基于位置的社交网络的个性化兴趣点推荐算法研究

目前随着科技的发展,通过一系列的探索可以发现,用户的兴趣会随着时间和地理位置的变化而产生一定变化,因而提出具有混合时空和流行度特征兴趣点的推荐算法是非常重要的。基于此,本文主要讨论了在位置基础上的社交网络个性化兴趣点推荐算法的探索策略。

基于微博文本的个性化兴趣关注点及情绪变迁趋势研究

随着社交网络的快速发展,人们可利用微博平台发表、分享自己的观点以及抒发某种情绪,进而产生了大量针对不同话题的博文和情绪信息,但传统的文本挖掘算法在处理这些短小且具富含个性化情感信息的微博文本方面有所欠缺。在此提出一种基于微博文本的特征权重计算方法,可据此得到博主在不同时间段的关注点,通过情绪分类,分析用户在不同时间段内的情绪变迁情况。实验结果证明此方法具有一定的可行性。

图书馆小数据读者个性化兴趣预测与发现模型的构建

读者兴趣预测与发现模型的准确性和时效性是图书馆个性化服务的关键,可以从图书馆小数据中发现读者的兴趣,为读者提供更好的个性化服务。文章针对读者的兴趣非静态,且随着时间的推移而动态变化的特点,在对大数据和小数据关系研究的基础上,提出一种基于小数据的读者个性化兴趣预测与发现模型,该模型在预测读者兴趣方面有较高的可信度和准确度。

融合时空信息个性化旅游兴趣点推荐算法

针对个性化旅游兴趣点推荐算法中存在的问题,如忽视序列图中节点间的时空信息及未能充分利用空间相关性,本文提出了一种融合时空信息个性化旅游兴趣点推荐算法。运用自注意力机制获取用户的动态信息,将其作为图神经网络中用户和兴趣点的时空特征,并参与领域信息的聚合。实验表明,该算法具有可行性,能够有效提升推荐性能。

基于GPS轨迹挖掘的兴趣地点个性化推荐方法

随着全球定位系统(GPS)等定位设备的普及,用户可方便地记录其GPS轨迹,这使得自动从用户的GPS轨迹中发现兴趣地点(POI)(如餐厅、商场、景点)并在用户之间进行推荐成为可能。因此,本文提出了一种基于GPS轨迹挖掘的兴趣地点个性化推荐方法。该方法与现有主流的兴趣地点推荐平台具有以下不同:首先,现有平台假设兴趣地点是事先已知的,而该方法通过一个层次化聚类算法从用户GPS轨迹中自动挖掘兴趣地点。其次,现有平台的推荐模式为平台向用户推荐,因此仅考虑了用户的偏好,忽略了用户之间的社交关联对推荐效果的影响。针对此问题,该方法基于用户交叠访问行为计算用户之间的社交信任度,基于用户访问行为的相似性计算其对兴趣地点偏好的相似度,在此基础上提出了一种能够融合用户信任度和相似度的评分算法。文本基于真实GPS轨迹数据对提出的方法进行了评测,实验结果表明,本文所提方法的综合推荐性能明显优于简单的基于访问数量的推荐方法、仅基于用户信任度的推荐方法及仅基于偏好相似度的推荐方法。

谈体育知识对学生个性化兴趣的培养

在新的体育教育标准下,对学生个性化兴趣的培养非常重视。学生个性化兴趣的培养不仅是体育教学的需求,更是学生创新意识培养的需求,因此得到广泛的重视。体育知识在体育教学中具有极为重要的作用,但是却在体育教学改革创新中逐渐失去了地位。本文将针对体育知识对学生个性化兴趣培养中的地位及作用进行深入的分析,并提供体育知识教授策略供体育老师进行参考。

