个性化推荐

摘要： 目的 针对传统的网络信息资源个性化推荐方法 存在推荐效果不佳的问题,提出基于情景感知技术设计网络信息资源个性化推荐方法 .方法 以网络信息资源数据集的接触频率为切入点,挖掘用户行为模式,提取网络信息资源社会关系,匹配用户兴趣偏好,根据偏好数据,计算环境情景和社会关系情景间的用户综合情景相似度,基于情景感知,生成用户偏好推荐,从而完成网络信息资源个性化推荐.结果 仿真实验结果 表明,所提方法 的推荐项目相关性和用户偏好相关性分别为0.4和0.65.结论 所提方法 比传统方法 的推荐项目相关性和用户偏好相关性高,且推荐效果较好,具有一定的实际应用价值.

摘要： 传统的短视频个性化推荐方法无法保证平均召回率,导致其推荐结果不理想,因此,设计了一种基于数据挖掘的个性化推荐方法。该方法首先构建了短视频推荐框架,并在建立书画类短视频用户画像的基础上,基于数据挖掘过程处理书画类短视频数据,从而实现书画类短视频个性化推荐。实验结果表明,相比于传统方法,该方法的平均召回率较高,短视频推荐效果更好。

摘要： 面对海量的学习资源,如何为学习者推荐与情境相匹配的学习资源是亟需解决的问题。文章在详细描述学习资源个性化推荐情境要素的基础上,构建了包含情境感知层、资源管理层、学习诊断层、个性推荐层及学习者界面的学习资源个性化推荐系统,并阐述了系统的推荐流程及实现。在情境感知理论的基础上,构建以情境感知技术为核心的学习资源个性化推荐系统,能提高学习资源与学习者之间的动态适应性,更好地服务于学习者的个性化学习需求。

摘要： 谭昶毕业于中国科学技术大学计算机应用与技术专业,主要从事数据挖掘和推荐系统技术的研究和推广应用,在大数据技术、个性化推荐方面有着多年研究和实践经验。2015年,谭昶就职于科大讯飞,先后负责公司智慧城市、计算广告和个性化推荐等方向的大数据核心技术研发及应用推广工作,现任科大讯飞股份有限公司大数据研究院执行院长兼智慧城市事业群副总裁。作为中国计算机学会公共政策委员会执行委员及大数据专家委员会委员,谭昶对于大数据以及人工智能技术在公共服务领域的应用、行业人才的培养,也有诸多思考。

摘要： 为了提高个性化推荐系统性能,提出了一种基于深度受限玻尔兹曼机的个性化推荐方法。首先通过提取推荐系统的用户和资源特征构建多层受限玻尔兹曼机(Restricted Boltzmann machine,RBM)网络,从而形成深度受限玻尔兹曼机个性化推荐模型;其次通过可视和隐藏层的边缘概率分布求解待推荐训练样本的最大似然度;然后结合对比散度(Contrast divergence,CD)重构来获得RBM主要参数更新方式,并通过可视和隐藏层的正反向更新,来获得稳定的RBM结构;最后利用计算用户资源评分值实现个性化推荐。实验结果表明,在训练样本稀疏度合理范围内,与常用个性化推荐算法比较,所提方法通过合理控制RBM深度和设置合适的隐藏层节点数,能够获得更优的均方根误差(Root mean squared error,RMSE)性能。

摘要： 如今的用户面对着大量的信息,从中选取与自己联系密切的相关信息就显得非常困难了。电子商务平台、社区团购平台以及视频平台,面对日益增长的用户数据,需要从中挖掘有利于提高平台效率的信息,因此对用户的个性化推荐提出了更高的要求。各平台都希望能够把握每一个用户的动态信息,实施更加精准的个性化推荐,个性化推荐不仅能够提高平台的效率,也能够为用户带来极致的体验。由于传统的协同过滤算法评价体系中没有考虑到不同用户存在评分的差异,所以在准确性、精确性、差异性等方面仍然需要进一步的提高。该文主要针对在电影评分推荐协同过滤算法中精准化的需求,引入用户差异因子w_(v)^(u),融合原有的皮尔逊相似度计算,从而解决传统的协同过滤算法相似性计算中,针对不同用户具有不同评价体系存在一定偏差的问题。采用Movielens 1m电影评分数据集进行仿真,证明了改进后相似度计算的协同过滤算法能够降低MAE值。

