机之间直接建立TCP连接的新机制,这种机制只需要来自第三方主机的简单帮助即可。通过这种机制,我们可以在传统NAT之后的两台主机间建立直接的TCP连接。一旦连接建立之后,应用程序就可以使用标准的TCP实现相互通讯了。     

基于范例推理的研究

范例推理系统在人工智能研究中起着很重要的作用。对范例推理结构进行了研究,阐述了这些范例推理结构相应的功能,并把数据挖掘中的一些算法应用在案例推理中,使案例推理趋向智能化。     

基于案例推理的知识库系统设计

基于案例推理技术是近年出现的具有一定的代表性的推理技术,利用这种技术进行知识库系统设计可简化问题,提高效率。从基于案例推理机制入手,阐述了基于案例推理知识库系统的工作过程和原理,提出了系统设计的方法。     

双层基于案例推理机制的设计

研究了双层基于案例推理机制的设计,讨论了基于案例推理的基本原理与方法,研究了基于案例修改的数学模型、修改原则、修改模型的构建、修改的匹配算法,介绍了基于案例推理和基于案例修改的学习与维护过程。     

Design of Multi-attribute Knowledge Base Based on Hybrid Knowledge Representation

Based on the knowledge representation and knowledge reasoning, this paper addresses the creation of the multi-attribute knowledge base on the basis of hybrid knowledge representation, with the help of object-oriented programming language and relational database. Compared with general knowledge base, multi-attribute knowledge base can enhance the ability of knowledge processing and application; integrate the heterogeneous knowledge, such as model, symbol, case-based sample knowledge; and support the whole decision process by integrated reasoning.