冒充性攻击下无线传感节点信息数据安全推荐算法

冒充性攻击伪装成合法的通信实体,向无线传感网络中的传感节点发送虚假的信息或命令,降低了网络信息数据推荐的效率,影响网络安全性。为此,研究了一种冒充性攻击下的无线传感信息数据安全推荐算法,以保证通信质量。计算冒充性攻击下的无线传感网络邻居节点的信任度,从中选取信任度取值比较高的节点组建备选推荐无线传感节点集合。对备选节点推荐集合展开数据去噪、冒充性攻击检测和重构处理,同时将用户自定义标签映射为标准标签,以此建立可躲避攻击节点模型。获取可躲避攻击的无线传感节点进行组网。仿真结果表明,所提算法在冒充性攻击下,查全率高于88%、平均响应时间低于390 ms、MAE和RMAE低于1.09%和0.95%。证明所提算法无线传感节点信息数据推荐效果较好,提高了无线传感网络通信质量和通信效率,保证了传输安全性和可靠性。

用于推荐系统聚类分析的用户兴趣度研究

根据推荐系统对用户(商品)聚类的要求,探讨采用用户(网页)兴趣度进行聚类分析的合理思想。通过用户浏览时间、浏览行为以及网页信息量差异等因素的对比,得出用户对某类商品的兴趣度计算方法。借助阈值的设定,定义了用户感兴趣的商品集、商品的感兴趣用户集和兴趣相似的用户集,得到了基于用户兴趣度的用户聚类的一般过程,具有一定的推广价值和借鉴意义。

基于隐式浏览输入的用户聚类分析

立足于隐式浏览信息难以获取的实际,首先定义能够描绘用户心理和行为的隐式兴趣度表达公式;接着得到了用户对产品类的兴趣度,从而得到了基于兴趣度的用户聚类分析结果。该研究不仅从一定程度上解决了用户信息获取的难题,也为推荐系统中的算法研究和推荐输出研究奠定了基础。

基于评分差异度和用户偏好的协同过滤算法

针对传统协同过滤推荐算法仅通过使用用户评分数据计算用户相似度以至于推荐精度不高的问题,提出一种改进的协同过滤推荐算法。首先,以用户评分的平均值作为分界点得出用户间的评分差异度,并将其作为权重因子计算基于评分的用户相似度;其次,依据用户项目评分和项目类别信息挖掘用户对项目类别的兴趣度以及用户项目偏好,并以此计算用户偏好相似度;然后,结合上述两种相似度加权产生用户综合相似度;最后,融合传统项目相似度和用户综合相似度进行评分预测及项目推荐。实验结果表明,相对于传统的基于用户评分的协同过滤推荐算法,所提算法在数据集下的平均绝对误差值平均降低了2.4%。该算法可在一定程度上提高推荐算法精度以及推荐质量。

不同推荐系统输入的聚类实现

论文在分析推荐输入瓶颈问题的基础上,借助社区思想实现了显式评分输入的用户聚类,解决了评分矩阵稀疏的问题;借助用户兴趣度的定义,实现了隐式浏览输入的用户聚类,解决了用户兴趣度不易获取的问题.论文的研究立足于推荐系统的输入,通过聚类分析,为推荐算法的研究奠定了理论基础.

基于网络平台的个性化知识推荐系统设计

本文利用学科知识点之间的层次关系图设计知识表示模型,而用户模型则以"用户的认知水平"和"用户兴趣"为中心而构建,在此基础上提出组合过滤推荐算法.该算法保留了内容过滤推荐算法和协同过滤推荐算法的优点,又弥补了两种算法的不足,通过测试评估,验证了组合过滤推荐算法的有效性和准确性.

移动电子商务推荐系统输入研究

在描述移动电子商务推荐系统的基本特征基础上,分析了显式评分输入和隐式浏览输入的差异,认为移动互联网环境下隐式浏览输入是推荐输入的主流。进而通过用户兴趣提取、用户兴趣计算以及浏览时间确定等环节,得到移动环境下用户对产品的兴趣度。该方法的提出一方面充实了移动推荐系统的理论研究成果,另一方面也对推荐系统中隐式浏览输入的研究有一定的推动作用。

信息过滤系统中用户文档更新策略研究

信息过滤系统(IFSystems)的目的是为了帮助用户查找用户感兴趣的信息。IF系统的用户文档(UserProfiles)表示用户的兴趣,用来匹配网络上的信息。当用户的兴趣发生变化时,用户文档就变得不精确,过滤质量下降。用户的兴趣变化不定,IF系统如何及时快速地更新用户文档以缩短系统性能下降的时间就变得非常的重要。通过对现有IF系统用户文档更新方法的研究,分析了它们的独到之处和存在的不足。

基于用户认知水平的分类别推荐

在线社会网络的出现,为进一步提高推荐质量提供了新的可能。基于信任的推荐不仅考虑了用户兴趣相似度,而且将信任关系融入推荐中,但却没有区分二者在推荐中的不同作用。通过对现实生活中的普遍规律及社会网络评分数据的分析,发现用户认知水平是影响信任关系和兴趣相似度在推荐中的作用的关键因素。给出用户认知水平的度量方式,并提出一种基于用户认知水平的分类别推荐。通过真实数据的实验表明,该算法较比传统协同过滤及基于信任的推荐可以获得更优的推荐质量。

基于借阅时间评分的协同图书推荐模型与应用

针对数字图书馆系统中的读者借阅历史数据,提出利用图书借阅时间计算读者兴趣度的评分数据模型。该模型把读者的借阅行为分为4种不同的类型:续借、超期借阅(长期超借与短期超借)、正常借阅、盲目借阅,设置阈值,分别计算其相对借阅时间,得出读者对图书的兴趣度。在该数据模型的基础上,实现一个基于协同过滤技术的图书推荐系统,验证模型的有效性。

电子商务隐式浏览输入中的用户聚类分析

针对隐式浏览输入中用户信息难以把握、推荐质量难以提高的问题,从用户心理和用户行为出发,定义用户隐式兴趣度,进而得到用户对产品种类的兴趣度,并对其中的难点进行深入剖析。最后研究基于兴趣度的用户聚类分析结果,为推荐系统中的算法研究和推荐输出研究奠定基础。

基于视觉感知的用户兴趣度预测分析

阐述在用户与情报系统交互中,以用户兴趣度作为切入点,利用眼动追踪技术采集眼动数据,通过数据挖掘分析眼动注视点信息与用户兴趣度的内在联系,提出了基于眼动轨迹的用户兴趣度算法,预测结果能够作为评估情报质量的重要依据,通过眼动实验验证了该方法的有效性和合理性。