摘要： 推荐算法已经渗入信息生产的各环节,它带来的技术、社会和伦理等问题成为学界关注的焦点。运用Citespace分析软件对2010—2019年国内新闻传播学领域个性化算法推荐共453篇文献进行科学知识图谱分析后发现,学界有关算法推荐问题的研究成果呈逐年上升趋势,并随着运用算法推荐的新闻分发平台的崛起而出现爆发式增长;研究热点相对集中于对算法推荐技术的思考、现象的探讨以及对挑战和机遇的分析。如何在技术的发展中把握主动,进行富有前瞻性的学术研究,则成为学界未来需要努力的方向。

摘要： 本文从抖音短视频APP入手,研究抖音短视频平台的内容分发所使用个性化推荐的一般模式,并且研究这种推荐模式对用户产生什么影响,本文就抖音的推送方式进行阐释后,再表明“信息茧房”的危害,对抖音的内容推荐模式产生的影响进行论述,分析为用户推荐内容的根本思路和逻辑是什么。本文经过分析得出,抖音用户的选择性心理是让用户走进“信息茧房”的首要条件,抖音平台中个性化推荐会进一步促进“信息茧房”现象的产生,从而使用户有“媒介依存症”,于是可能开始单一的信息获取路径,这会造成用户眼界受限。要想避免这一算法带来的弊端,就需要用户、内容分发平台、全社会三者联合来破除“信息茧房”的消极影响,都回归工具理性,让抖音短视频平台呈现出更有意义和内涵的社会价值。

摘要： 为有效管理大学就业信息,提升大学毕业生就业比率,设计基于大数据平台的大学就业信息管理系统。系统中毕业生管理平台用于毕业生编辑个人信息、了解就业相关信息、查看招聘信息;企业信息管理平台用于企业编辑自身资料与发布招聘信息,寻找符合岗位需求的毕业生;个性化推荐平台利用基于用户历史信息的推荐方法实现离线就业推荐,利用基于实时用户行为数据推荐方法实现在线实时就业推荐,提升就业比率;就业信息跟踪管理平台负责记录毕业生就业信息,核实招聘信息的真实性。实验证明,该系统在不同用户并发访问数量时的系统响应时间快、资源占用率低,有效提升了大学毕业生就业比率。

摘要： 随着互联网技术的发展以及2020年新冠疫情的爆发,越来越多的学生选择在线教育.然而在线课程数量庞大,往往无法及时找到合适的课程,个性化智能推荐系统是解决这一问题的有效方案.本文根据用户在线学习具有明显时序性的特点,提出一种基于改进自编码器的在线课程推荐模型.首先,利用长短期记忆网络改进自编码器,使得模型可以提取数据的时序性特征;然后,利用Softmax函数进行课程的推荐.实验结果表明,所提方法与协同过滤算法和基于传统自编码器的推荐模型相比,具有更高的推荐准确率.

摘要： 随着人们日常生活变得智能化,观看互联网电视占据了人们娱乐休闲时光的绝大部分时间,互联网电视行业行情一片大好,是运营商在智能化时代的又一大商机.然而随着人们生活品质的提升,对互联网电视内容的需求也在不断增长,运营商不能止步于为客户提供传统的电视业务,应从客户需求出发,应用个性化推荐技术为客户提供有针对性的内容及服务,从而实现商业效益及品牌口碑的双丰收.

摘要： 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.

摘要： 介绍了人工智能进入金融领域的方式，主要包括：AI技术服务、金融产品或服务的个性化推荐、分配定价、投资管理、防伪、产品增强等。

摘要： 本文分析了大数据时代图书馆信息资源个性化推荐存在的若干问题,从协同推荐、新用户推荐、统一推荐、实时推荐等方面提出了相应的推荐策略与模型,以应对大数据给图书馆带来的挑战.

摘要： 文章介绍了学习分析、个性化推荐的相关概念,通过获取学习者的基本信息数据、学习行为数据、交流数据等,应用多种学习分析方法与个性化推送技术相结合的方法,提出了个性化学习资源推荐策略,并在此基础上建立了在线学习资源个性化推送模型,以期为未来研究者提供参考.

摘要： 针对高血压、糖尿病等慢性病人群的健康管理,通过半自动化的方式收集慢病相关的健康知识,构建了具有一定规模的健康知识库,并为健康知识库中的知识添加标签;运用医学自然语言处理技术对健康知识文本进行分析,实现了基于统计学的关键词提取算法并对算法进行了改进;对患者的健康数据进行分析提取,同时基于ICD-10、MeSH、临床指南等权威资源的相应主题词表构建了健康领域的主题词表;基于规则将患者特征映射至主题词表.半自动化处理能够提高健康知识库的构建效率,而知识库和用户标签匹配的个性化推荐,可以显著提高知识库的使用效果.

