基于聚类矩阵近似的协同过滤推荐研究

由于推荐系统中存在巨量的用户和商品,现有的协同过滤方法很难处理用户-商品推荐中的数据稀疏性和计算可扩展性问题。本文提出了一种基于聚类矩阵近似的协同过滤推荐方法CF-cluMA。一方面,CF-cluMA方法通过对用户和商品进行分别聚类,并利用聚类后的用户-商品分块评分矩阵来刻画用户对于商品兴趣的局部性特点,以降低用户-商品评分矩阵的全局稀疏性。另一方面,CF-cluMA方法通过对局部稠密分块矩阵实施奇异值分解,并利用施密特变换近似全局用户-商品评分矩阵来预测用户对未知商品评分,以降低协同过滤算法的复杂性。在EachMovie电影评分真实数据集上的实验表明,相比于已有的基于矩阵近似的协同过滤推荐方法,本文所提出的CF-cluMA方法能够有效提升推荐系统的准确性并降低推荐系统的计算复杂性。本文的研究对于电子商务推荐系统具有重要的管理启示。     

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.     

基于迭代加权回归的推荐算法

评分预测问题是推荐系统研究的核心.本文利用用户评分数据集发掘商品之间的自相关性:将商品看作数据网络中的节点,用商品间的差异度定义节点间的距离,进而将评分预测问题转化为网络回归问题.然后使用迭代加权回归算法进行评分预测.通过对电影评分数据集Movie Lens的分析,验证了算法的有效性,结果表明迭代加权回归算法优于基于项目邻域的协同过滤算法.     

基于协同过滤的移动电子商务推荐算法

随着移动电子商务的快速发展,信息过载现象成为该领域的研究热点,个性化移动推荐系统开始成为理论和应用的热点.文章将协同过滤技术应用到移动电子商务中,结合移动电子商务移动性和随时性的特点,在协同过滤中加入时间因素和位置因素,通过遗忘函数改进协同过滤算法,最后实验证明改进的协同过滤移动推荐算法比传统的协同过滤算法能更有效地提高推荐精度.     

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。     

基于用户实时行为的Slope One模型与算法

以技术创新平台为背景,针对原有协同过滤算法推荐滞后以及算法可扩展性差的问题,根据用户的实时反馈,在Slope One算法的基础上,提出了更新增量机制,分解出固定因子以及增量因子,当用户对项目的评分改变时,只需更新增量因子,提高了算法的可扩展性,更精确地反应了用户的兴趣变化。经算例验证,该算法在保证推荐精度的同时可以有效地缩短推荐时间。     

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。     

数据稀疏环境下基于用户主题偏好的协同过滤算法

在B2C电子商务中,user-based协同过滤算法是一种重要的推荐方法,但用户共同评价项目数据稀疏影响了user-based协同过滤算法的应用。鉴于此,在考虑用户消费水平的基础上,利用关联规则挖掘形式化描述商品间的替代相似性;利用基于时间的贝叶斯概率描述商品间的关联关系构建商品网络,通过社会网络分析中的成份分析方法对商品网分析,得到面向用户主题偏好的商品间互补性关系,进而利用这两种商品间关系构建用户主题偏好项目集,最后在数据极度稀疏的环境下通过F1方法和多样性测量方法与传统推荐算法进行对比实验分析,实验结果显示提高了推荐结果的准确性与新颖性。研究用的所有数据均采集于京东商城网站。本文为缓解数据稀疏问题提出了一种新的方法,扩展了整体网分析方法在商品关系分析中的应用,含有理论与实践双重意义。     

一种基于用户识别特征模型的中医药健康养老信息推送算法

通过分析传统协同过滤算法的优缺点,设计构建用户识别特征模型,并提出基于用户识别特征模型的协同过滤算法,将经典协同过滤算法与基于用户识别特征模型的协同过滤算法进行比较试验,分析基于用户识别特征模型的协同过滤算法相对于经典协同算法的优势,进而证明其能够在中医药健康养老信息的推送过程中提高效率。     

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.     

Discussion of “Multivariate Dynamic Modeling for Bayesian Forecasting of Business Revenue”

This paper, “Multivariate Dynamic Modeling for Bayesian Forecasting of Business Revenue,” proposes a novel Bayesian approach based on dynamic linear models to share information from different sectors, LSG (Local Store Group), and item category, through the use of auxiliary information (the discount information). The authors demonstrate the feasibility of parallel computing with multiple item categories, making the Bayesian method highly scalable. The proposed method in the paper should have wide applicability in inventory and revenue management. We suggest in this discussion potential areas for further development.     

