基于软集理论驱动的毕业生推荐系统研究

网络技术的发展为毕业生与企业之间的顺利沟通提供了支持,但大多数招聘或推荐平台依然是各自"表演"的模式,缺乏有效对接.面向毕业生与企业的直接需求、核心需求,在软集理论驱动的基础上,构建一个智能的、支持决策的毕业生推荐平台.该平台允许用户自主设置属性及属性排序,对推荐结果进行优劣排序,使得推荐结果更加客观全面,符合大学生及企业的需求.最后实验表明该方法具有较高的性能.     

面向探索式搜索过程的查询推荐

查询推荐是一种提高用户搜索效率的重要工具,但是传统的推荐方法对于探索式搜索的推荐效果不好.针对此问题提出了一种新的面向探索式搜索过程的查询推荐方法,即根据用户搜索的行为模式,通过试探性查询重构和确认性查询重构两个过程,对探索式搜索过程进行建模,并根据影响探索式搜索过程的三种因素提出了一种排序算法,将确认性子查询中的查询推荐给用户.通过与传统推荐方法的对比实验验证了本模型及其推荐方法的有效性.     

P2P环境下考虑信任的协同过滤推荐模型研究

在P2P环境下,节点面临丰富的可用资源,因此很难快速定位自己感兴趣的文件。提出了一种考虑信任的协同过滤文件推荐模型,不仅提高了推荐准确度,还提高了节点的满意度,并有效地控制了由于信任问题导致的交易失败。     

基于评论分析的评分预测与推荐

推荐系统广泛地应用在网络平台中,推荐模型需要预测用户的喜好,帮助用户找到适合的电影、书籍、音乐等商品.通过对用户评分和评论信息的分析,可以发现用户关注的商品特征,并根据商品的特征,推测用户对该商品的喜好程度.本文提出将评论中隐含的语义内容与评分相结合,设计并实现了一种新颖的商品推荐模型.首先利用主题模型挖掘评论文本中隐含的主题分布,用主题分布刻画用户偏好和商品画像,在逻辑回归模型上训练主题与打分的关系,最终评分可以被视为是对用户偏好和商品画像的相似程度的量化表示.最后,本文在真实数据上进行了大量对比实验,结果证明该模型比对比系统性能优越且稳定.     

基于关联规则的课程信息推荐应用研究

网络教学系统中的课程资源丰富而繁多,借助数据挖掘技术,可以对这些资源进行有效挖掘,以期达到更充分、合理的使用.借助关联规则数据挖据方法,构建课程信息推荐模型,研究网络教学系统中的课程关联,为学生网络学习提供课程信息推荐.     

基于用户反馈的时序二部图推荐方法

推荐系统以用户购买行为相似性为基础,而用户购买不仅包括是与否的选择信息,还有其购买时间和购买后对产品的评价信息作为反馈结果.满意商品能正确反映用户兴趣偏好,而很久以前购买和负面评价的商品,则将误导用户兴趣的分析.因此,在传统二部图推荐的基础上加入用户评价和时间衰减因素,提出一种基于用户反馈的时序推荐方法,经过多个数据集上的实验证明,提出方法在不同推荐列表长度的命中率指标上均有较大幅度的提升.     

《应用数学和力学》来稿简则

1.我刊主要刊登有关力学、力学中的数学方法和与近代力学密切相关的应用数学的创造性学术论文。我刊以中、英文两种版本公开发行,惠稿请提供内容相同的中、英文稿电子文档。稿件力求简短,一般在3000～5000字左右,以不超过8000字为宜。2.我刊实行编委推荐制,投稿须经编委负责推荐,由主编最终审定安排发表。编委推荐稿件应有编委署名或盖章的推荐信方为有效。     

论混合推荐算法在医疗设备检测中的应用

针对医疗设备故障检测中存在的问题,通过选用QuickXPlain算法获取最小冲突集以计算约束推荐系统各方案的可信度,使用有限状态机获取用户需求末节点并结合关联规则计算各方案的可信度,将各维修方案的两种可信度均值大小作为最终推荐方案选择的标准,构建基于约束与基于关联规则的混合推荐系统。仿真试验结果显示,相比其他传统推荐算法,该系统在推荐方案数量较大时,整体推荐准确率最高,当推荐方案数量为8时,推荐准确率为91.62%,且它的大部分具体故障维修方案推荐准确率也最高,但其计算消耗内存更多。     

基于自注意力机制的TransNet推荐模型

在神经网络的推荐模型基础上引入自注意力机制,提出一种改进的基于自注意力机制TransNet推荐模型SATransNet。SATransNet模型使用卷积神经网络提取评论特征,通过自注意力神经网络自动学习特征内部的依赖关系,由依赖关系来决定需要关注的特征,从而解决数据表达能力不足的缺陷。本文在不同数据集上进行了实验比较与分析,SATransNet推荐模型在不同数据集上的预测评分较好,均方误差总体呈优。与基于注意力机制的推荐模型相比,SATransNet推荐模型的归一化折损累计增益均有提升,具有较好的预测评分效果和推荐相关性。     

一种基于桌面信息的个性化推荐方法

针对当前信息检索服务中存在的固有缺陷,提出了一种基于用户桌面信息抽取的个性化推荐方法.详细介绍了通过用户桌面资源信息抽取建立长期用户模型,以及通过工作场景信息抽取建立短期用户模型的算法.长期用户模型提供了完整全面的用户兴趣偏好信息,短期用户模型则为预测用户当前信息需求提供了依据.实验结果表明,基于用户桌面信息抽取的个性化推荐服务能较好地预测用户当前需求、具有良好的推荐效果.