摘要： 文章选取国内外不同教育领域内具有影响力的移动学习App,针对其个性化学习设计进行比较分析,了解国内外移动学习App个性化建设现状,希望在此基础上为国内其他学习应用向个性化学习迈进提供一些建议.从海量的资源中为学习者提供其真正所需资源，应作为衡量移动学习是否真正实现了个性化学习的指标之一，建议ML-APP采用自适应技术，根据学习者风格动态呈现资源形式，根据学习者学习需求和兴趣个性化推荐学习内容。移动学习首先需要丰富学习方式，除独立学习以外，可以增加其他类型的学习方式来激发学习者的学习兴趣比如给予奖惩措施激发竞争式学习，构建学习群加强协作学习。此外，利用大数据学习分析能够深入探究学习过程与情景，据此可改善学习评价，提供个性化学习反馈。

摘要： 在大数据时代,社交网络以及以社交为基础的互联网应用不断迅猛发展,其背后带来的是数据的爆炸式增长.对用户数据的采集以及合理的推荐,成为了各大网站的重要课题.用户画像提取过程,是个性化推荐的关键步骤.随着社交网络的快速发展,媒体类型不断丰富,用户参与门槛的不断降低.用户表达的数据模态逐渐呈现多样,为用户画像提取提供了广阔空间.随着用户画像数量的不断递增,利用大数据技术,有效的存储、计算用户画像,逐渐成为研究热点.本文首先介绍了相关的背景,然后介绍了基于大数据的用户画像构建方法,并介绍了不同数据集中的用户画像的应用,最后本文对基于大数据的用户画像方法进行了总结和展望,指明了该技术当前存在的问题与发展趋势.

摘要： 基于UWB高精度室内定位技术,采集游客参观展馆位置数据,对数据进行初步整理分类、统计分析,画出游客参观展馆热力分布图.其次,利用人工智能领域协同过滤算法(Collaborative Filtering)对数据进一步分析挖掘,得到各展台热度排名,并得到不同类型游客的参观特性指标以及各展台的特性指标.基于算法分析所得结果,为不同类型游客推荐个性化参观路线,并通过与统计结果的对比验证推荐结果的合理与准确性.同时为类似场馆和新场馆的建设、排布提供改进建议.

摘要： 基于UWB高精度室内定位技术,采集游客参观展馆位置数据,对数据进行初步整理分类、统计分析,画出游客参观展馆热力分布图.其次,利用人工智能领域协同过滤算法(Collaborative Filtering)对数据进一步分析挖掘,得到各展台热度排名,并得到不同类型游客的参观特性指标以及各展台的特性指标.基于算法分析所得结果,为不同类型游客推荐个性化参观路线,并通过与统计结果的对比验证推荐结果的合理与准确性.同时为类似场馆和新场馆的建设、排布提供改进建议.

摘要： 本发明提供一种基于矩阵因子分解的个性化推荐方法及推荐系统，该方法包括：搭建面向大数据的计算平台；在已搭建的计算平台内计算目标用户和其它用户的相似性；基于矩阵因子分解并结合目标用户和其它用户的相似性对目标用户未选择过的商品进行评分预测；对目标用户未选择过的商品按照预测的评分大小进行排序后推荐给目标用户。

摘要： 本发明属于个性化推荐技术领域，公开了一种基于聚类群组发现的推荐系统及方法、个性化推荐系统，根据在线系统对用户操作行为数据的采集，提取出用户‑项目矩阵；实现将整个用户‑项目数据集分割成多个内部关联性很强的分组，通过欧几里得等相似度计算方法和聚类算法的结合；在分组内直接使用协同过滤算法得出推荐结果。本发明在直接使用推荐算法之前进行数据预处理，利用模糊聚类将数据分组，并整合在每个分组中的预测评分得出最终的推荐结果。在保证整个推荐系统正常运行的情况下，通过模糊聚类群组发现的数据预处理方法让推荐算法可以直接作用在关联性很强的单组数据而不必作用在全部数据，提高了推荐系统在面对海量数据的扩展性和精确度。

摘要： 本发明提供了一种基于跨领域的机票个性化推荐系统及推荐方法，包括：多个领域矩阵，其中，多个领域矩阵分为主领域矩阵和辅助领域矩阵；所述主领域矩阵和辅助领域矩阵中均包括相同的用户数据。步骤S1，获取用户历史机票订单；步骤S2，拆分用户历史机票订单为多个领域矩阵；步骤S3，将多个领域矩阵转化为一个多维张量，并训练多维张量得到多维张量的特征；步骤S4，利用多维张量的特征还原多个领域矩阵的主领域矩阵，根据主领域矩阵中值的大小进行推荐。本发明充分利用了历史订单的数据，将用户偏好细分成用户关于不同领域的偏好，从而丰富了用于构建模型所需的信息，也可以用在其他具有类似应用场景的推荐技术中。