基于分层序列的移动电子商务推荐系统策略研究

移动互联网环境下,移动电子商务快速发展,移动推荐系统成为解决移动信息过载的主要技术和手段.移动电子商务推荐系统中用户策略选择是一个典型的多目标决策问题,目标之间也存在一定的矛盾.基于移动推荐系统的这种特征,借助分层序列法算法的思想,通过元数据的标准化处理,结合移动电子商务中的位置上下文信息获取推荐数据,得到满足用户多目标需求的推荐结果.方法的提出为移动电子商务推荐系统的研究提出了一种新的推荐策略.     

P2P电子商务中信任模型研究

为了提高P2P电子交易的安全性,提出了基于模糊理论的信任管理模型.通过类群来初始化信任向量及信任评估,提高了评估效率.通过模糊综合评判方法,较为全面地考察了影响信任的多种因素,使得评估结果更加客观、真实.基于模糊贴近度的概念来实现信任更新,并在推荐因子的更新中融入交易金额和交易时间,客观地反映了信任的动态性和交易的上下文特性.实验仿真及分析表明,与传统方法相比,本方法可以有效地提高评估的可靠性及可用性.     

Middle School Students' Conceptual Learning from the Implementation of a New NSF Supported Curriculum: Interactions in Physical Science™

A new National Science Foundation supported curriculum, Interactions in Physical Science?, was evaluated on students’ conceptual change in the twelve concept areas of the national physical science content standard (B) for grades 5–8. Eighth grade students (N=66) were evaluated pre and post on a 31‐item multiple‐choice test of conceptual understanding developed by the Harvard ‐Smithsonian Center for Astrophysics. Significant student gains (p<. 05, t‐test, two‐tailed) occurred in all concept areas in the category of properties and changes in properties of matter; for the force concept areas in the category motions and forces; and for the heat transfer and light interactions areas in the category of transfer of energy. Two of the six concept areas in the category of transfer of energy, chemical and nuclear reactions and the sun as a major source of energy, were not addressed in this study. Significant learning gains as item percent correct were typically close to 20%, though effect sizes were small to medium in magnitude (d = 0.3–0.6). Implications of the study for conceptual change curriculum and teaching are discussed.     

基于关系契约视角的农户与农产品电子商务企业合作机制演化博弈分析

本文基于关系契约的视角,运用演化博弈理论,构建有限理性特性下的农户与农产品电子商务企业合作演化博弈模型,分析双方合作策略的演进过程、稳定策略及其影响因素,并通过Matlab仿真模拟分析影响双方合作策略选择的因素,验证博弈结果正确性。研究结果表明:农户和农产品电子商务企业选择合作策略与合作投入成本、实现的超额收益密切相关,博弈初始状态、再交易成本、单方不合作获得的收益及违约罚金等因素影响系统的演化稳定结果。因此完善农户与农产品电子商务企业的合作机制,需要构建合理的利益分配机制、良好的关系治理机制、有效的监督和惩罚机制和信息共享、沟通与协调机制。     

影响电子商务客户流失因素分析

鉴于客户流失给电子商务带来的严重损失,需要深入分析影响客户流失的因素,从而指导企业有针对性地改进服务.通过语言信息理论,邀请专家对电子商务客户流失因素进行了分析.通过基于正态分布的有序加权平均(Ordered Weighted Averaging,OWA)对结果进行了处理.在此基础上,提出了影响客户流失因素的分析方法,为企业改进服务提供了强有力的智力支持.     

基于元胞自动机的电子商务平台知识产权监管的演化分析

为了系统地探究电子商务平台知识产权监管的复杂动态行为,本文从复杂系统的角度出发,通过元胞自动机构建电子商务平台知识产权监管的模型并进行演化分析。首先给出了元胞的属性和状态,接着在博弈收益矩阵分析的基础上进行电子商务平台知识产权监管的模型构建与仿真,最后通过对仿真结果的分析给出了启示。本文的研究对电子商务平台知识产权监管具有较好的参考意义。     

融合情感评论倾向与均衡长尾物品的推荐方法

推荐领域中已有研究较多的考虑属性维度在评分-物品上来提高算法的准确性,对于用户对产品的真实态度判断不够。论文利用LSTM神经网络模型将用户评论情感得分和用户评分进行融合分析,来计算用户对物品真正的兴趣度;运用向量空间对用户情感进行三分类,借鉴经济学中基尼系数的思想,引入惩罚因子通过对热门物品进行调节,发挥系统的长尾能力从而增加推荐结果的覆盖率,从而实现对热门物品和冷门物品被推荐程度的均衡优化。最后,对情感系数和惩罚系数参数的取值进行实验,得出最优模型参数组合,结果表明,评论的情感因素和惩罚系数对于构建性能更优的推荐模型效果明显,该模型在推荐的准确率和覆盖率上相较其他主流模型更加符合用户需求。