基于压缩-激励网络双塔模型的卷烟推荐算法

采用压缩和激励网络(squeeze and excitation network, SENET)构建双塔推荐模型,针对卷烟消费推荐问题进行了研究.基于长期采集的包含用户、商品和历史交互信息的数据集,使用SENET双塔推荐模型对该数据集进行建模,以预测用户的卷烟消费行为.实验结果表明,基于SENET双塔构架的卷烟消费推荐模型在消费者与产品间的交互信息获取上具有优势;与传统的推荐算法相比,SENET双塔推荐模型具有更好的推荐效果.     

本体技术在个性化推荐系统中的应用研究

针对个性化推荐系统中传统的用户建模技术的缺陷,本文将领域本体的理论与方法应用到电子商务个性化推荐中,设计了一种本体和服装信息相结合的个性化推荐模型。利用Protégé实现了服装知识本体的构建过程,在真实数据集上的实验结果验证了算法的可行性和有效性。该设计与已有的推荐算法相比,具有更高的预测准确度。     

基于上下文的Web服务推荐模型

传统的Web服务推荐模型仅仅考虑到Web服务层的质量特性,如QoS,随着Web服务的普及,服务交易的广泛使用,如何组合Web服务来完成一个操作流程满足用户的需求是一个新的挑战.提出了一个新的基于上下文的组合服务推荐模型,该模型不仅考虑到服务层和业务层的质量特征,而且进一步考虑了服务的上下文信息,包括用户兴趣、喜好等等,能够更好地对Web服务进行推荐.     

新闻事件的分布式混合推荐算法

针对新闻的个性化服务差及推荐效率低的问题,提出了一种新闻事件的分布式混合推荐算法.该算法改进了传统的层次聚类算法用于新闻事件发现,通过协调簇中心距离和簇间最远距离的权重解决了传统层次聚类中的大簇问题;使用混合推荐算法进行事件推荐,引入了事件的多重特征来计算用户兴趣模型,更准确地表示用户的兴趣偏好;采用Spark分布式计算平台实现该算法,可处理大数据的个性化推荐问题.在公开数据集上的实验结果表明本文方法有效.      

基于在线客户情绪能量感知的商品推荐算法

为了解决基于传统数据挖掘方法的电子商务推荐算法时效性差、准确度不高的问题，提出了基于情绪能量感知的推荐算法。该算法能实时判断在线用户的购买倾向；通过情感能量匹配技术，对商品特征进行分类，并与用户情绪状态进行匹配。理论性能分析和实验证明，该算法较之传统方法具有较高的匹配准确度、较好的时效性和用户满意度。     

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。     

一种基于混合深度学习的推荐算法

为解决推荐算法中的冷启动和数据稀疏性问题,提高推荐的效率,提出一种基于混合深度学习的推荐算法。该算法将深度学习中的半自动编码器和多层感知机模型有效结合,通过半自动编码器模型解决稀疏数据,并融合相关辅助信息解决冷启动问题。它先用半自动编码器提取用户和项目的深层次特征,再将提取的潜在特征输入到多层感知机中进行非线性融合,完成评分预测。实验结果表明,相比于其他算法,该算法可以更好地处理稀疏数据和冷启动问题,使推荐准确性得到不同程度的提升。在给定数据集上,该算法比传统矩阵分解算法的均方根误差提升了约46%。     

基于结果聚类分析的个性化推荐模型

提出一种基于结果聚类分析的个性化推荐模型。首先根据用户的访问行为建立用户兴趣模型,再利用多种信息的融合算法对搜索结果重新排序,最后对结果进行聚类分析,调整不同类别文档的权重后进行推荐。教学科研信息推送实验结果表明,基于结果聚类分析的个性化推荐模型能提高推荐效果。     

基于联合物品搭配度的推荐算法框架

针对现有推荐系统大多基于物品(用户)相似度进行计算,其推荐结果无法兼顾推荐对象的搭配性特征的问题,提出了一种基于联合搭配度的推荐算法框架.该算法框架中的联合搭配度模型,结合了用户交互反馈、物品的文本和结构化知识3方面的信息,分别计算目标物品与候选物品的搭配程度,然后利用逻辑回归算法进行搭配度融合,可以得到与目标物品最相搭配的物品推荐列表.通过在淘宝真实数据集上的实验,该推荐算法框架相比于传统基于相似性的推荐算法,显著提高了搭配推荐的性能,同时在用户交互记录较少的情况下也能有较好的精确度.     

