基于用户模型的个性化推荐系统影响研究

个性化推荐技术是当前研究热点之一。文章首先对常见推荐技术进行分析,再从基于内容的推荐技术、协同过滤推荐技术以及对推荐结果的解释等三个方面进行分析,然后提出用户模型是个性化推荐技术的基础,最后指出提高用户模型的质量是提高推荐系统的重要途径。     

一种基于稀疏矩阵划分的个性化推荐算法

文章提出稀疏矩阵划分的思想,对资源评分矩阵进行划分,缩小近邻搜索的范围和需要预测的资源数目,减少数据稀疏性,提高了个性化推荐算法的可扩展性。另外,分别讨论了采取分类和聚类的方法对稀疏矩阵进行划分。实验结果表明：基于稀疏矩阵划分的个性化推荐算法在算法性能上优于传统协同过滤算法。     

个性化推荐系统用户兴趣建模方式的研究

用户兴趣模型是推荐系统产生个性化推荐的主要知识源，是实现个性化推荐的关键．针对用户兴趣进行建模是个性化推荐系统实现过程中的一个重要环节，本文从高校就业网站用户对象的特点出发，提出了一种将用户显性兴趣与隐性兴趣相结合的动态建模方法，此方法能有效的为用户对象进行推荐。     

个性化推荐系统安全防护研究

近年来,个性化推荐系统作为电子商务技术的一项重要研究内容,有效地解决了信息过载的问题,为用户提供了精准的个性化推荐服务并为厂商带来了更高的收益。但与此同时,随着数据规模的增大、用户信息数据重要性的提升,推荐系统安全问题开始受到广泛关注。个性化推荐系统如何保证用户数据安全,即使在恶意数据的干扰下仍能保证推荐系统的准确可靠亟待解决。文章就此,分析国内外的研究情况,首先介绍个性化推荐系统及其信任度的概念,明确了用户隐私数据安全对推荐系统的重要性;接着,介绍了常见的用户隐私数据保护策略;最后对推荐系统托攻击与其攻击检测算法进行归纳总结,并提出可供参考的解决方法。     

OTA系统中的个性化应用推荐系统研究

本文首先提出了OTA全新的个性化应用推荐系统模型,然后对移动用户下载使用与兴趣之间的关联作了讨论与分析,并给出了算法,最后对个性化推荐的两种常见实现方法,即聚类分析与关联规则进行了讨论,给出了OTA系统中的个性化应用推荐引擎的设计思路与实现算法.     

基于用户特征的高校图书馆个性化图书推荐研究

文章从理论上探讨了高校图书馆开展用户特征研究和个性化图书推荐的必要性和紧迫性,指出图书馆针对不同用户群体开展个性化图书推荐的策略,以及图书馆在其中承担的责任和作用。     

基于自编码器的影片个性化推荐模型研究

为了解决互联网电视更精确、更全面的内容个性化推荐需求,将自编码器模型应用于影片个性化推荐,主要形式为Top-N推荐。文章介绍了自编码器及其变种--降噪自编码器和协同降噪自编码器,详细说明了各自的模型结构和特性,提出了对自编码器模型进行优化的方法。通过对三种自编码器模型在公开数据集上的表现进行研究,得出了对于超参数选取、模型选择方面的结论,为个性化推荐场景的实际应用提供了重要参考依据。     

基于IPTV用户行为数据的个性化推荐系统的设计与实现

本文主要研究个性化推荐系统在新媒体行业的应用,通过对数据类型分类,设计联系用户和物品的评测模型,再利用数据采集架构采集用户行为数据,并用协同过滤算法得出推荐结果,解决了在IPTV领域用户量大、资源相对变化慢的个性化推荐问题;针对个性化推荐系统存在的问题,研究行业内相关成果,对个性化推荐系统的发展做出了展望,并对接下来的工作做了安排和计划.     

基于算法推荐的个性化广告传播研究

随着信息技术的迅速发展和互联网的广泛应用,个性化广告已成为广告行业的发展趋势。随着大数据技术的快速发展,基于算法推荐的个性化广告推荐技术越来越受到人们的关注。文章探讨基于算法推荐的个性化广告传播技术,包括算法推荐的原理、算法的分类、算法的实现流程和效果评估等。     

交互式电视中个性化推荐系统的研究

旨在分析研究如何把个性化推荐系统引入交互式电视中加以应用。概括介绍了个性化推荐系统的功能架构和组成要素,重点对几个主流的推荐算法进行分析和对比,总结了交互式电视中个性化推荐技术研究的重难点,分析了个性化推荐系统在未来交互式电视中的应用以及可能的研究方向。     

基于改进的混合模式个性化选课推荐技术研究

针对高等学校学生选课系统中存在的缺乏个性化课程推荐、选课效率较低的问题,通过对个性化推荐技术的分析研究,提出了基于内容、项目及用户属性的改进混合模式算法,并将该算法应用到选课系统中,用MACE数据集对算法进行验证。结果表明,该算法解决了个性化推荐技术中的冷启动问题,相关指标有明显提高,实现了课程与新课程的个性化推荐,并减少了选课的盲目性。     

面向自主意识的标签个性化推荐方法研究

在标签系统中,用户使用资源以及标签的习惯受到自身自主意识的影响.当前的标签个性化推荐方法缺乏对此类自主意识信息的描述,限制了个性化推荐的效果.通过采用类似LDA的概率模型,建模了用户的资源使用以及标签使用两方面的自主意识信息,实现了面向用户自主意识的标签推荐.模型的参数使用基于吉布斯抽样的方法进行估计,为快速高效计算模型参数提供了可能.实验结果显示该方法可以提供更高质量的标签个性化推荐结果.     

