大数据环境下的图书馆个性化推荐研究

大数据时代,图书馆的发展也迎来了新的机遇,要想更好地服务读者,图书馆有必要摆脱以往的被动服务模式,采取更加积极的主动式服务方式。例如：通过数据分析工具去更好地为读者服务,提高图书馆利用率。该文从这个角度出发,研究图书馆的个性化推荐系统,帮助读者在海量的图书信息中选取最符合自己兴趣和需求的图书。以协同过滤算法为主,对图书馆的用户行为数据进行分析,计算出用户相似度,给出推荐列表。     

大数据背景下跨境电商人才培育研究——以福建自贸区为例

近两年来,我国仍然保持较高速度的外贸增长,这与近年来全国越来越多自贸试验区的建立,跨境电商的业务迅猛增长密不可分.本研究以福建自贸区为例,通过企业问卷的方式,发现在大数据背景下福建自贸区的跨境电商人才需求量不断增大,而相关人才培养存在数量上跟不上、专业上针对性不强、实践上实际操作能力与理论脱节等问题.福建自贸区设立时间...     

基于协同理论的跨境电商信息服务体系构建

针对跨境电商行业存在信息服务不足的现实问题,构建跨境电商信息服务体系有助于提升跨境电商行业信息服务的质量.基于协同理论,从跨境电商信息服务主体、信息服务系统、信息服务客体及外部环境的角度构建了跨境电商信息服务体系,并在提高跨境电商信息服务的基础上,对政府、跨境电商信息服务机构、跨境电商信息服务平台及企业自身提出了若干建议.     

基于大数据的高校图书馆个性化信息服务研究

本文通过对大数据背景下高校图书馆建立个性化信息服务的基本准则为要点,分析高校图书馆个性化信息服务的实现路径及建立个性化信息服务存在障碍及特点,进而寻求在大数据环境下高校图书馆建立个性化信息服务体系的路径及可行性。     

基于社交电商的跨境电商发展研究

互联网已从PC时代进入了移动端时代。目前,我国跨境电商的主流平台是传统的跨境电商平台。基于社交的电商模式只活跃于本国范围内,并没有打破国界。本文通过相关案例,利用相关数据和资料,梳理了跨境社交电商的相关概念、特点及类型,分析了跨境社交电商营销面临的机遇与挑战,以期为基于社交平台的跨境电商发展提供良好的建议。     

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。     

个性化推荐算法研究

随着全球信息总量的爆炸式增长,信息超载问题无法避免且日趋严重化．个性化推荐系统是当前解决信息过载问题的有效技术．该文首先阐述了推荐系统概念定义及其三大组成模块,其次深入分析了个性化推荐算法,详细讨论了当前主流的四大类推荐算法:基于内容的推荐算法、协同过滤推荐算法、基于知识的推荐算法和混合的推荐算法,从多角度对各算法的优缺点进行对比,然后阐述了常用评价方法、评测指标及对测试标准进行分类,并且介绍了常用数据集,最后展望个性化推荐未来研究热点．     

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。     

我国跨境电商平台物流模式及风险分析——基于弹性供应链的视角

以邮政快递、海外仓、保税仓模式为代表的跨境物流模式存在的缺陷,成了制约我国跨境电商平台发展的短板。跨境电商平台在发展过程中面临的困境主要包括货源品质难以保障,商品供需结构不平衡,仓储成本高,物流模式单一,政策环境不确定。因此,跨境电商平台为有效规避断链风险,必须从加强货源监管力度、优化产品供需结构、智能化控制仓储成本、构建多元物流模式、理性把握政策机遇五个方面打造弹性供应链。     

大数据背景下跨境电商物流发展困境与对策

随着大数据时代到来,跨境电子商务赶上了发展机遇。但由于跨境物流退换货物流服务体系不完善、信息化程度低等一些原因,物流服务水平不高,阻碍了跨境电商发展。笔者对大数据、跨境电商物流的概念进行了阐述,对跨境电商物流发展的困境进行了分析,并在大数据背景下提出了建立跨境物流海外仓库,建立跨境电商大数据物流信息平台,物流企业之间加强合作,建立物流联盟,加强对跨境电商物流政策支持,加强跨境电商物流人才队伍建设等解决对策。     

基于用户隐式数据的个性化酒店推荐算法Symbol`@@

在基于物品协同过滤的基础上,对隐式反馈数据进行挖掘建模,设计了隐式反馈偏好评分规则,并据此赋予了计算酒店相似度公式的新定义。考虑到用户的基本特征也会对用户个性化需求产生影响以及单一算法的局限性,进一步引入了XGBoost模型,利用XGBoost训练对改进后的推荐结果进行过滤,得到较好的个性化酒店推荐系统。文中采用真实的脱敏数据,证明利用层叠模型构建个性化酒店推荐系统的推荐效果更加精准,对于酒店在线平台的个性化服务具有较强的参考价值。     

大数据智能下数据脱敏的思考

随着人工智能技术在大数据与高性能计算的推动下飞速发展,涌现出大量创新性的方法,对现有的数据安全与脱敏方法带来了诸多挑战。从当今大数据与智能技术发展的现状入手,讨论了数据脱敏技术的内涵、工作流程、系统机制、典型脱敏案例,展望了未来数据脱敏技术的发展趋势,从技术、需求和法治、管理机制方面提出了一些数据脱敏的建议。     

