一种基于AHP的智能电影推荐方法

电影网站提供了十分丰富的电影资源,然而用户必须花费大量时间搜索自己感兴趣的资源,如何帮助用户快速找到其想要的资源成为大型电影网站的重要需求。智能推荐技术的提出使满足这个需求成为可能。文中提出一种基于AHP(Analytic Hierarchy Process)层次分析法的智能电影推荐方法,综合考虑电影印象、故事、表演、导演、画面、音乐和类型等因素,通过用户对各因素两两比较、权重计算,生成个性化推荐列表。基于时光网的多个用户实证研究表明,结合AHP的智能电影推荐方法简单、有效,大部分推荐结果满足用户喜好。     

基于标签的协同过滤推荐方法研究

传统基于物品的协同过滤算法由于物品相似度矩阵稀疏,推荐准确率不高.针对这一问题,提出一种基于标签和改进杰卡德系数的协同过滤算法,进行电视节目个性化推荐.首先,爬取相关信息对原始数据进行扩充,并利用统计学方法对时间特征进行归一化处理,计算用户偏好系数;然后,统计出现次数较高的类别作为推荐类别标签,并利用改进的杰卡德系数构造标签相似度矩阵;最后,根据推荐类别标签的用户偏好系数计算节目的推荐系数.实验结果表明,基于标签的协同过滤算法可以降低稀疏矩阵对推荐准确率的影响,相比基于物品的协同过滤算法,准确率提高了5％,召回率提高了3.1％.另外,使用改进的杰卡德系数计算相似度,减少了热门标签对推荐系统的影响,进一步将准确率提高了5％,召回率提高了2.3％.     

一种基于时间和标签上下文的协同过滤推荐算法

针对常规推荐算法数据单一、准确性和可靠性都比较低的问题,提出了将时间和标签上下文信息加入到推荐算法中,以丰富单个用户或商品的信息。利用时间信息挖掘用户间的影响关系,同时利用标签上下文来衡量物品间的关系,最后将用户关系向量和物品关系向量融合到概率矩阵分解模型中。实验结果表明,提出的协同过滤推荐算法能够提高推荐的准确性和精度。     

一种基于Skill-LFM的知识点推荐方法

目前,知识库的用户主要是通过检索获取所需知识点,这种依赖搜索引擎解决信息过载的方法,对实时在线服务而言效率低下,对离线知识学习来说不具有完整性和连续性,为此提出由知识库系统根据用户技能水平主动推荐知识点给用户,提高决策效率,并有助于用户建立完备的知识学习体系.基于用户对知识点的历史行为以及用户对知识的学习能力,提出一种融合技能的隐语义模型的协同过滤推荐方法,将知识点难易程度作为潜在因子,同时考虑用户的能力水平预测用户对知识点的偏好水平.在呼叫中心知识库的数据集上进行测试,其均方根误差优于基础隐语义模型.综合知识点推荐的应用领域和知识学习行为数据的特点,对于知识点推荐方法,可从融合用户和知识点上下文信息的推荐技术上深入研究.     

基于seq2seq模型的标签推荐方法

针对NPM平台上存在大量的软件包没有标签或标记不完善的问题, 提出一种基于seq2seq模型的深度学习方法为软件包推荐标签. 首先, 利用ECMAScript工具分析软件包的源码构建出包的函数调用图, 遍历函数调用图从而将软件包转换成一组具有包语义信息的函数调用序列; 其次, 训练seq2seq模型, 并将训练好的模型用于软件包的标签推荐工作, 该模型能将包的函数调用序列映射到一组预测的标签序列上, 从而完成软件包的标签推荐. 实验结果表明, 该方法能为软件包推荐一组合理的标签, 准确率达82.6%.     

一种基于朴素贝叶斯的校准标签排序方法

传统的校准标签排序算法(calibrated label ranking,CLR)利用成对标签关联进行转化来预测结果.该算法的校准是在二元关系算法(binary relevance,BR)基础上进行比较产生结果,其预测对BR产生结果具有一定的依赖性,因此该算法在预测某些数据集时具有一定的局限性.为了更好地区分标签的相关性和不相关性,提出了一种用于标签边界域的校准方法,对处于相关性标签和不相关性标签的边界部分采用贝叶斯概率进一步校正,从而提高边界域部分分类的准确性.基于朴素贝叶斯校准的标签排序方法(calibrated lable ranking method based on naive bayes,NBCLRM)与校准标签排序等7种传统的方法进行对比,实验结果表明,本文提出的算法不仅可以根据需求修改阈值ε和μ来调节预测结果,而且能够有效地提升传统多标签学习方法的性能.     

一种基于扩展FP-TREE的服务推荐方法

针对协作过滤推荐的矩阵稀疏性与扩展膨胀问题,提出一种基于扩展FP-TREE的改进方法.将用户的情境取值抽象为情境空间状态,通过挖掘情境状态与服务的关联进行服务推荐.引入倒排索引扩展FPTREE频繁项头表,建立状态-状态与服务-服务关联;通过索引树表示状态-服务关联,给出扩展FP-TREE与协作过滤矩阵的映射机制,在继承协作过滤的基础上极大地压缩了过滤矩阵.仿真实验表明:与传统的协作过滤推荐算法相比,该推荐方法具有更高的效率.     