基于隐式反馈数据的个性化游戏推荐

现有推荐系统通常采用评分、评论等显式反馈数据实现个性化推荐.然而,显式反馈数据由于在实际中难以获取或因质量问题而往往变得不可用,从而导致相关推荐算法的应用范围受到很大限制.与此相反,诸如点击行为、浏览记录等隐式反馈数据在现实中大量存在.本文提出了一种面向游戏玩家的基于隐式反馈数据的游戏推荐方法.该方法综合考虑了玩家操作次数、操作时长等隐式反馈数据及其时效性,构建了基于伪评分的玩家对游戏的偏好模型,而后通过改进了的SVD++（Singular Value Decomposition++）算法实现个性化游戏推荐.在大规模真实数据集上的实验结果表明本文提出的方法具有更高的推荐精确率和召回率.     

基于用户群组行为分析的视频推荐方法研究

该文采用权重增量及相似聚集的用户行为分析算法,为用户推荐个性化视频提供了一个有效的解决方案。方法包含3个主要部分,首先利用RFM(Recentness, Frequency, Monetary amount)模型分析用户的行为,将相同行为的用户归为一组;然后结合用户的最近习惯,使用基于权重增量的Apriori算法挖掘用户之间的关联规则,并用向量空间模型进行相似度计算从而实现用户相似聚集;最后进行协同过滤式推荐,完成整体个性化视频推荐过程。该方法的特点是行为数据自动收集获取,避免了直接对视频大数据的处理;另外,视频推荐随着用户行为的改变而动态变化,更加符合实际情况。实验结果表明,该方法有效并且稳定,相比于单一推荐方法,在准确率、召回率等综合指标上均有明显提升。     

基于用户兴趣和推荐信任域的微博推荐

向用户推荐其感兴趣的微博,是改善用户体验的重要途径.为使推荐的微博更加符合用户的兴趣和品味,提出的微博推荐方法不仅考虑用户自身的特点,而且还考虑所在社区对微博的评价.在技术实现上,采用支持向量机进行文本分类,以便发现用户的兴趣偏好;通过多维Newman算法进行用户社区的发现,并将社区视为推荐信任域.最后采用改进的协同过滤算法综合用户兴趣偏好和推荐信任域进行微博推荐,以此提高微博推荐的质量.实验结果表明,提出的微博推荐方法是切实有效的.     

基于混杂社会网络的个性化Web服务推荐方法

为了缓解Web服务推荐中存在的冷启动和数据稀疏问题,以及满足用户个性化的需求,本文提出了基于混杂社会网络的Web服务推荐框架及算法.该网络加入了服务提供者这一元素,可提供更多的真实信息,有助于缓解冷启动问题.根据提出的服务推荐框架,设计了用户-候选服务信任值预测算法（Computing Trust Value,CTV）,以及服务推荐算法（Recommend Queue,RQ）.在真实数据集上建立实验,结果表明本文提出的方法在预测准确率MAE、RMSE,推荐准确率MAP、NDCG,以及填充率和覆盖率上都有所提高,有助于提升个性化推荐的性能.     

基于潜在因子模型的跨领域信息推荐算法

互联网环境下,不同领域中多源异构信息对象的交互融合使用户面临大数据环境下的信息选择困境,传统的信息推荐算法已很难适应跨领域的信息推荐服务.综合分析了不同领域内用户对信息对象的评价数据,基于潜在因子模型抽取了不同领域中某一用户聚类集合对某一信息对象聚类集合评分模式的跨领域共性特征和单领域个性特征,进而通过传递、共享跨域共性特征信息的方式缓解了目标领域的数据稀疏性问题,提高了跨域信息推荐的准确度.     

一种新颖的协同推荐算法研究

为了克服协同推荐系统中的用户评分数据稀疏性和推荐实时性差的问题,提出了一种高效的基于粗集的个性化推荐算法.该算法首先利用维数简化技术对评分矩阵进行优化,然后采用分类近似质量计算用户间的相似性形成最近邻居,从而降低数据稀疏性和提高最近邻寻找准确性.实验结果表明,该算法有效地解决用户评分数据极端稀疏情况下传统相似性度量方法存在的问题,显著地提高推荐系统的推荐质量.     

一种基于RFM模型的新型协同过滤个性化推荐算法

摘要：为了提高个性化推荐效果及预测准确度,特别是针对传统算法中评分矩阵过于稀疏等问题提出一种新颖的协同过滤算法。该算法首先利用RFM模型合理地筛选用户信息,其次通过黏性客户的消费记录稠密化用户—项目评分矩阵,并改进了传统相似度计算公式。通过仿真实验证实了算法的准确性,最后将其应用于一套具有个性化商品推荐功能的系统原型中,证明了该推荐算法的有效性及实用性。