一种基于对话的电子商务推荐系统

提出了一种基于AIML的自然语言对话型的智能电子商务推荐系统.首先通过构建用户模型,对某类特定用户生成相应的产品推荐列表,从而完成系统对用户的首次产品推荐;其次通过引入AIML人工智能标记语言,构建专家知识库,通过系统与用户之间多次的自然语言交互,找到用户的兴趣点,修正首次的产品推荐列表.这种系统通过交互能力的改善和产品推荐准确性的提升,可以提高用户的满意度.     

一种融合信任度和相似度的推荐算法

推荐系统是一种能够帮助用户在面对大量信息时,能快速?有效地获取有用资源的工具?协同过滤是目前广泛使用的一种推荐技术,该技术通过相似邻居对项目的评分为源用户产生推荐,但面临数据稀疏性和冷启动的问题?基于信任模型的推荐系统虽然在一定程度上缓解了上述问题,却仍然需要进一步提高?针对这些困难,提出了一种融合了信任度和相似度的算法?该算法利用用户间的信任信息,将源用户的信任邻居对项目的评分作为该用户的个人喜好,同时根据基于物质扩散的协同过滤算法找出源用户的相似邻居,利用信任邻居和相似邻居为该用户产生推荐?在2个真实数据集上的实验结果显示,融合算法对冷启动用户的准确性比协同过滤算法分别提高了19%和37%,覆盖率分别提高27%和42%?     

基于近邻用户和近邻项目的协同过滤改进算法

协同过滤算法研究正面临两大挑战:一是提高推荐系统的质量,尤其是高维稀疏数据系统的推荐质量;二是提高算法的可伸缩性。为了解决该问题,笔者提出了一个基于用户近邻和项目近邻的协同过滤改进算法。为了提高系统在线推荐性能,该算法分2步:1)线下的相似度计算和近邻计算;2)在线预测。通过对N个用户近邻和N个项目近邻的有效结合,该算法在线计算的空间复杂度为O(N)且具有较好的可伸缩性。实验表明,与经典的Pearson协同过滤算法相比,该算法不仅提高了推荐性能,而且也适用于高维稀疏数据系统。     

推荐系统及其相关技术研究

在介绍推荐系统的定义和分类的基础上,深入讨论现有推荐系统普遍存在的问题,并提出了相应的改进策略:结合上下文信息;支持基于多标准推荐算法;在保证推荐精度的同时兼顾推荐的多样性;加强交互界面设计,提高系统逻辑的透明度;支持包括推荐包在内的多种推荐模式.我们相信这些策略有助于提高推荐质量,激发用户的参与度,从而增强推荐系统的实际可用性.     

改进的基于相关相似性的协同过滤推荐算法

分析了传统CF算法和基于项目评分的CF算法中存在的问题,对其相似性计算和推荐集选取方法进行了改进,并提出了一种优化的CF算法。实验结果表明,该算法同传统CF算法相比能显著提高推荐精度,同基于项目评分的CF算法相比能够有效减少计算复杂度。     

An E.Commerce Recommender System Based on Content-Based Filtering

Content-based filtering E-commerce recommender system was discussed fully in this paper. Users＇ unique features can be explored by means of vector space model firstly. Then based on the qualitative value of products informa tion, the recommender lists were obtained. Since the system can adapt to the users＇ feedback automatically, its performance were enhanced comprehensively. Finally the evaluation of the system and the experimental results were presented.     

基于交通网络数据优化的地理信息推荐系统

针对目前上下文感知推荐系统主要研究方向为用户和系统,而没有结合实际交通网络位置特点进行研究的问题,本文提出了一种基于交通网络数据优化的地理信息推荐系统. 该系统在协同过滤推荐模型基础上结合交通网络数据的地理信息对推荐算法进行改进. 实验结果显示推荐质量获得明显提升.     