一种基于桌面信息的个性化推荐方法

针对当前信息检索服务中存在的固有缺陷,提出了一种基于用户桌面信息抽取的个性化推荐方法.详细介绍了通过用户桌面资源信息抽取建立长期用户模型,以及通过工作场景信息抽取建立短期用户模型的算法.长期用户模型提供了完整全面的用户兴趣偏好信息,短期用户模型则为预测用户当前信息需求提供了依据.实验结果表明,基于用户桌面信息抽取的个性化推荐服务能较好地预测用户当前需求、具有良好的推荐效果.     

一种基于信任度的协同过滤推荐方法

提出了一种基于朋友网数据的推荐方法,包括好友推荐和应用服务推荐。通过分析朋友网中用户之间的好友关系、互动行为等来计算用户之间的信任度,可以获取更真实的社会关系;根据计算得到的信任度构建用户社会网络,并根据凝聚子群和朋友网中已有的分组信息对构建的社会网络进行社区划分,可以获得更细的社会关系;根据已获得的社区和用户使用的应用服务,提出了一种朋友网中好友和应用服务的推荐计算方法,在计算应用服务推荐时区分了社区内和社区外的用户与目标用户相似度计算方法的不同,提高了寻找近似邻居的准确率以及服务推荐的准确率。     

一种基于用户偏好的学习推荐方法

传统的推荐算法一定程度上为学习者提供了自适应的学习服务,但忽略了用户的学习兴趣偏好,难以提供学习者满意的推荐服务.为了提高学习推荐的效率,对用户的偏好进行进算,根据兴趣偏好对基本用户进行聚类,然后根据用户之间的兴趣相似性初步预测目标用户的兴趣度,进而给用户推荐兴趣度较高的学习服务.实验结果表明,该方法可显著地提高推荐质量.     

基于标签的个性化旅游推荐

旅游景点数量庞大,而用户本身旅游次数有限,所以用户旅游数据非常稀疏,进而影响了推荐结果的准确度.为了解决这一问题,从海量游记中提取与旅游景点密切相关的4个因素——地域、时间、主题、类型相关的特征标签,来丰富数据信息.一方面通过基于标签内容的方法为用户推荐感兴趣的景点;另一方面,用景点特征标签描述用户兴趣特征,根据用户兴趣标签找到相似用户群,通过协同过滤的方法为用户推荐感兴趣的景点.实验结果表明,基于标签的协同过滤算法较传统的协同过滤算法推荐准确率提高了63.7%,比基于景点热度的推荐算法提高了22.5%;基于标签内容的推荐算法比基于景点热度的推荐算准确率提高了27.6%.进一步,通过线性加权的方式混合两种算法,使两种算法优势互补,从而得到更好的推荐效果.最终使得基于标签的混合算法的准确率,比基于标签的协同过滤算法提高了61.3%,比基于标签内容的推荐算法提高了54.7%.旅游景点推荐准确度的提高,将带来更好的用户体验,使在线旅游网站更加具有竞争力.     

一种基于用户关注行为的标签预测方法研究

为从互联网用户的关注行为中抽离出更有效的用户标签,通过挖掘用户行为的关注特性,对标签进行预测,完善用户画像系统.首先,构建用户和关注行为对象的邻接矩阵,对其进行奇异值分解,得到行为特征矩阵;然后,利用逻辑斯蒂回归模型训练特征矩阵,预测用户行业属性标签;最后,针对微博上673144条用户行为数据进行实验研究.结果表明,利...     

一种基于增量式超网络的多标签分类方法

在层次多标签分类问题中,一个样本同时被赋予多个类别标签,并且这些类别标签被组织成一定的层次结构。层次多标签分类问题的主要挑战在于：①分类方法的输出必须符合标签的层次结构约束;②层次深的节点所代表的标签往往只有很少的样本与之相关,造成标签不平衡的问题。提出一种用于层次多标签分类问题的增量式超网络学习方法(hierarchical multi-label classification using incremental hypernetwork, HMC-IMLHN),通过将超网络的超边组织成相应的层次结构,使输出的预测标签能够满足标签的层次约束。此外,超网络学习方法可以利用标签之间的关联减少标签不平衡问题对分类性能的影响。实验结果表明,与其他层次多标签分类方法相比,提出的增量式超网络方法能够取得较好的分类准确性。     

一种基于迁移学习的学习资源推荐方法

移动互联网技术的飞速发展和智能终端设备的广泛普及为支持泛在学习(U-Learning)提供了可能.泛在学习是一种随时随地都能发生的在线学习.当前,互联网涌现了一大批可供学习的平台和资源,类似平台包括网易云课堂、Coursera、知乎网、简书网等.手动检索和个性化推荐是在线学习系统提供给用户获取学习资源的常用方式.个性化推荐因其能主动建模学习者偏好,为学习者提供个性化的学习资源推荐服务而受到了广泛关注并成为在线学习领域的研究热点.本文在传统协同过滤个性化推荐系统的基础上提出一种基于迁移学习的学习资源的推荐方法,该方法从已有的数据中学习知识,然后迁移到目标任务中,解决了目标任务中数据过少从而导致学习特征的能力不足的问题.     

