个性化推荐系统

摘要： 在以往的推荐系统模型中,大多是通过协同过滤算法实现的,所以会存在冷启动和数据稀疏性等问题,从而导致推荐质量不高。一般的解决办法就是通过加入一些附加的语义信息来提升推荐的精度。而知识图谱中就包含了大量的语义内容,可以在推荐系统中引入知识图谱作为附加信息。因此,本文提出了基于知识图谱的个性化推荐系统构建。在推荐模型中加入知识图谱,可以很好的增强推荐的准确性。

摘要： 个性化推荐系统分为离线系统和在线系统,二者相互联系、相互配合,且它在发展过程中也存在一些问题。针对以上问题,可以通过用户主导推荐和项目指导推荐分别进行改进。另外,好的个性化推荐系统离不开优秀的设计,主要分为4个管理系统:源数据管理、ETL管理、数据策略管理和集群管理,重点是数据策略管理。该文通过对协同过滤算法的个性化推荐系统进行分析,希望能够通过该文简单的分析探讨为后研究者提供借鉴意义。

摘要： E-Learning领域的推荐系统在满足学习者个性化学习需求方面发挥着重要作用。近年来,国际上围绕E-Learning推荐系统开展的研究迅速增多。采用文献计量分析方法对该领域的研究进行系统分析,有助于为E-Learning推荐系统的高水平研究和高质量应用提供镜鉴。综括而言,当前国际E-Learning领域的推荐系统研究热点及其演变趋势集中体现在6个方面:一是融合多种技术优势的混合推荐日益受到重视且逐渐成为主流。二是伴随技术支持下群体学习的多元发展,个性化推荐由关注个体推荐逐步转向关注群体推荐。三是随着大规模开放在线课程的流行,个性化推荐逐步突破小规模而面向大规模学习者群体,重视通过对海量学习资源和过程数据的搜集和挖掘而提供个性化推荐。四是从心理学层面关注学习者情绪变化,并据此构建上下文推荐系统,通过优化调整推荐内容不断促进学习者高效完成学习任务。五是在推荐功能上更加强调学习模型构建,重视提升学习者的深层次认知能力和促进有效学习。六是在先进技术的支持上,个性化推荐系统强调引入深度学习技术,不断优化其表征能力、融合效率和推荐效果。

摘要： 近年来,众多聚合型新闻客户端不断兴起。为了更好地服务大众而进行的个性化推荐研究也逐渐进入人们的视线中,成为连接用户和信息的重要途径,同时也为海量信息内容时代建立了一种全新的服务模式。本文主要通过对“今日头条”App 进行个性化推荐过程中所产生的联系与发展问题的分析,进一步探讨了聚合型新闻客户端的个性化推荐发展问题。

摘要： 本文为了解决参学干部面临的资源困惑,提出在干部在线学习过程中,使用基于Web使用挖掘和基于用户的协同过滤技术相结合的推荐方法构建个性化推荐模型,进而为参学干部推送感兴趣的学习资源。这种推荐机制解决了参学干部面临的资源困惑,同时也使他们拥有了更好的学习体验。

摘要： 为了通过充分挖掘和分析用户的学习行为规律及认知特点,借助互联网和人工智能技术提升个性化教育的深度和广度,设计了一个包含用户画像的个性化学习资源推荐系统.该系统由数据层、数据分析层和推荐计算层构成.数据层由用户数据以及包含知识资料、学习资料和标签集的资源库组成;数据分析层融合了以基础信息、学习行为等为代表的静态数据和动态数据,据此为用户生成个性化画像、提供直观形象的学习反馈;推荐计算层则通过相似性分析和聚类算法发现用户的学习行为规律,使用TF-IDF方法挖掘用户的资源偏好,并据此给出个性化的学习建议.该系统已应用于一个以人工智能类课程为主的在线教育平台,为师生提供个性化画像、学习反馈与资料推荐的服务,当前处于第二个学期的试用阶段.

摘要： IPTV丰富的多媒体业务能够较好地满足家庭用户多样化的收视需求.为了提升业务运营效果,提高用户黏性,IPTV需要实现"千人千面"的智慧运营.个性化推荐系统常被用于解决智慧运营中的信息过载问题,但同时也会受到数据稀疏性、冷启动以及可解释性等问题的困扰.本文介绍了基于节目知识图谱、图神经网络及点击率预估的个性化推荐系统,分析了它们在IPTV节目推荐系统的应用.借助三种新技术,将有助于挖掘用户的个性化需求,提高个性化推荐的推荐效果.

