Web挖掘在个性化推荐系统中数据预处理的研究

个性化推荐系统能够根据用户的兴趣偏好主动推荐他所需的资料。它的出现解决了人们寻找信息难的问题。数据预处理将原始的真实数据库转换成适于数据挖掘的挖掘数据库,为提高挖掘算法的效率,改善挖掘结果的效果打下了良好的基础。[1]     

高校人文专业开展数学教育的调查与分析

立足于高校人文专业的教学改革、在人文专业中实施数学教育 ,就当前人文专业学生对课程改革、文理渗透、数学教育的作用、学习什么样的数学等问题进行了调查 ,并对调查的结论进行了分析 ,提出了在人文专业实施数学教育的几点建议 .为在高校专科人文专业开设高等数学课程提供了实践资料     

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.     

协同过滤算法的优化研究

对协同过滤算法中用户相似性计算方面进行优化,在计算用户相似性的公式中添加用户兴趣偏差度作为权重,以提高相似性计算的准确性.通过实验对改进的算法进行了验证,结果表明改进的算法提高了推荐系统的准确度.     

新闻推荐系统中的边信息融合卷积神经网络

现有的新闻推荐模型一般由文本特征提取网络和推荐网络两部分组成。新闻相关的边信息（如类别信息）并没有作用在文本特征提取过程中。在未融合边信息的情况下,文本特征提取网络和推荐网络两部分的优化目标是有差异的。提出SIACNN(Side Information Aggregated CNN)的结构,它通过注意力机制的方式,将边信息结合到文本特征提取中,缩小了文本特征提取和推荐网络之间优化目标的差异,有效提升了新闻推荐的效果。将SIACNN替换多个典型新闻推荐网络中的卷积神经网络,并利用MSN（微软新闻）采集的大型新闻数据集MIND(MIcrosoft News Dataset)来进行实验,通过实验证明了SIACNN能提高推荐效果,并同时具有泛化性。     

演化博弈视角下自媒体平台“信息茧房”生成机制研究

随着人工智能、大数据、云计算等新信息技术的发展,信息传播进入新时代。算法凭借其优势,已成为自媒体平台个性化信息传播的核心工具。然而,这种算法驱动的信息传播方式也带来了一系列挑战,如信息茧房。在算法时代下,深入分析信息茧房的形成机制、探究信息茧房的困境的破解办法、规范信息传播是当务之急。本研究从演化博弈理论的角度探讨了自媒体平台推荐算法下信息茧房的形成机制。通过构建自媒体平台与用户之间的博弈模型,本研究分析了信息传播过程中平台和用户的策略选择变化如何导致信息茧房现象。研究发现,通过增加平台推荐异质信息的成本、提高用户接受异质信息的收益,以及政府对同质化推荐策略的惩罚,可以有效减少信息茧房的形成。本研究为规范自媒体推荐算法提供了策略建议,旨在促进信息的多样性和公平性,维护健康的网络信息生态。     

高校科研资源的个性化融合推荐

为满足高校师生对科研资源复杂的个性化服务需求,设计了高校科研资源个性化服务系统,简称个性化科研服务系统(PSRSS,personalized scientific research service system)。全面分析了高校科研用户的个性化科研资源服务需求,设计了基于数据层、融合多种推荐策略的推荐计算层、应用呈现层的多引擎融合推荐系统架构,基于不同推荐场景,比较了不同的推荐算法并对选择的算法进行了针对性优化,探讨了用户模型和科研资源模型的设计,实现了基于资源热度、项目内容相似度、相似用户协同过滤的Top-N推荐。系统提升了高校师生获取科研资源的体验,为高校科研资源个性化服务系统建设提供了新思路。     

基于可变精度的协同过滤推荐算法研究

基于可变精度方法设计了新的协同过滤算法。首先,选取了电影评价数据集,利用可变精度方法得到新的数据集合,经过协同推荐给出了推荐结果;其次,通过平均绝对误差(MAE)和F-mean两种指标对推荐结果精度进行了评价,发现随着可变精度的提高,推荐性能得到提升,但精度需要控制在一定阈值范围内,否则超过阈值推荐性能反而下降。最后,还利用社交网络上糖尿病微博数据收集对此方法进行了实证研究,从而验证了所提方法的有效性和良好扩展性。     

一种基于用户聚类的协同过滤推荐算法

为解决传统协同过滤算法在生成推荐时的速度瓶颈问题,提出了一种基于用户聚类的协同过滤推荐算法。该算法将推荐过程分成了离线和在线两个部分。离线时,算法对基本用户数据进行预处理,并对基本用户聚类;在线时,算法利用已有的用户聚类寻找目标用户最近邻居,并产生推荐。实验表明,基于用户聚类的协同过滤推荐算法不仅加快了推荐生成速度,而且提高了推荐质量。     

基于HMM的个性化智能推荐研究

Internet和电子商务的发展带动了对个性化智能技术的研究.提出基于隐马尔可夫模型的浏览兴趣发现方法,通过学习用户访问模式预测用户未来的网页请求,为不同需求的用户推荐所需服务,减少用户的无效操作.