面向浏览者的图像推荐模型

要求互联网中的浏览者为每一幅图像表示其反馈是困难的,需要通过分析浏览者的行为,隐式地获取其评价。通过对浏览者的阅读、收藏和下载等行为的分析,度量用户对图像的关注度,以此作为用户反馈,分析其关键字偏好和图像特征偏好,进一步设计了用户偏好的遗忘策略和学习策略,实现用户偏好的动态更新,通过关键字相似性分析和图像特征相似性分析两方面,为用户选择推荐的图像。以准确度和召回度作为评价标准,实验表明,所提出的方法具有较高的性能。     

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.     

一种改进的APRIORI算法在电子商务中的应用

结合电子商务推荐系统的实际需求,在分析Apriori算法的特点和不足的基础上,提出了一种改进的分段Apriori算法,将此算法引入到电子商务网站的推荐系统中,使网站的交易效率和客户认可度均得到提升.     

基于数据挖掘的自动化推荐系统算法

结合人工神经网络中的自适应共振理论(ART)及数据挖掘(Data Mining)技术来建构一个可自动聚类族群特征且能挖掘出关联特质的自动化在线推荐系统。探讨如何有效地运用数据挖掘技术从大量的数据库中挖掘出完整知识,以推荐适当的信息给使用者,帮助他们在浩大的信息流中找到真正需要、有用的文件或信息。整合ART及数据挖掘技术,并针对推荐系统的特性提出一种改进的ART算法(MART算法)。实例验证了算法的有效性。     

个性化网络学习推荐系统设计

本文针对个性化网络学习的特点,设计了基于WEB挖掘的个性化网络学习推荐系统,本系统包括离线部分和在线部分。离线部分主要采用数据挖掘技术实现,在线部分用于在线推荐资源。同时本文还给出了个性化推荐系统的推荐流程。     

基于特定群体兴趣的混合个性化推荐算法

个性化推荐服务能够为网络用户提供针对兴趣偏好的推荐项目资源,现已被成熟地运用到网站导航、数字化图书馆检索系统、电子商务以及搜索引擎等领域.在研究有关推荐技术以及混合方式后,提出一种基于特定群体的混合推荐算法,其紧密结合了模糊聚类与两种协同过滤技术.实验结果表明,该算法不仅有效地解决了数据集的稀疏性问题,而且在一定程度上改善了推荐结果的质量.     

有向相似性对协同过滤推荐系统的影响研究

为研究用户的相似性对协同过滤个性化推荐算法的影响,认为用户的有向相似性应该由邻居用户指向目标用户,而非由目标用户指向邻居用户。基于该思想,提出了一类改进的协同过滤算法。通过对Movielens数据集的实验分析,结果发现改变用户相似性的方向可大幅提高推荐结果的准确度和推荐列表的多样性。进一步,强化相似度高的用户的推荐强度可大幅提高推荐效果,算法的准确性可提高17.94%,达到0.086 4,当推荐列表的长度为10时,推荐列表的多样性可达到0.892 9,提高20.9%。该工作表明用户相似性的方向是否合理对推荐算法具有非常大的影响。     

采用矩阵分解模型的托攻击防御算法

提出一种基于矩阵分解模型的托攻击防御算法框架.首先,利用托攻击检测技术,度量用户是托用户的概率,并以此构造信任度权值矩阵;然后,将此权值矩阵引入到矩阵分解模型,以降低托用户攻击行为的影响;最后,通过求解新模型实现对用户评分的预测.实验结果表明:这类算法与其他协同过滤算法相比较,能够更有效地抵御托攻击.     

基于RFM模型和协同过滤技术的酒店房型推荐算法

为了提升酒店房型个性化推荐效果,将RFM模型与协同过滤技术相结合,设计了一种酒店房型推荐算法,并通过实验验证了该算法的准确性和有效性优于传统的协同过滤推荐算法.     

基于混合协同过滤的个性化推荐方法研究

针对传统协同过滤算法存在的数据稀疏性和推荐范围问题,提出一种混合协同过滤推荐方法.该方法将两种传统算法结合,并综合考虑了项目标签属性等信息.首先利用基于项目的协同过滤算法生成预测评分,并替换原始用户-项目评分矩阵中的零值.其次利用基于用户的协同过滤算法计算填充后矩阵的用户相似度,以及预测评分并产生最终推荐.最后基于MovieLens数据集实验证明,该方法能够有效提高推荐精度,扩大推荐范围.