基于关联规则优化的个性化推荐系统

针对当前个性化推荐系统处理数据效率较低的问题,提出了一种混合聚类关联规则优化的个性化推荐系统实现方法.深入分析了基于Web网络服务平台的电子商务个性化推荐系统的结构组成,将数据分析与推荐算法实现分为离线和在线处理两部分,阐述了算法初始化、关联实现以及推荐数据集合生成和兴趣模型预测的具体原理,并给出了算法的实现步骤.最后,基于提出的系统构建模型,建立了一种基于混合聚类关联优化的图书网络推荐平台.实验结果表明,该方法具有较高的推荐精度和推荐效率,更适合大数据环境的推荐系统.     

个性化推荐系统评测指标与实验方法研究

个性化推荐系统可以有效解决信息过载问题,实现海量数据的信息挖掘。推荐系统的性能评价和测试是一项重要的工作。详细阐述了推荐系统的多元评价指标及特点,比较了在线、离线和用户调查三种实验评测方法,展望了推荐系统评测的未来方向。     

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.     

基于聚类和分类的个性化文章自动推荐系统的研究

由于缺乏足够的反映用户兴趣的知识,以及巨大的在线计算量,导致互联网上现有文章自动推荐系统普遍存在盲目性和低效性的问题.针对以上问题,提出了一种基于聚类和分类的个性化文章自动推荐系统,利用机器学习的方法隐式地获取用户模型,并根据用户模型为用户提供个性化的文章自动推荐服务.该系统包括离线用户模型及用户群获取子系统和在线个性化文章推荐子系统两大部分,前者对文章进行聚类形成聚类兴趣点,构建基于聚类兴趣点的用户模型,并根据用户兴趣聚类形成各兴趣点的用户群;后者对待推荐文章进行分类,搜索到其所属的兴趣点,向该兴趣点的用户群进行主动推荐.理论分析和实验结果表明,该系统能够显著提高有效性和在线响应速度.所述的设计思想和技术也适用于其它互联网个性化信息自动推荐系统.     

可解释个性化推荐学习平台的构建与算法研究

目前在线学习平台的个性化推荐功能过于注重推荐效果的准确性、多样性和新颖性,忽视了学生的用户体验等问题,为此,提出构建可解释个性化推荐在线学习平台。首先,对平台的系统框架进行设计,详细研究了实现算法,并对可解释个性化推荐功能的核心算法及形成可解释性语句的推荐流程进行了重点阐述。然后,利用多种推荐算法混合计算的方式对学生进行课程的个性化推荐,并根据对应特征生成解释语句以表明推荐理由。其结果是能有效提高学生对推荐课程的认可度和学习效率,改善平台的个性化推荐效果和用户体验,从而提高了平台的可信度和透明度。     

IPv6环境下个性化网络学习系统设计及实现

针对个性化网络学习在学习内容、学习环境等方面的特点,利用IPv6网络在网络带宽、移动设备支持等方面的优势,设计和实现了大学选修课个性化网络学习系统.该系统采用双协议栈方案构建了网络环境,采用概率矩阵分解的协同过滤方法实现了学习内容的个性化推荐,采用Java EE软件架构实现了多平台的学习环境访问,并通过分布式系统部署解决了高并发访问的问题.基于已建成平台上用户的学习行为数据统计结果,提出教学管理要统计学生的学习时间分布,关注学生对课程的反馈.统计分析结果有助于优化学习时间的安排和个性化学习资源的设计,从而提高在线学习效果.     

学习资源网络模型构建及资源推荐策略设计

通过分析基于终身学习机制的个性化推荐系统与基于电子商务的个性化推荐系统的区别,确定基于终身学习机制的个性化推荐系统的关键问题就是如何为学习者获得想要具备的能力推荐满足他们个人需求、个人爱好以及目前已具备的知识结构的最佳学习路径.针对终身学习中正式学习和非正式学习不同的学习情况,构建了学习资源网络模型,在此基础上将基于本体的推荐技术和协同推荐技术相结合,为学习者的不同学习情况运用不同的推荐策略推荐最佳学习路径.最后通过实验对推荐结果进行分析,确定最优方案.     

融合用户画像的在线学习伙伴推荐方法研究

融合用户画像为学习者推荐学习伙伴,有助于解决在线学习者的孤独感问题,提高学习者的参与度和忠诚度。分析学习者特征,从基本信息、学习准备、学习风格、学习行为四个方面设计画像标签,采集网络教学平台数据,进行建模处理,利用相似度区分相似、互补学习者画像,从而为学习者推荐同、异质学习伙伴。实验结果验证了学习者画像和推荐方法的可行性。融合学习者画像推荐学习伙伴的方法更具个性化、动态化等特点,更适合网络教学环境。     

基于WEB使用挖掘的个性化推荐系统的研究

通过网络学习的web日志的使用挖掘,获取学习兴趣,建立兴趣模型.采用相似性度量方法对具有相似兴趣的学生用户进行聚类,实现了学习内容的个性化推荐系统.实验结果表明,基于用户兴趣模型的个性化推荐系统具有较高的准确率、新颖率和非预期率.     