一种基于协同过滤的电动汽车充电推荐方法

 基于大量的充电行为数据,建立电动汽车用户的充电兴趣模型,将用户感兴趣但未发现的最佳充电选择推荐给用户,实现充电行为有序引导是一个重要问题。本文针对电动汽车充电提出一种基于协同过滤算法的推荐模型,得出最佳推荐模型参数指标,充电10次以下的新用户采用基于用户的协同过滤算法,充电10次以上的老用户采用基于物品的协同过滤算法;基于用户的协同过滤算法的最佳邻居数和推荐列表长度均为3;基于物品的协同过滤算法的最佳推荐列表长度为4。指出负荷聚合商可以结合参与需求响应计划的情况,对推荐列表进行再优化,将与需求响应冲突的推荐信息过滤掉,从而实现有序充电控制。     

基于Nystr?m方法的电影推荐算法

针对传统推荐系统中推荐效率较低的问题,提出了一种与Nystr?m方法相结合的推荐系统。设计了一Nystr?m方法和非负矩阵分解(non-negative matrix factorization,NMF)相结合的推荐方法。即先用Nystr?m方法提取用户或电影的特征,然后用NMF对用户或电影的特征进行分析。提出的Nystr?m方法提取特征的算法解决了因矩阵规模较大发生溢出的问题,NMF方法能保证提取特征的精度,将2种方法相结合,不仅能够加快计算的速度,同时也能提高系统的推荐效率。最后通过真实的900个用户对1 500部电影的评分矩阵进行了测试,与其他算法相比,精度有了明显的改进。     

基于同义标签分组的协同推荐

Lasr.FM,MovieLens等在线服务一个重要的特征是用户能手动使用标签标注对象,很多研究人员使用标签改进推荐质量.但是,标签是一个用户对对象的局部描述,不同的用户可能使用不同的标签来描述同一个对象,但表达同样的意义,这导致了单纯的使用标签进行推荐所达到的效果不理想.因此,本文首先根据标签共生分布计算标签相似度,...     

一种基于少量异常标签的SQL注入攻击检测方法

SQL注入攻击通过入侵目标数据库实现对数据的窃取或破坏,危害性极大.SQL注入攻击检测可帮助及时发现潜在的安全威胁,从而有利于数据库安全防护.然而在智能交通系统中,由于其内部的复杂性和SQL注入攻击新变种的不断涌现,可供机器学习模型训练的异常标签样本往往较少,使得现有大多数SQL注入攻击检测方法容易存在模型过拟合和性能退化的问题.针对上述问题,本文综合考虑智能交通系统和SQL注入攻击的特点,设计了一种基于比特编码的SQL注入攻击检测框架.该框架无需预训练词嵌入模型和进行语法规则解析.基于该框架,本文提出基于注意力机制的半监督SQL注入攻击检测模型(ASDM).该模型首先通过重构数据样本,学习样本特征的中心趋势和离散程度等高层次特征,表达特征后验分布和特征偏离程度;接着将该高层次特征与数据编码特征融合,突出不同类别数据间的差异;最后引入注意力机制和残差网络构造检测器输出判定结果,以使模型能够根据重要程度对特征施加不同的关注力度,同时具有较强的泛化能力.实验结果表明：本文方法在数据标签不平衡的情况下,相较于其他SQL注入攻击检测方法具有更优的检测性能;并能够检测未知SQL注入攻击.     

一种基于数据的GitHub项目个性化混合推荐方法

将两种传统基于内存的协同过滤方法相结合, 提出一种基于数据的GitHub项目个性化混合推荐方法. 该方法不仅可动态地计算相似用户以保证推荐的个性化, 且只用很小规模的相似用户便可得到与基于项目的方法相近的推荐质量; 同时, 该方法通过建立倒排表和利用K均值分类, 在一定程度上解决了原方法在面对GitHub用户及项目数量级较大但交叉度较低的数据集时数据稀疏和冷启动问题. 通过与传统方法进行对比实验, 验证了该方法的有效性和优越性.     

一种基于数据的GitHub项目个性化混合推荐方法

将两种传统基于内存的协同过滤方法相结合, 提出一种基于数据的GitHub项目个性化混合推荐方法. 该方法不仅可动态地计算相似用户以保证推荐的个性化, 且只用很小规模的相似用户便可得到与基于项目的方法相近的推荐质量; 同时, 该方法通过建立倒排表和利用K均值分类, 在一定程度上解决了原方法在面对GitHub用户及项目数量级较大但交叉度较低的数据集时数据稀疏和冷启动问题. 通过与传统方法进行对比实验, 验证了该方法的有效性和优越性.