应用非负矩阵分解的社交网络好友推荐

现有好友推荐方法只利用用户关系或内容信息进行推荐,难以获得较好的推荐质量． 针对该问题,在利用非负矩阵分解模型适合数据聚类以及数据约简的基础上,提出一种基于非负矩阵分解的好友推荐方法:FRNMF． 该方法采用基于非负矩阵分解的用户聚类为核心的好友推荐框架,利用用户好友关系网络信息和内容信息分别进行用户聚类,然后基于聚类结果计算用户间的综合相似度并进行好友推荐;不仅可以综合集成利用用户关系和内容两类信息,而且具有线性时间复杂度,还可以解决数据稀疏引起的推荐质量下降问题． 实验开发了FRNMF的原型系统,并在真实的新浪微博和学者网社交网络数据集进行对比实验,结果表明FRNMF比传统的好友推荐方法具有更好的推荐质量． 此外,对用户关系和内容两类信息的权重参数设置进行实验分析,分析表明适当提高用户关系信息的权重对于提高好友推荐质量具有促进作用．     

基于云计算智慧平台的健康养老信息推送算法研究

健康养老信息推送结果的F-Measure(准确率和召回率的加权调和平均值)较低。因此,提出应用云计算智慧平台的健康养老信息推送算法。构建用户兴趣度模型,结合协同过滤推荐算法,匹配健康养老标签和信息主题生成推送方案,从资源池中找到最优健康养老信息,完成信息推送任务。结果表明：向用户推送更符合要求的健康养老信息,其推送结果的F-Measure值稳定在0.6左右,不会随着用户数量增长而发生较大变化。     

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.     

基于PPIN的社交网络推荐系统

为了提升海量数据下社交网络推荐系统的性能,将传统聚类方法与蛋白质网络的新特性相结合,提出了一种竞争-抑制节点模型(CINM).该模型将数据的整个处理流程分为节点重构、膜外聚类、膜内聚类及内容推荐4个部分,分别完成数据预处理、数据清洗、精度匹配与数据输出.在数据预处理过程中,通过矩阵运算,将复杂多维数据集构成的用户信息转换成结构化定量数据,并产生数据摘要.数据清理通过判断竞争值来获取用户的特征数据.在精度匹配阶段,基于蛋白质相互作用网络的相似性匹配原理获取相似性最大的一组值,并结合与用户相关联的数据项进行最终内容或关系的推荐.实验结果表明,CINM模型可以通过数据预处理和特征值竞争抑制机制较好地完成数据过滤,从而提高数据处理效率并提升最终推荐结果的精确性.     

Spark平台下KNN-ALS模型推荐算法

考虑Spark大数据平台内存计算框架在迭代计算的优势,提出Spark平台下KNN-ALS模型的推荐算法.针对矩阵分解算法只考虑隐含信息而忽视相似度信息的缺陷,将相似度信息加入评分预测中,并采用适合并行化的交替最小二乘法进行模型最优.在MovieLens数据集上的实验表明:该算法能够提高协同过滤推荐算法在大数据集下的处理效率,且加速比也达到并行处理的线性要求,相比其他方法有较好的精度.     