摘要： 基于隐私关注理论和心理抗拒理论研究个性化推荐系统对健康类APP用户不持续使用意愿的影响,通过问卷调查和结构方程模型方法进行实证研究.研究发现,在健康类APP的应用场景下,个性化推荐系统对用户不持续使用意愿具有直接的显著影响,个性化推荐系统至少存在两个不利影响的作用路径,其一是对隐私关注具有直接的正向影响作用;其二是对用户感知视野狭窄具有直接的正向影响作用.感知视野狭窄对健康类APP不持续使用意愿具有间接的正向影响关系,通过心理抗拒诱发对用户不持续使用意愿的影响,实证研究也表明,心理抗拒对用户不持续使用APP具有直接正向的影响关系.

摘要： 新一代信息技术促进了教学方式的变革,涌现出很多优秀的线上教学平台,如职教云、腾讯课堂等.线上课程具有不受时空限制、授课形式灵活多样的特点,在新冠肺炎疫情期间得到广泛应用,但大量线上课程的出现也给学生选课带来了困扰,为便于学生在众多的课程中选择适合自身特点的课程,设计开发了一款个性化课程推荐系统,系统采用协同过滤推荐算法,根据学生对课程的历史评分数据,使用大数据Hadoop离线计算框架MapReduce技术计算课程之间的相似度并生成课程推荐列表,在一定程度上满足了学生个性化需求.

摘要： 本文基于搭建大数据平台所需的Hadoop相关技术组件设计了个性化推荐系统,在分析个性化推荐系统设计的关键技术的基础上,对电商平台个性化推荐系统进行了设计,提高了用户检索商品的精准度,改善用户体验,为电商平台带来了更大的经济效益。

摘要： 终身学习体系的建立,一直都是教育界研究的热点问题.在高速发展的信息社会,单纯注重知识的学习已经无法满足学习者及社会的发展需求,需要在终身教育的各个阶段注重学习者的能力发展.本研究是将个性化推荐的服务理念,能力导向的评估思想,引入到终身学习数字化服务体系中,构建一个能力导向的终身学习个性化推荐系统,以期为我国终身学习数字化学习体系的构建提供一种新的解决思路.

摘要： 在信息量越来越大的今天,基于各种推荐技术的个性化推荐系统应运而生,为了使用户及时从大量数据中得到所需信息,电子商务个性化信息推荐服务应运而生.协同过滤推荐技术作为目前最成熟、最成功的推荐技术,得到了广泛的应用.协同过滤通过收集用户的兴趣爱好,及其他用户的评分信息、计算用户间的相似度,从而进行推荐.然而由于数据稀疏度、冷启动、算法的可扩展性问题严重影响了推荐的准确度,推荐系统的应用和推广遇到了瓶颈.

摘要： 我国智慧景区建设快速发展,但对其核心技术的研究相对滞后;通过梳理智慧景区的研究现状,指出智慧景区的建设应该突出新技术的智慧特性,满足游客的个性化需求,提供智能化的高满意度服务.通过景区景点本体构建,阐述了景区本体构建的基本方法;基于景区本体构建和语义web技术开发了基于景区本体的景点个性化推荐系统,并通过原型演示说明了系统的智能性和有效性.

摘要： 目前常用的个性化推荐系统模型通常是基于协同过滤或者是基于内容的,也有部分基于关联规则的.这些算法没有考虑事务间的顺序,然而在很多应用中这样的顺序是很重要.本文提出了一种简易的基于序列模式的推荐模型,并且考虑到大规模数据的处理,结合了MapReduce编程模型.这种简易的推荐模型可以用来辅助通常的个性化推荐系统.

摘要： 个性化推荐技术是解决信息过载问题的有效工具.虽然个性化推荐在网络环境下得到了广泛应用,但是,在实体超市实施个性化推荐面临着众多挑战.为了支持实体超市的个性化服务需求,本文提出了一种面向实体超市的个性化推荐系统架构,该系统架构由数据库接口、用户交互界面和推荐引擎三部分组成。其中用户交互界面包括用户识别模块和推荐展示模块，用户识别模块集成了Wi-Fi信号识别、指纹识别、人脸识别等多种功能，系统识别目标用户后由推荐引擎调用离线生成的目标用户推荐列表返回给推荐展示模块。推荐展示有短信展示、邮件展示和推荐终端展示等方式。

摘要： 在传统的协同过滤算法基础上,引入蚁群算法,提出一种基于浏览路径选择的蚁群推荐算法,并对算法的数据原型、目标函数、项目信息素更新规则和算法的输入输出以及具体推荐流程进行详细的阐述,通过仿真实验验证算法的性能,并探析算法在移动商务推荐体系中的应用.

摘要： 本文设计基于机器学习的个性化运动处方推荐系统,集体质测试与评价、运动风险评估、个性化运动处方推荐、信息管理等功能为一体.系统以体质测试数据为基础,综合考虑影响体质健康的诸多因素,评估用户的运动能力、预测其可能的运动风险,给出体质健康评估报告;并结合用户的健身需求制定个性化的运动处方,与传统的普适化运动处方相比,系统推荐的处方充分考虑了用户个体的健身需求、生活习惯、饮食习惯等因素,科学化、个性化程度更高.