基于标签重要程度的协同过滤推荐算法

针对传统协同过滤推荐算法在用户隐式反馈数据挖掘不够充分、用户兴趣偏好模型过于粗糙,提出一种标签重要程度的协同过滤推荐算法。用户使用标签的种类和频率可以反映用户的偏好和偏好程度;在此基础上建立新的用户兴趣偏好模型,将标签对用户的影响程度进行量化,建立新的相似度计算方法。最后获得目标用户的近邻集合和预测评分,为目标用户实施有效推荐。实验结果表明该算法大幅度提高了推荐的精准度、缓解了冷启动问题。     

稀疏数据下基于用户偏好的协同过滤算法

协同过滤(collaborative filtering,CF)是推荐系统中最常用和最成功的推荐技术之一.现实中的数据往往比较稀疏,用户之间缺少共同评定项目,使一些传统的相似性度量无法进行计算;此外,传统的协同过滤算法忽视了用户偏好问题,这样会造成推荐精度的下降.针对这些问题,从用户全局项目和地方评级信息分析影响用户兴...     

基于K-medoids项目聚类的协同过滤推荐算法

针对传统协同过滤推荐算法通常针对整个评分矩阵进行计算,存在效率不高的问题,提出一种基于K-medoids项目聚类的协同过滤推荐算法.该算法根据项目的类别属性对项目进行聚类,构建用户的偏好领域,使用用户偏好领域内的评分矩阵进行用户间相似度的计算,得到目标用户的最近邻居集,并生成推荐结果.与常用的K-means聚类方法相比,采用K-medoids方法对项目类别属性进行聚类,不仅克服了评分聚类可靠性不高的问题,而且算法还具有更好的鲁棒性.实验结果表明,该算法能有效提高推荐质量.     

感知用户的Item-based协同过滤算法

传统的Item-based协同过滤算法中,项目相似度与目标用户是无关的,这可能导致计算出来的项目相似度,对于目标用户来说是不准确的.针对这个缺陷,提出了一种感知用户的Item-based协同过滤算法.该算法综合考虑到目标用户对项目相似度的影响,为不同的用户建立了不同的目标相似度.采用MovieLens数据集作为测试数据,平均绝对误差作为评价指标,实验结果表明,该算法可以有效地提高准确率.     

基于项目与客户聚类的协同过滤推荐方法

文章给出了一种基于项目与客户聚类的协同过滤推荐方法,将聚类分析与协同过滤方法紧密结合;通过降低项目空间维数,减少了用户在寻找最近邻邻居的搜索强度,增强了推荐算法的实时性,提高了推荐服务的质量。     

基于图神经网络特征交叉的协同过滤算法

学习用户和项目有效的向量表示是推荐系统的核心目标,现有的推荐模型大多通过深度神经网络或专门设计的特征交叉,来学习用户-项目间的特征交叉生成用户(项目)向量表示,但并未将用户(项目)特征间的交叉信息编码到嵌入向量中充分利用特征交叉信息,且多个特征交叉信息对于生成最终的用户(项目)向量表示的影响不同.基于此,构建两个图神经网络模块,学习用户(项目)特征间的交叉信息、用户-项目之间的特征交叉信息,并通过计算注意力分数对特征交叉信息进行加权,得到用户(项目)的特征信息;然后通过门控循环神经网络(GRU)聚合原始的特征信息和网络层学习到的特征交叉信息,得到最终的用户(项目)向量表达;最后通过用户向量与项目向量的元素积得到最终的推荐结果.在数据集MovieLens 1M、Book-Crossing和Taobao上验证了模型的有效性.     