算法推荐技术的逻辑"陷阱"及规避

介绍了算法和算法推荐技术的逻辑.作为数据和人工智能的节点,算法推荐技术在智媒时代的信息传播中,是一种用户权力的让渡和技术的赋权.由于"把关人"缺失和媒介追求流量、利润的导向,在信息筛选、匹配、分发、推送中存在数据滥用、侵犯隐私、信息泄露、技术黑箱、信息茧房等伦理失范问题和"陷阱".提出需从法律规范、技术监管、多元推送等方面入手,在效率效益与公正责任两者之间找到平衡点,消解、规避算法推荐产生的不良影响.     

基于二分网络社团划分的推荐算法

传统的基于用户的协同过滤(User-based CF)推荐算法的推荐效率随着数据的不断增加而降低.本文在User-based CF算法中引入二分网络社团发现理论,提出一种基于二分网络社团划分的推荐算法(RACD).首先通过用户与项目之间的关系建立用户-项目二分网络,然后通过RACD对该网络进行社团划分,得到用户的社团信息,最后通过同一社团中的其他用户对目标用户进行项目的推荐.在经典网络数据集上的实验结果表明,RACD能够有效提高推荐系统实时推荐效率.     

图书馆文献信息资源智能推荐检索平台设计

针对当前方法设计的图书馆文献信息资源推荐检索平台存在的检索效率低和召回率低的问题,提出图书馆文献信息资源智能推荐检索平台设计方法。通过平台架构、检索接口、平台功能设计构成图书馆文献信息资源智能推荐检索平台的框架,其中平台架构设计包括信息库连接和可视化信息,根据数学工具和语言完成图书馆文献信息资源智能推荐检索平台中检索接口设计,平台功能包括资源显示、资源检索、信息编辑和空间分析。将隐式方法与显示方法相结合构建用户兴趣模型,在用户兴趣模型的基础上通过冷启动阶段和推荐阶段完成图书馆文献信息资源的智能推荐和检索。实验结果表明,所提方法可在较短的时间内完成图书馆文献信息资源的推荐和检索,且检索得到的资源完整度较高,验证所提方法的检索效率高、召回率高。     

基于深度哈希算法的学生画像个性化推荐系统的设计与实现

为了提升学生画像个性化推荐的效果,研究设计了一种基于深度哈希算法的学生画像个性化推荐系统。通过使用深度哈希算法结合经过处理的学生信息,进行了学生信息特征标签的提取,并构建了学生画像标签维度模型,从而提升了学生画像的生动性。根据学生画像标注的学生特征,在学校课程资源特征数据集中进行搜索匹配,并根据排序后的检索结果生成推荐结果。实验结果表明,该系统能够有效地采集和预处理学生信息,并成功构建学生画像,完成学生画像的个性化推荐。     

加入用户评分偏置的推荐系统排名模型

针对现有推荐技术忽视了推荐结果总体多样性的问题,提出一种加入用户评分偏置的推荐系统排名模型.该模型通过交叉验证获取偏置调节参数,用以计算用户评分偏置,利用该偏置改进了传统模型中的用户阈值计算方法,从而保证总体多样性的提升效果可作用于全局用户.通过在阈值计算环节引入多样性调节因子,并结合多种排名算法,实现了总体多样性和精准度的精细控制.实验结果表明,相对于传统的基于经验取值的排名模型,所提模型在保证推荐精准度的同时,提高了推荐结果的总体多样性,可以方便地嵌入互动电视和电子商务等推荐系统,无需对原功能模块进行改动.     

融合分类与协同过滤的情境感知音乐推荐算法

针对用户情境信息,提出一种融合分类与协同过滤的情境感知音乐推荐算法. 首先,通过计算用户情境信息的相似度,由协同过滤算法得到初始音乐推荐列表;然后通过机器学习算法训练分类模型,得出用户在特定情境下的音乐类型偏好;最后将协同过滤得到的推荐列表与分类模型得到的音乐类型偏好进行融合,为特定情境的用户提供个性化音乐推荐. 该算法不仅有效地降低了推荐过程的复杂度,还使传统的协同过滤推荐算法具备了情境感知的能力. 实验结果表明,该方法可以有效地提高个性化音乐推荐系统的性能.