基于互信息的鲁棒跨域推荐系统

由于大量新用户和新产品的出现,跨域推荐系统已经成为解决推荐系统冷启动问题的关键。然而,现有的跨域推荐系统都假设其训练数据中不存在任何的错误标注,但是在现实情况下,该假设很难得到满足,这就导致了跨域推荐系统在相当多的真实推荐场景下的表现很难令人满意。为了减少现实情况下错误标注对跨域推荐系统的影响,提高真实推荐场景下跨域推荐系统推荐结果的准确性,本文提出了一种基于互信息的鲁棒跨域推荐系统,该推荐系统由域分离网络和互信息鲁棒风险两个模块构成。域分离网络模块很好地解决了源域与目标域差异的问题;在互信息鲁棒风险模块中,提出了一个基于互信息的风险函数来过滤掉数据中的错误标注,使用该风险函数所训练出的跨域推荐系统可以很好地处理训练数据中存在的错误信息,使跨域推荐系统能更好地应用在各种真实的推荐场景下。本文采用对比试验的方法,在真实的数据集上将所提出的方法与几种现有的推荐方法进行了比较,试验表明,现有的推荐方法在现实情况下很难不受到错误标注的影响,而本文提出的方法很好地应对了错误标注的影响,具有更优越的性能。     

基于深度学习的智能学习资源推荐算法

为了提高资源推荐性能,采用广义回归神经网络完成资源推荐。首先,提取推荐系统的用户和资源特征,选择两者的特征差异值之和作为推荐系统目标函数,然后构建广义回归神经网络(Generalized regression neural network, GRNN)资源推荐模型。考虑到GRNN训练效果对平滑因子和核函数中心的依赖性强的特点,引入差分进化(Differential evolution, DE)算法对GRNN的平滑因子和核函数中心偏移因子进行优化求解：选择最小特征差异值求解函数作为DE算法适应度函数,通过DE算法的多次交叉、变异和选择操作,获得最优平滑因子和偏移因子。最后采用优化后的平滑因子和偏移因子进行GRNN资源推荐,生成特征差异较小的候选资源序列作为资源推荐序列。试验证明,选择合理的DE算法交叉速率和差分缩放因子,能够获得较好的平滑因子和偏移因子,GRNN也能够获得更好的推荐效果。和常用资源推荐算法比较,对于3种不同的训练样本,该文算法能够获得更优的资源推荐准确率,且RMSE值较低。     

大数据分析的海量教学视频资源管理系统

针对当前教学视频资源的海量性现象,设计大数据分析的海量教学视频资源管理系统。将系统划分为应用表现层、服务中间层、云存储层以及采集层。利用教学视频采集模块采集教学视频资源,并存储于云存储层内;对教学视频资源实施视频切割,视频帧提取等预处理,并将预处理后所得数据传输至Hadoop分布式文件系统HDFS中完成视频管理,采用教学视频推荐算法根据用户实际情况向用户推荐可用的教学视频,通过应用表现层呈现视频推荐结果。实验结果显示该系统可同时处理大量命令,具有较高的吞吐量,且具有较好的教学视频资源推荐性能。     

算法推荐技术的逻辑陷阱及规避

介绍了算法和算法推荐技术的逻辑.作为数据和人工智能的节点,算法推荐技术在智媒时代的信息传播中,是一种用户权力的让渡和技术的赋权.由于把关人缺失和媒介追求流量、利润的导向,在信息筛选、匹配、分发、推送中存在数据滥用、侵犯隐私、信息泄露、技术黑箱、信息茧房等伦理失范问题和陷阱.提出需从法律规范、技术监管、多元推送等方面入手,在效率效益与公正责任两者之间找到平衡点,消解、规避算法推荐产生的不良影响.     

采用元路径时效衰减和引用模式划分的学术引文推荐

针对现有学术引文推荐算法中元路径特征无法衡量学术文献的时效性,且对元路径特征的利用和划分粒度较粗从而导致推荐精度不高的问题,提出了一种采用元路径时效衰减和引用模式划分的学术引文推荐方法。首先,利用元路径抽取丰富的引文特征,并在计算元路径特征时加入了时效衰减因子,提升了新发表文献的推荐精度;其次,提出了融合元路径特征的主题模型MpTM,该模型利用主题特征为文献划分引用模式,并联合学习文献的主题分布、引用模式和元路径特征权重,细化了元路径特征的粒度;最后,通过所有引用模式下的元路径特征加权值,为目标文献推荐学术引文。在AAN数据集上的实验结果表明:所提方法在准确率和召回率上平均提升约41.99%和22.43%,能够提升新发表文献和非权威文献的推荐精度,并能有效缓解引文链接的稀疏性问题。     

基于复杂属性商品的混合协同过滤推荐模型

协同过滤作为应用最广、研究最多的推荐算法,但依旧面临数据稀疏性、冷启动、数据质量差等固有问题,同时也鲜有研究者从实用角度基于商品性价比方面提高预测精确度.为此,本文综合考虑用户主观评分和商品客观评分,并在此基础上结合情境预过滤、社会网络理论以及专家意见提出了一种混合协同过滤推荐模型,在一定程度上缓解了上述缺点.并通过真实网上汽车销售数据实验,表明该模型相对传统协同过滤具有更高的预测精度,更适用于具有复杂属性的商品.     

一种优化的推荐算法

对个性化推荐系统算法进行改进,首先,不仅考虑用户所选的商品,而且考虑用户的打分,从而将资源分配法扩展为含权资源分配;其次,考虑用户的同有相似性.把这两方面相结合,发展了新的算法.数值试验表明,改进后的方法显著提高了推荐的精度和个性化程度.     

基于关联规则的网站个性化服务

从大量顾客在线购买历史记录中挖掘出有用的关联规则,是一种及时有效的向顾客推出个性化服务的重要技术.对网上书店的顾客在线购买行为进行挖掘分析,采用Apriori算法[1]找到其中的关联规则,采用支持度过滤方法获取频繁的顾客购买行为模式,提出根据用户的兴趣度和规则的置信度产生相应的推荐候选集,实现网上书店的个性化推荐服务.