基于项目属性和局部优化的协同过滤推荐算法

针对数据稀疏性问题对于传统协同过滤推荐带来的影响,提出基于项目属性和局部优化的协同过滤推荐算法(collaborative filtering recommendation algorithm based on item attribute and local optimization,简称CUCF).算法首先改进jaccard系数来优化评分的项目相似性;其次引入拉普拉斯平滑方法对基于项目属性的项目相似性进行优化;最后结合两方面的相似性结果,并且利用局部优化方法选择目标的近邻对象作为推荐群.实验结果表明,该算法减小了数据稀疏性对推荐结果的负面影响,有效地降低了预测结果的平均绝对误差MAE.实验进一步对比了其他4种不同推荐方法,预测精度提高7.1%~15.5%,从而证明了CUCF方法在预测准确率方面能够取得较好的效果.     

基于相关滤波的绝缘子跟踪与测距算法

针对旋翼无人机进行输电线路巡检的应用场景,通过基于相关滤波的跟踪算法,实现绝缘子的跟踪并适应尺度的变化。在滤波器的训练过程引入核函数,构建出更加鲁棒的滤波模板。通过gabor滤波器,在HSV颜色空间提取绝缘子的纹理特征。采用两个并行的相关滤波器,分别用于位置和尺度的定位。在此基础上,通过最大类间方差法,对图像中绝缘子进行分割,按照相机成像原理,计算绝缘子与无人机之间的相对距离。算法能够实现绝缘子的实时跟踪并适应尺度变化,以及计算无人机与绝缘子之间的相对距离,为无人机智能化巡线提供技术支持。     

一种改进的K-means聚类的协同过滤算法

针对海量新闻的个性化推荐算法进行研究,提出一种改进的推基于K-means聚类的协同过滤用户推荐算法.该算法首先随机初始化了K个质心,按照重新定义过的新的用户相似度公式将用户进行K-means聚类,并选取相似度最大的作为当前用户所属类别;然后再重新定义了质心并进行迭代聚类;最后在每一个用户类里应用基于用户的协同过滤推荐算法,并给用户合理的个性化推荐.仿真实验测试表明,新算法能够提高推荐的准确率,并且有效提高了扩展性.     

滤波理论的最新进展及其在导航系统中的应用

系统介绍了近年来滤波理论研究中出现的各种主要的滤波方法 ,指出了各自的优势、缺陷和发展前景。针对导航系统自身的特点 ,介绍了与之相关的几种新的滤波算法 ,阐述了各自的性能特点和应用前途。分析探讨了作为滤波理论未来发展方向的最优非线性滤波和自适应滤波的一些可能的发展途径 ,估计了其中存在的主要困难和问题 ,为将来的研究工作指明了方向     

基于路径搜索的相似度计算的协同过滤推荐方法

协同过滤被广泛的应用在推荐系统中,传统计算相似度使用皮尔森相关系数,余弦相似度、Jaccard相似度等方法,但在处理稀疏数据时,其准确度不理想。针对这一问题,提出一种基于路径搜索的相似度计算方法,能够反映用户或项目之间间接关系。实验结果表明,相比传统的相似度计算方法,该方法在准确度上有较好的提升。     

一种自适应局部和全局融合的协同过滤算法

相似度计算模型是协同过滤技术的核心,相似度模型的好坏直接关系到近邻用户推荐的准确性。通过用户项目评分数据集局部相似性与全局相关性分析,提出相似性度量改进模型,而改进后模型用MovieLens100K数据集实验验证,通过均方根误差、平均绝对误差和召回率三个实验结果分析。该算法可有效地提高推荐预测评分和推荐项目的准确率。     

长纤维过滤与石英砂过滤的性能对比试验

在深入了解纤维束过滤机理和总结现有各种纤维束过滤器优缺点的基础上,通过长纤维过滤与传统石英砂过滤的对比试验,详细论述了长纤维过滤较之石英砂过滤的技术特点与性能优势.试验结果表明:与传统石英砂过滤(滤速8~10m/h,过滤周期16~20h,出水浊度0.5NTU左右)相比,长纤维过滤最大滤速可达55m/h以上,各种滤速下过滤周期均大于50h,周期内出水浊度稳定在0.2NTU以下,且纳污量大,反冲洗彻底,运行稳定,展现了良好的应用前景.