远程教育中的个性化推荐系统研究

本文针对目前的远程教学系统,提出一种新型动态的信息交互方式--个性化推荐功能,由远程网络教学系统对学习者自动推荐学习资源,帮助学习者发现他所希望的学习资源信息.并给出系统实现技术和体系结构,实验数据表明,该系统是高效并可广泛使用.     

在线学习平台资源画像的模型构建研究

随着在线学习平台的不断应用,大量的数字化资源数据被积累。如何利用资源背后的大数据,为教学资源建设和在线学习者学习提供优化服务,已经成为新的研究热点。本文通过对在线平台数据资源的基本属性和行为属性以及在线用户的行为属性等数据信息进行深层次挖掘,提出了一套资源画像和用户画像构建方法,并在两种画像之间建立关联,从而为教学资源建设和在线用户个性化学习提供数据支持,为在线用户推荐个性化学习资源提供数据基础。     

学习资源精准推荐模型及应用研究

根据属性特征推荐资源,由于存在冷启动和稀疏性问题,限制了在线学习资源推荐的性能.基于知识表示和协同过滤,将学习者的学习水平和学习风格等特征融入推荐过程,进行协同过滤个性化推荐,提出了一种学习资源精准推荐模型,构建了学习者和学习资源知识表示模型;通过实验表明知识表示-协同过滤相结合的推荐算法在个性化推荐和推荐准确度方面优于传统的CF算法.     

基于神经网络的高炉异常炉况判断专家系统

采用反向传播网络作为揄机，构造了高炉异常炉况判断专家系统，该系统具有良好的自学习功能和联想记忆功能，系统采用离线学习方式，在线运行时，可将高炉操作实绩存入知识库，作为进一步学习的样本，从而提高了系统精度和联想能力。     

基于协同过滤算法的团购个性化推荐系统

为解决团购网站无法针对用户进行个性化推荐,结合传统的基于项目和基于用户的协同过滤算法,提出组合的协同过滤算法模型,同时采用商品推荐和好友推荐的双重推荐模式,满足团购个性化推荐的需要.通过离线测试的方法对推荐系统的性能进行仿真实验.结果表明:改进后的算法在推荐效果上是有效的,对协同过滤算法起到了改进作用.     

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。     

最优Fuzzy-GA PID控制器及其应用

提出了一种基于模糊推理与遗传算法的最优PID控制器的设计方法 .该控制器由离线和在线 2部分组成 .在离线部分 ,以系统响应的超调量、上升时间及调整时间为性能指标 ,利用遗传算法搜索出一组最优的PID参数K p ,T i 及T d ,作为在线部分调节的初始值 ;在在线部分 ,采用一个专用的PID参数优化程序 ,以离线部分获得的K p ,T i 及T d 为基础 ,根据系统当前的误差e和误差变化率 e ,通过模糊推理在线调整系统瞬态响应的PID参数 ,以确保系统的响应具有最优的动态和稳态性能 .计算机仿真结果表明 ,与传统的PID控制器相比 ,这种最优PID控制器具有良好的控制性能和鲁棒性能 ,可用于控制不同的对象和过程     

基于Hadoop的学生推荐选课系统的设计与实现

随着各种在线选课系统的广泛使用,教学管理部门对学生选课的管理变得越来越方便高效;但是,大多数选课系统在学生选课时不能准确地为学生提供个性化的推荐课程,针对目前在线选课系统中存在的个性化推荐缺失的问题,该研究采用易于扩展的开放式推荐流程和架构,基于Hadoop平台展开探讨,通过对Hadoop运行机制的研究,结合对推荐系统和推荐算法的分析,设计并实现了学生推荐选课系统。系统基于协同过滤算法,通过对学生信息、课程信息和选课信息的数据分析与挖掘,最终为用户计算出最可能需要的推荐课程。     

基于聚类算法的个性化蔬菜种子交易平台的研究

提出基于聚类算法的个性化蔬菜种子交易平台,在传统的协同过滤推荐算法基础上,从离线购货商聚类和购货商积分权重两方面对其进行改进,提出了个性化推荐算法,从而将其可能感兴趣的蔬菜种子推荐给购货商,为购货商提供了个性化的搜索和推荐服务。通过实验比较,证明改进后的算法提高了推荐效率和准确性。     

基于本体技术的一体化虚拟学习环境应用研究

针对基于网络的个性化学习的要求,提出把本体技术引入到近年来兴起的一体化虚拟学习环境（IVLEs）中的设想,并给出了一套系统构建方案。利用W3C推荐的RDF对学习资源信息及用户信息进行统一格式的元数据描述,通过对本体实例的描述分析,说明了个性化学习及基于本体的智能检索的实现原理,并对本系统中的本体构建方法做了简述,利用本方案使系统较好地实现了针对不同类型用户的个性化学习及智能检索。     

在网络学习平台上构建快速频繁模式统计分析模型

随着数据挖掘技术在网络学习平台上的应用，越来越多的网络学习者希望得到快速、准确的个性化推荐信息。本文以网络学习平台中学习行为频繁项集为倒。详细阐述了构建快速额繁模式统计分析模型的算法和评价。