情境环境下基于用户画像的旅游产品推荐算法研究

针对目前旅游景点推荐效果不够理想的问题,充分考虑景点推荐中的情境因素和用户需求,研究情境环境下基于用户画像的旅游产品个性化推荐算法.算法从用户基本信息和行为信息的获取出发,借助标签化表示技术,构建出相应的用户画像模型,然后引入用户的情境因素.在综合考虑用户相似度和用户情境的基础上,达到高质量个性化推荐的目的.通过验证表明,用户画像的基础上,充分考虑用户的情境信息,能够更准确地体现用户兴趣的偏好,获得更佳的推荐结果.     

基于情感分析和改进TOPSIS法的IT服务推荐算法

目前IT服务网站的推荐目录大多以价格、销量排列,未充分考虑用户的个性化需求,故本文提出基于情感分析和改进TOPSIS法(Technique for Order Preference by Similarity to Ideal Solution)的IT服务推荐方法.通过爬取"猪八戒"网站IT服务的在线评论,运用基本的自然语言处理技术提取属性-情感词对,对其进行情感分析得出情感矩阵,并根据用户给出不同属性的权重,运用改进TOPSIS决策方法得出TOP-N推荐.实验结果表明,方法可以根据用户对不同属性的偏好进行个性化推荐,与传统方法相比推荐准确性有显著提高.     

基于用户标签和信任关系的协同过滤推荐算法研究

随着互联网产业的快速发展,推荐系统已成为商业领域的研究热点,传统的仅考虑用户相似度或项目相似度的推荐算法已不能满足用户对推荐效率和推荐准确率的要求.考虑到社会好友间信任关系在推荐中的有益作用,信任关系应当成为推荐系统的考虑因素之一,文章提出一种基于标签和信任关系的协同过滤模型.首先,根据用户标签筛选出相似度较高的用户,根据他们对项目的评价预测得分;然后,根据社区内信任关系计算基于信任的评分;最后,综合两项得分进行预测.通过Epinions数据集验证表明:对比单纯的相似度推荐,添加信任因素后推荐结果有明显改变且随着信任网络规模扩大,项目预测得分趋于稳定,预测精度明显提高,更适用于移动电子商务环境下的个性化推荐问题.     

基于贝叶斯和自编码器的社会化推荐算法研究

为提高推荐结果的精度和个性化程度,文章有效利用多种信息源,将贝叶斯方法和深度学习结合,提出一种基于贝叶斯自编码器的社会化推荐算法.算法首先利用混合隶属度随机块模型MMSB (Mixed membership stochastic block)对用户间交互关系建模,结合用户的属性特征,利用自编码器学习用户的隐含特征向量;然后利用主题模型结合自编码模块学习物品特征向量;最后利用概率框架将物品和用户间的各种属性统一起来,共同学习矩阵分解模型中的关系矩阵.模型中的参数利用变分EM算法进行推理.实验结果表明与同类算法比较,算法在精确度和覆盖率上有不同程度的提升,且能够得到比较个性化的推荐结果.     

一种基于规则的情境感知系统设计与实现

情境感知系统能够感知用户所处的情境,以及情境的变化,并根据情境信息去提供用户需要的服务.针对情境信息复杂性和实效性双重特点,本文基于面向对象的情境建模方法,在情境信息分类的基础上,提出了一个LUTERS情境对象模型.在情景信息模型化的基础上,本文阐述了情境推理规则的定义,提出了基于规则引擎的情境推理框架,有效的提升了情景感知系统的灵活性.     

基于用户在线评论的旅游景点推荐算法研究

随着互联网的快速发展,推荐系统的研究和应用朝着多方向、多领域发展,传统的推荐算法已经不再满足某些特定领域准确率的要求.考虑到用户在线评论信息可以获得用户对产品偏好信息及偏好程度,文章提出一种基于用户在线评论的旅游景点推荐算法.首先,该算法用爬虫软件和Jieba分词对用户旅游景点的在线评论信息进行获取和预处理.其次,利用情感强度分析法确定每条评论相对景点各属性的评价标度.再次,依据处理后的在线评论信息计算用户对景点各属性的权重.最后,利用TOPSIS排序方法实现对用户旅游景点的推荐.实验表明,该算法可以有效的确定用户对景点的偏好程度,有效提升旅游景点推荐的准确性.     

融合注意力机制的自编码器推荐算法

为充分获取用户的个性化信息,提高推荐算法的准确性,提出了一种融合注意力机制的自编码器推荐算法。所提算法首先针对数据中蕴含的低阶特征和高阶特征,专门设计了相应的特征提取模块,增强传统编码器的泛化能力和记忆能力,然后利用注意力机制对特征进行融合,得到关于用户偏好信息的向量表示,并通过解码器预测用户对物品的购买意愿,最终实现个性化推荐任务。在ML-100K,ML-1M和Yahoo Music三个数据集上进行实验,并与主流个性化推荐算法进行对比,本文算法在Precision,Recall,F1值和归一化折损累计增益(NDCG)四个指标上均有较大的提升。在互联网推荐场景下,本文算法能够充分挖掘出用户的偏好信息,为用户提供高质量的推荐结果即给出合理的物品购买决策建议,从而最大化满足用户需求。     