摘要： 本文设计基于机器学习的个性化运动处方推荐系统,集体质测试与评价、运动风险评估、个性化运动处方推荐、信息管理等功能为一体.系统以体质测试数据为基础,综合考虑影响体质健康的诸多因素,评估用户的运动能力、预测其可能的运动风险,给出体质健康评估报告;并结合用户的健身需求制定个性化的运动处方,与传统的普适化运动处方相比,系统推荐的处方充分考虑了用户个体的健身需求、生活习惯、饮食习惯等因素,科学化、个性化程度更高.

摘要： 本文设计基于机器学习的个性化运动处方推荐系统,集体质测试与评价、运动风险评估、个性化运动处方推荐、信息管理等功能为一体.系统以体质测试数据为基础,综合考虑影响体质健康的诸多因素,评估用户的运动能力、预测其可能的运动风险,给出体质健康评估报告;并结合用户的健身需求制定个性化的运动处方,与传统的普适化运动处方相比,系统推荐的处方充分考虑了用户个体的健身需求、生活习惯、饮食习惯等因素,科学化、个性化程度更高.

摘要： 本文设计基于机器学习的个性化运动处方推荐系统,集体质测试与评价、运动风险评估、个性化运动处方推荐、信息管理等功能为一体.系统以体质测试数据为基础,综合考虑影响体质健康的诸多因素,评估用户的运动能力、预测其可能的运动风险,给出体质健康评估报告;并结合用户的健身需求制定个性化的运动处方,与传统的普适化运动处方相比,系统推荐的处方充分考虑了用户个体的健身需求、生活习惯、饮食习惯等因素,科学化、个性化程度更高.

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： 本发明公开了一种网络教学资源推荐系统及方法。该系统包括：数据构建模块，其构建教师行为数据、教师模型数据、课程模型数据、资源模型数据；离线数据处理模块，其用于初始化和调整课程模型数据和资源模型数据，并利用教师行为数据推断教师身份，根据教师行为数据计算资源之间的关联度，根据资源模型数据计算资源之间的相似度，根据资源模型数据和课程模型数据计算课程与资源之间的关联度；在线推荐模块，其利用资源之间的关联度、资源之间的相似度、课程与资源的关联度、教师的动态描述在线推荐资源，还根据教师对推荐资源的反馈推荐资源标签，并通过UI交互，将教师的行为数据传输到数据构建模块的教师行为数据中。

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： 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： 本发明公开了一种个性化推荐系统的分布式A/B测试方法，包括，数据进行模块或系统间的分流，同时在数据上增加模块或系统的标识；数据在模块内或系统内进行流程间再分流，再分流同时在数据上增加对应流程的标识；客户端采集用户行为点数据并与对应的带有模块或系统标识及流程标识的数据整合上传服务器。本发明的分流策略支持多维度多方法的分流实现，数据流程进行多维度多方法的反馈数据的跟踪，便于多维度多方法区分统计。分流同时记录流程信息，即同时记录流程中的维度使用的方法,即对应数据跟踪，各个细节处处理均在数据上打下标识，后续可处理性强，可满足不同层级的分析需求。

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： 本发明公开了基于用户属性评分导向的个性化推荐系统及其推荐方法，该系统包括：数据预处理模块，用于对网络文本内容进行爬取预处理，预处理后的文本进行标注关键词标签；用户交互模块，用于收集用户历史浏览信息和评分信息产生用户属性文档和评分矩阵；相似近邻用户查找模块，用于据用户的历史数据对应的属性文档建立隐含狄利克雷分布模型；兴趣分布扢掘模块，用于根据近邻用户结合皮尔逊相似度和上述隐式狄利克雷分布挖掘所述用户的兴趣分布。本发明利用一种评分导向的隐式的狄利克雷分布的方法，提升评分准确度，文本不仅可以帮助用户和内容平台对海量文本内容进行管理，也能在新媒体、电子商务等很多应用场景下提高现有系统的准确性。

摘要： 本发明公开了一种基于行业上下游关系的个性化推荐系统，包括：数据同步模块；标签计算模块：用于按照行业关系对用户标签进行分类，并根据每一类中用户所持有的标签频度进行排序，获得标签顺序列表；所述行业关系包括上游行业、下游行业和同行业；用户计算模块：用于按照用户特征进行分类，然后对每类用户按照预定的规则计算排序指标，然后根据计算结果排序，获得用户顺序列表，进一步还包括标签推送模块和用户推送模块。该系统保证与用户业务相关性比较高的用户可以优先被推荐。同时本发明还提供了与上述系统相对应的推荐方法。