摘要： 本发明涉及基于大数据和数据挖掘推荐系统技术领域，尤其是一种个性化推荐系统的推荐方法。本发明系统包括：数据接口层、用户日志系统、知识库、实体关系图库、推荐运算系统。数据接口层用于与上层业务系统进行通信；用户日志系统包含用户在应用系统里的所有操作记录；知识库是应用系统里所有数据的集合和推荐系统的学习集；实体关系图库用于存储用户、数据实体、属性等相互之间的关联关系；推荐运算系统是综合用户偏好和用户权值根据特定的算法自动向用户推荐其感兴趣的话题数据。本发明解决推荐系统的冷启动问题以及用户的兴趣不断变化带来的推荐运算复杂度增长的问题；可以用于大数据的处理。

摘要： 公开了一种个性化推荐方法、个性化推荐装置和电子设备。该个性化推荐方法包括：获取用户选择特征数据，所述用户选择特征数据表示用户对于互动媒体内容的互动选项的选择；使用所述用户选择特征数据对用户进行分类以获得用户类型特征数据；以及，使用所述用户类型特征数据确定个性化推荐结果。这样，实现了符合用户需求的个性化推荐。

摘要： 本发明提供了一种基于混合推荐的数字化图书馆资源个性化推荐方法与系统，包括如下五个步骤：步骤1，用户资料管理与维护；步骤2，图书资源数据提取与管理；步骤3，图书资源内容数据分析；步骤4，用户行为数据分析；步骤5，图书资源个性化推荐。本发明利用数字化图书馆中已有的数字化信息，面向用户进行个性化图书资源推荐，为有效地利用图书资源提供一种新的思路，并以该方法为基础，提出了一种基于混合推荐的个性化资源推荐系统。通过该方法进行数据分析和资源推荐，可以有效地帮助用户发现自己感兴趣的图书资料，同时有效提高图书资料的流通利用率和用户满意度，为国家知识创新提供有效的技术支撑。

摘要： 本发明公开了通用个性化推荐方法、推荐系统及训练方法，包括获取用户对象数据；根据用户对象数据获取待推荐的物品对象数据以及场景对象数据；将所述用户对象数据、物品对象数据以及场景对象数据分别映射为向量；将所有向量拼接后作为输入特征；使用排序模型基于所述输入特征对推荐结果进行打分并基于得分排序。在训练的过程中，本发明根据专家经验和业务规则确定对象之间的关系并转化为向量之间的关系，向量距离表征知识和经验，在推荐过程中自动化实现业务规则、人工经验的通用化，无需在不同的推荐场景定制化不同的业务规则。本发明能够解决推荐系统因为画像系统模块造成的低通用性和低扩展性。

摘要： 公开了一种样本数据的生成方法、用于生成推荐模型的对象权值的方法、个性化推荐方法、装置和电子设备。该样本数据的生成方法包括：基于被推荐方行为数据及推荐模型产生的推荐数据，生成被推荐方的基础推荐数据集合；针对被推荐方的基础推荐数据集合中的基础推荐数据，生成所述被推荐方的偏好数据集合；以及，基于所述被推荐方的基础推荐数据集合中的基础推荐数据，对所述被推荐方的偏好数据集合进行筛选，以确定用于对推荐模型进行训练的有效样本数据。这样，可以获得准确表征被推荐方个性化倾向的样本数据，并使得推荐对象更加符合被推荐方偏好，且通过以此来进行个性化推荐，可以提高推荐的准确性，并改善被推荐方体验。

摘要： 本发明公开了一种基于多类型学术成果画像及混合推荐策略的个性化推荐方法，包括：为用户和学术成果画像，以及对每种学术成果采用合适的推荐策略；所述为用户和学术成果画像包括用户画像、论文画像、期刊画像、学者画像、学科画像与基金画像；对每种学术成果采用合适的推荐策略包括基于项目协同过滤推荐及基于内容推荐。

摘要： 本发明涉及数据处理技术领域，公开了一种个性化推荐方法及终端设备、推荐设备、计算机可读存储介质。本发明通过终端设备获取用户的历史操作行为数据，并由推荐设备基于该历史操作行为数据进行人口统计学中预设目标内容的概率分布，从而确定推荐内容，以使得终端设备获取到该推荐内容；解决了相关技术中个性化推荐不合理，存在用户个人隐私数据泄露的风险的问题。