图书馆小数据时代下的个性化精准服务研究

大数据创新了思维方式,小数据同样具有重要价值。在对图书馆个性化服务模式的相关问题和小数据关系进行研究的基础上,文章提出了一种基于小数据的个性化服务需求分析和历史数据的统计,将个性化服务资源推送给读者,基于小数据的汇总、更新、分析与统计,使图书馆个性化服务的质量得以提高,并不断满足读者的服务需求,为图书馆的个性化服务提供有力支撑。

时间上可持续的多兴趣偏好推荐系统

近年来,推荐系统已经成为数据分析与挖掘、信息检索领域方向的热点.然而,部分推荐系统应用于用户多兴趣偏好还存在着问题:首先用户的兴趣不唯一,且对多个兴趣的偏好不等同;其次用户当前的兴趣是否会在未来时间中持续.基于此,本文通过利用用户产生多兴趣并捕获其个性化需求的可持续性,提出了一种MIES算法模型,该模型能够很好捕捉到用户潜在的多种兴趣,并注重用户兴趣的可持续,提高了推荐的质量.通过对比实验表明该模型有效解决了推荐系统对用户多维兴趣的捕捉和个性化兴趣的可持续性.

融合地理信息的兴趣点推荐

智能移动终端在大学校园内的迅速普及,使得校园无线局域网被广泛部署于图书馆、食堂、教学楼、宿舍等区域,推进了信息化校园的建设,为师生的校园生活提供了极大的便利,与此同时大学校园积累了大量基于位置的社交网络(LBSNs, Location-Based Social Networks)数据,如何利用LBSNs进行学生兴趣点(POI, Point-of-Interest)推荐已经成为一个研究热点。校园地理信息的高可用性为提高个性化兴趣点推荐的性能提供了机会,提高POI推荐性能,应解决两个主要挑战:首先,如何利用地理信息来获取用户个人信息、地理坐标和位置流行度等信息;然后如何将地理信息纳入推荐算法中。本文使用一种基于校园地理信息的Logistic矩阵分解(CGLMF, Campus Geographic Information based Logistic Matrix Factorization) POI推荐算法,该算法利用学生个人信息和校园地理信息,通过考虑学生的主要活动区域和该区域每个POI的相关性,提出一种有效的地理信息模型,然后将地理信息模型融合到Logistic矩阵分解中以此提高POI推荐性能,在校园真实学生Wi-Fi签到数据集上进行实验,结果表明该方法优于其他POI推荐方法。

高职院校计算机基础教学的实践与感想

现今社会对计算机办公软件操作能力的需求越来越大,而在高校学生重专业轻基础的情况越来越明显,培养和提高学生的计算机操作技能在高职院校的大学计算机基础课程教学中处于主导性地位,文章是对于计算机基础教学模式的一种研究与探讨。

浅谈小学信息技术教学

本文围绕信息技术教学展开论述,分析了其中大量的细节,诸如个性化学习、兴趣培养以及培养学生的知识整理和整合能力各方面。细致入微,条析缕陈,一纸浅见,请同仁批评指正。

信息技术在体育健康教学中的应用

人类社会已步入充满竞争的21世纪，在这信息时代，人们对知识的获取、信息的获得的方法与途径已不再具有唯一性，而是具有空间性、多维性了。本文就信息技术在体育健康教育中的作用展开讨论，强调未来体育教育技术手段，树立信息意识：因此，改革体育课传统的教学模式已是体育教学面临的一项首要任务。

联合神经协同过滤与短期偏好的课程推荐模型

提出一种联合神经协同过滤与短期偏好的课程推荐模型.该模型通过利用学习者近期的学习行为捕获短期偏好,用以平衡或辅助学习者兴趣变化前后的各时刻历史行为,建构其动态兴趣赋能的历史行为新贡献度,基于短期偏好来重构学习者个性化动态学习兴趣,从而进行高效的课程推荐.利用学堂在线真实MOOC数据集进行验证,实验结果表明,与其他模型相比,该模型的HR和NDCG指标均得到一定提升,且模型鲁棒性较强.