基于系统动力学的资讯个性化推荐研究

手机等移动智能终端在全社会的普及,使得数字内容的生产能力下沉到社会各个层面,形成了多源、自主、原生的互联网媒体内容制造格局;而以社交媒体、自媒体为代表的各类新兴媒体的蓬勃发展,使得数字内容的传播能力极大增强,大量衍生内容在敏感、热点、重要事件的报道传播中产生。互联网资讯具有海量、内容质量参差不齐、观点多极等特点。如何将价值导向对正确的、信息披露准确的资讯进行精准推荐,维护和促进社会公平正义,成为司法领域的新问题和新挑战。推荐系统有效解决了用户在海量信息中难以高效获得信息的问题。基于内容的推荐技术通过分析用户以往感兴趣的项目,经计算得到相似的项目,再将相似度最高的若干项目推送给用户。推荐系统中应用最广泛的是协同过滤推荐算法(collaborative filtering,CF),该概念最早于1992年由GOLDBERG等在开发Tapestry邮件过滤系统时首次提出,其核心思想是运用算法对用户的历史行为数据进行分析,挖掘出用户的兴趣偏好,根据不同的兴趣偏好对用户进行类别划分并推荐相似偏好的物品。当前,个性化推荐已经在电子商务、影视作品、餐饮美食、新闻资讯等领域获得了较为广泛的应用。"京东"的推荐起步于2012年,当时的产品推荐是基于规则匹配进行的,整个推荐产品线组合就像一个个松散的原始部落,部落与部落之间没有任何工程、算法的交集。"淘宝"从2013年推出了"个性化推荐"即"千人千面"的推荐引擎,利用用户的一些行为,通过算法推测出用户可能喜欢的东西。"美团"构建了世界上最大的菜品知识库,为200多万商家、3亿多件商品绘制了知识图谱,并为2.5亿用户画像,构建了世界上用户规模最大的O2O智能推荐平台。"豆瓣"利用社交行为分析解决推荐问题,如基于用户相同行为的协同过滤技术、友邻推荐等,也是个性化推荐的一个补充。社交化推荐的引入,可以解决因单纯产品内容推荐导致推荐范围越来越窄的问题。"今日头条"的个性化推荐算法基于投票方法,其核心理念就是投票,每个用户一票,喜欢哪篇文章就把票投给哪篇文章,经过统计,最后得到的结果很可能是此类人群里最好的文章,并把这篇文章推荐给同类人群用户。该方法看起来似乎很简单,但实际上需要基于对海量用户行为的数据挖掘与分析。系统动力学是一门基于系统论、控制论与信息论,并借助计算机模拟技术的交叉学科,其通过系统的视角,进行结构化动态分析和模型模拟,擅长分析高阶、非线性时变和复杂系统,采用定性与定量相结合的方法,适合对资讯个性化推荐这种动态复杂过程进行分析。针对司法工作相关资讯的个性化推荐问题,应用系统动力学理论,对影响资讯推荐效果的重要因素在Vensim软件中进行建模仿真,构建包括用户量、文章量、标签数量和各子系统之间影响的因果反馈模型和存量流量模型,建立系统动力学方程模型,经仿真对相关因素进行敏感性分析。结果表明,文章量、设置的特征化标签和对文章的兴趣点因子等都对推荐效果有重要影响,这是在设计推荐系统时需要重点考虑的因素,也是解决推荐系统冷启动、实时性和"信息茧房"等关键问题的重要途径。基于系统动力学进行资讯个性化推荐研究,可以积极有效地应对司法领域资讯披露面临的挑战,提高精准推荐效果。     

基于人工智能的社交网络用户行为数据周期推荐算法

为提高社交网络个性化服务质量,研究数据周期推荐算法的重大意义,针对传统推荐算法相似度计算准确率不高,导致推荐结果精度低、召回率低和耗时长等问题,提出一种基于人工智能的社交网络用户行为数据周期推荐算法。首先依据用户行为建立评分矩阵,利用皮尔逊相关系数计算评分矩阵评分值与网络行为数据相似度,依据计算得出的相似度以协同过滤为核心来检出需要推荐的社交网络用户数据内容,其次利用Top-N法生成用户邻居集,最后实现社交网络用户行为数据内容周期推荐。实验测试结果表明,所提算法的相似度计算准确率较高,网络用户行为数据周期推荐结果精度可高达97.2%,且推荐结果召回率高、耗时低,提高了社交网络个性化服务质量。     

基于Spark和SimHash的大数据K-近邻分类算法

在笔者之前的工作中,提出了一种基于MapReduce和SimHash的大数据K-近邻算法(H-MR-K-NN).虽然该算法能够有效解决大数据K-近邻算法的计算效率问题,运行时间远远低于基于MapReduce的K-近邻(MR-K-NN)所用的运行时间.然而,用MapReduce处理大数据时,需要从磁盘读取数据,再将中间结果写回磁盘,导致系统的I/O开销极大,这大大降低了MapReduce的效率.与MapReduce不同,Spark是一种基于内存的计算框架,它将数据第1次从磁盘读入内存,生成一种抽象的内存对象RDD(resilient distributed datasets).此后,Spark只操作内存中的RDD,计算过程只涉及内存读写,因此大幅提升了数据处理效率.基于这一事实,对算法H-MR-K-NN进行了改进,提出了一种改进的算法(简记为H-Spark-K-NN),可以进一步提高大数据K-近邻分类的运行效率.