电子政务系统中面向公众的个性化信息服务模型

电子政务作为Internet的主要应用领域，已受到世界各国的普遍关注。面对公众各种服务需求日趋个性化，如何打破政府职能机构的条块分割，构建一个一体化的虚拟政府，集成各类信息资源，为公众提供“一站式”的、个性化的服务，是当前电子政务理论和实践的热点课题。本文首先提出一个面向公众的“一站式”服务总体框架；其次，将个性化信息服务的概念引入到电子政务系统中，构建一个个性化信息服务模型；最后，运用数据挖掘技术对模型中的关键技术加以实现。     

融合跳转关系和用户偏好的新闻热度预测

互联网时代的到来使新闻更新频率加快、传播范围更广,为了迅速控制不良信息、加强互联网信息治理,构建模型预测新闻未来热度具有重要意义.文章聚焦新闻间关系的挖掘,在适度融合用户偏好信息的前提下,提出了一种融合跳转关系和用户偏好的新闻热度预测方法.该方法首先结合新闻内容和历史跳转概率生成新闻跳转关系网络,并使用文章提出的多任务图卷积矩阵补全模型MGCMC (multi-task graph convolutional matrix completion)对分布稀疏且不平衡的跳转概率矩阵进行预测,以获得未来的新闻跳转关系网络特征,当新闻平台推荐给用户一组处于传播状态的新闻时,结合用户个性化偏好预测其点击行为,最终获得新闻热度.基于真实用户-新闻交互数据集Mind的实验结果表明,MGCMC相比现有的矩阵补全和不平衡预测模型表现更佳,能更准确地预测用户-新闻点击行为,并更准确发现热度较高的新闻.     

用户集聚系数对协同过滤算法的影响研究

本文研究了用户-产品二部分网络中用户集聚系数对协同过滤算法的影响.用户集聚系数是度量目标用户的所有邻居用户的特点或者兴趣爱好相同程度的一个统计量,文章将其引入协同过滤算法的相似性计算中,并提出一种改进的算法.数值模拟显示,引入用户集聚系数统计属性的改进算法相比于CF准确性可以提高12.0％,当推荐列表的长度为50时推荐列表多样性可以达到0.649,相比于经典的CF算法提高18.2％.该工作表明用户集聚系数对推荐算法具有非常大的影响,体现了个性化推荐以用户兴趣的度量为核心的基本思想.     

考虑加工速率相互干扰的平行机调度最优策略研究

随着智能互联网的应用深入、个性化消费时代的来临,制造服务企业开始注重利用网络平台为客户提供个性化的定制服务,在此过程中派生出了产品设计师可与多名客户在线同步交互的一种新型服务模式。本文根据设计师服务效率受并行服务客户数量影响的特征,将问题刻画为机器处理速度相互影响的一类平行机调度模型,以最小化总完工时间为优化目标,研究设计最优调度方案。首先,对于只有两名设计师且各自同时处理最多两个任务的情形,提出了改进的SPT调度规则,运用归纳法证明了该规则可以生成最优加工方案。其次,对改进的SPT规则进行任务分配方式的适当松驰以便更加易于操作,并证明松驰后的新分配方案保持了解的最优性。最后,将相关结论推广至多名设计师的一般情形。上述研究为个性化在线定制服务模式下的有效调度策略制定提供了良好的理论支撑。     

基于关联规则的SNS网站个性化推荐研究

以关联规则为理论基础,针对社会性网络服务(Social Networking Services,SNS)网站的个性化推荐问题进行研究.在系统总结个性化推荐方法基础上,详细给出基于关联规则的个性化推荐过程,综合运用可信度和作用度两个指标更好地对生成的关联规则进行评价.并采用SNS网站实际运营数据有效实现个性化推荐,对个性化推荐技术在SNS网站的实际应用价值进行拓展分析.     

基于电子商务B2B平台的个性化定制产品供应链治理结构重复博弈分析

个性化定制产品的供应链上下游企业合作面临着双边道德风险问题,电子商务B2B平台提供了该问题的一种有效治理模式,但是也存在着平台企业索要商业贿赂等自身治理问题。本文构建了电子商务平台的个性化定制产品的供应链治理重复博弈模型,分析了定制化产品的供应链双边道德风险治理结构,以及平台自身的激励问题。研究结果表明,第一,通过电商平台的信息检索服务,可以有效规避双边道德风险问题,达成帕雷托最优的供应链上下游合作。第二,为了加强电子商务平台的自身治理问题,需要采取“按效果收费”制度,完善用户反馈信息记录,尤其是加强行业自律,提高电子商务平台的社会公信力和市场声誉。     

