基于Vague集理论一维属性——需求匹配的知识推荐算法研究

论文从推荐系统中知识推荐算法的核心——产品属性与用户需求的匹配出发,首先探讨了如何采用形式化的Vague集语言描述用户的需求和产品的属性问题。之后分别运用用户兴趣度模型和产品特征模型搭建了用户需求和产品属性的Vague集模型。在模型融合的过程中采用Vague集理论中成熟的相似度计算公式,实现了用户需求与产品属性的匹配计算。最后,从爱奇艺中任意提取了5名注册用户和5部2019年新上映的电影,按照搭建的模型进行了数据计算,得到了可靠的计算结果,同时也构造了用户和产品之间的知识库,为后期知识推荐规则的形成奠定了基础。     

基于Topsis思想的内容推荐算法研究

针对内容推荐系统中的瓶颈问题——特征表示问题,将特征属性进行了排序,并利用高斯函数获得产品的属性取值.进而借助Topsis中理想解与负理想解的思想定义了产品在各个属性上的相似性,并通过Topsis中属性间的可补偿性获得了产品间的相似度.     

融入用户社交关系与信任关系的应用推荐方法研究

随着近年来互联网技术的快速发展,应用获取平台都面临着信息过载的问题.面对大量应用,解决用户不能快速准确地找到满足其偏好的应用的问题迫在眉睫.已有的如Cosine、Pearson等协同过滤方法普遍存在稀疏性、冷启动和可扩展性等问题,从而对推荐结果产生影响.文章在考虑用户社交关系、偏好及信任关系的基础上,提出了融合用户社交...     

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.     

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.     

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。     

一种基于可拓学的电子商务内容推荐算法研究

为研究电子商务内容推荐算法,论文从电子商务推荐系统中的瓶颈问题——相似度计算出发,借助可拓学的方法进行分析。论文将可拓学中基元的表示方法引入推荐算法中,并采用关联函数和可拓距的思想,实现了产品的表示和相似度计算,进而得到了一种新的内容推荐算法。然后通过实例分析对算法进行验证,确认了方法的可靠性和有效性。论文的研究将可拓学思想引入到推荐算法中,这对可拓思想的应用以及推荐算法的实现都起到了有益的作用。     

基于Vanilla算法的网络视频推荐策略研究

伴随移动互联网和通信技术的发展,人们对视频的需求日益凸显,互联网带来更多便捷的同时也带来了信息过载的问题.视频推荐系统的优点在于帮助视频网站挖掘用户的偏好信息,从人们精准信息获取的需求出发,以视频播放网站为研究对象,研究视频推荐算法的实现和视频推荐策略的生成,首先分析了已有视频推荐算法存在的问题,其次,借助Vanilla算法和专家排序的方法规避视频评分的个体差异性,再次,在最近邻用户选择的过程中,充分考虑社交网络中的情境信息,进而改善了推荐数据有效性和预测准确度的问题.最后,提取爱奇艺视频网站的实验数据,验证了推荐策略的科学性和有效性.     

认知采择水平的言语认知画像与分析

心理数据具有秩统计量、总体分布未知、数据模糊性等特征,利用秩检验、Fisher判别以及人工神经网络等非参数统计方法对心理行为进行"画像"与分析,不仅可以勾画出仿真程度较高的心理行为"画像",而且可以降低对心理行为分类、判别与预测时可能存在的"失真"危险。在基于6732份数据的认知采择水平的言语认知画像模拟实例中,证实了动词、方位词等言语认知投射认知采择心理行为的"画像"效应。     

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.     

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。     

基于犹豫模糊相似的网络正能量推荐算法研究

论文依据网络正能量模糊性和多规则的特点,借助语言犹豫模糊集和普通犹豫模糊集建立正能量事件的评价集,针对事件属性对正能量的影响效应确定各属性的模糊熵和权重,建立犹豫模糊推荐模型。借助TOPSIS的思想,从大数据中得到正能量事件的标准值,通过事件与标准值模糊相似度的计算确定推荐阈值以得到满意的正能量事件推荐结果。     

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.