条件免运费的B2C平台商最优凑单推荐服务水平策略

在条件免运费(CFS)下,针对消费者基础运费和凑单异质性购物偏好,选择合理的购物凑单推荐服务水平策略是提升B2C平台商业绩的关键。在对平台商与消费者间的主从博弈关系、消费者效用函数关系分析基础上,通过构建Stackelberg博弈模型,揭示平台商凑单推荐服务水平和消费者购物意愿间的互相关系,进而针对消费者基础运费和凑单偏好,探究基础运费、保留价格和推荐商品价格对平台商最优购物推荐服务水平策略的影响。研究表明:不同的基础运费和消费者偏好对平台商利润的影响具有差异性;适度提升最优购物凑单推荐服务水平能有效提高消费者购物意愿、增加平台商利润。因此,基础运费、CFS阈值和凑单推荐服务水平的科学制定对平台商业绩改善具有重要影响。     

基于多元隐式信任关系挖掘的抗攻击社会化推荐算法研究

在商业竞争环境下,推荐系统容易受到托攻击的危害。基于信任关系的社会化推荐算法被证明是解决托攻击问题的有效途径。然而,现有研究仅考虑显式信任关系,隐式信任关系没有被真正挖掘利用。为此,提出了一种基于多元隐式信任关系挖掘的抗攻击社会化推荐算法。首先,借鉴社会学和组织行为科学领域的信任前因框架模型,从全局信任和局部信任两个视角深入研究各信任要素的提取和量化方法。然后,通过信任调节因子集成局部信任度和全局信任度获得用户总体信任度。最后,以用户总体信任度为依据将攻击用户隔离在可信近邻之外,实现基于信任关系的个性化推荐。大量对比实验表明,本文算法在改善推荐准确率的同时有效抑制了托攻击对推荐算法的影响。     

基于灰色关联聚类的协同过滤推荐算法

针对协同过滤推荐系统具有数据的高稀疏,高维度,数据量大的特点,本文将灰色关联聚类与协同过虑推荐算法相结合,构建了灰色关联聚类的协同过滤推荐算法,将其应用到协同过滤推荐系统中,以解决数据具有高稀疏高维度的特性情况下的个性化推荐质量问题。首先,定义了推荐系统中的用户项目评分矩阵,用户灰色绝对关联度,用户灰色相似度,用户灰色关联聚类。然后,给出了灰色关联聚类的协同过滤推荐算法的计算方法和步骤,同时给出了评价推荐质量方法。最后,将本文算法与基于余弦,相关分析及修正的余弦等协同过滤推荐算法在大小不同的数据集下进行了实验,实验表明灰色关联聚类的协同过滤推荐算法相较于传统的协同过滤推荐方法具有推荐质量高,计算量小,对数据大小要求不高等优点,同时在推荐系统的冷启动,稳定性和计算效率方面也具有一定的优势。     

个性化推荐系统中协同过滤推荐算法优化研究

协同过滤推荐算法是目前个性化推荐系统中应用比较广泛的一种算法。然而,它在处理数据稀疏性、可扩展性等方面存在一定不足。针对数据稀疏性问题,本文首先基于Slope One算法对初始的评分矩阵进行缺失值填充,其次利用基于K-means聚类的协同过滤算法预测目标用户的评分,并结合MovieLens数据集给出了相关对比实验;针对扩展性问题,本文首先提出了一种基于中心聚集参数的改进K-means算法,其次,给出了基于中心聚集参数改进K-means的协同过滤推荐算法流程,并结合MovieLens数据集设计了相关对比实验。实验结果表明,本文所提方法推荐精度均得到显著提高,数据稀疏性和扩展性问题得到了有效改善。因此,本文的研究结论不仅可进一步丰富协同过滤推荐算法的现有理论成果,还可以为提高推荐系统的精度提供理论依据和决策参考。     

考虑患者个性化需求的医疗服务匹配决策方法

伴随着我国医疗服务事业的蓬勃发展,提升互联网医疗健康平台中医生和患者双方匹配的效率已经成为医疗服务领域中重要的问题之一。为此,本文针对考虑患者个性化需求的医疗服务匹配决策问题,提出了一种决策分析方法。首先,给出稳定和满意匹配方案的相关定义;在此基础上,根据患者个性化的需求类型,计算患者对医生的满意度;然后,根据医生提出的期望和患者的实际评价信息,计算医生对患者的满意度。进一步地,构建兼具满意且稳定的目标导向的匹配决策模型,通过运用求解模型的变步长算法,获得相应的最优匹配方案;最后,通过实例分析表明了所提出方法的可行性。     

Combining content-based and collaborative recommendations: A hybrid approach based on Bayesian networks

Recommender systems enable users to access products or articles that they would otherwise not be aware of due to the wealth of information to be found on the Internet. The two traditional recommendation techniques are content-based and collaborative filtering. While both methods have their advantages, they also have certain disadvantages, some of which can be solved by combining both techniques to improve the quality of the recommendation. The resulting system is known as a hybrid recommender system.In the context of artificial intelligence, Bayesian networks have been widely and successfully applied to problems with a high level of uncertainty. The field of recommendation represents a very interesting testing ground to put these probabilistic tools into practice.This paper therefore presents a new Bayesian network model to deal with the problem of hybrid recommendation by combining content-based and collaborative features. It has been tailored to the problem in hand and is equipped with a flexible topology and efficient mechanisms to estimate the required probability distributions so that probabilistic inference may be performed. The effectiveness of the model is demonstrated using the MovieLens and IMDB data sets.