个性化推荐算法的法律风险规制

信息爆发增长催生了个性化推荐算法技术的兴起。个性化推荐算法在解决信息过载和长尾问题、满足用户个性化需求、提高互联网信息服务效率的同时,也引发了用户意思自治受限、隐私泄露、信息茧房、算法歧视等诸多法律风险,亟需法律作出必要的回应。为此,应当在诚信原则、自主原则、公正原则、比例原则的指导下,树立开放的隐私保护观,强化算法告知义务与用户拒绝权利,完善算法解释权,构建算法审计制度,以降低个性化推荐算法所带来的法律风险。

基于元学习个性化推荐研究综述

推荐系统作为缓解“信息过载”的工具,为用户过滤冗余信息并提供个性化服务,近年来得到了广泛应用。然而,实际推荐场景中,通常存在冷启动与不同推荐算法难以根据实际环境自适应选择等问题。元学习因其具有基于少量训练样本快速学会新知识和技能的优点,被越来越多地应用于推荐系统相关研究中。对现有基于元学习技术缓解推荐系统冷启动问题以及自适应推荐问题的主要研究进行探讨。首先,分析了基于元学习推荐在上述2个方面已取得的相关研究进展;然后,指出了现有元学习推荐研究存在难以适应复杂任务分布、计算代价高和容易陷入局部最优等问题;最后,对元学习在推荐系统领域的一些最新研究方向进行了展望。

迈向信任的算法个性化推荐——“一键关闭”的法律反思

个性化推荐主要面临威胁人类主体自主性、“信息茧房”与“回音室”效应、大数据“杀熟”方面的质疑。“一键关闭”功能因能够实现隐私个人控制、促进信息自由流通和预防价格歧视而被推崇。然而,用户往往缺少隐私自治能力,个性化推荐造成群体极化之前首先具有议程凝聚、促进交往的价值,以关闭个性化推荐来解决价格歧视存在目标和手段的错位。“一键关闭”不仅难以符合规制预期,其自身还存在可操作度低和所承载公共价值模糊的弊端。个性化推荐的治理应以算法向善为方向,通过打造以信任为中心的透明可解释、用户交互友好的算法推荐,发挥个性化推荐的公共价值,增进社会福利。

在线学习个性化推荐中多维度学习者模型研究

随着在线学习平台的广泛使用,在线学习资源快速增长,“信息迷航”问题亟待解决。针对在线学习个性化推荐中以单一特征为主,多维度学习者模型研究较少的问题,文中以CELTS-11学习者模型规范为基础,以教育学相关理论为指导,对学习者的学习风格、知识状态、认知能力、兴趣偏好等多维度的个性化特征进行细化分类研究。利用教育数据挖掘等技术获得学习者特征项,进而构建出个性化的多维度学习者模型。该模型为后续在线学习个性化的推送服务提供有力的依据。

国内个性化推荐技术及其算法与数据风险的研究现状和趋势

分析传统个性化推荐模型演化图谱和基于深度学习的个性化推荐模型演化图谱,对梳理个性化推荐技术的发展脉络具有重要意义。本研究采用CiteSpace 6.1.R2软件对中国知网(CNKI)上检索到的2002—2022年以“个性化推荐”为研究主题的中文文献和2005-2022年“个性化推荐算法与数据风险”相关文献进行分析,发现个性化推荐领域研究热点主题和未来发展趋势,对个性化推荐算法的数据风险与防范提出规制对策。

基于终身教育数据的用户画像构建和个性化推荐模型研究

随着终身教育的兴起,个性化推荐在学习资源的提供中愈发重要。本文以浙江省海宁市“潮学通”终身学习平台的用户数据为研究对象,通过构建用户-学习资源评分矩阵对数据进行收集与预处理。在此基础上,通过深入分析用户画像的构建,以及协同过滤算法的设计,实现更精准的个性化学习资源推荐。

基于数据挖掘的课程思政教学资源个性化推荐方法——以计算机类课程为例

思政教学资源是指用于开展思政教育的各类资源,为提高课程思政教学质量,现提出基于数据挖掘的课程思政教学资源个性化推荐方法。首先,以计算机类课程为例开展研究,构建计算机类课程思政教学资源推荐模型,分析学习行为与对应的思政教学资源。其次,基于数据挖掘提取计算机类课程中思政教学资源特征,为后续的教学资源推荐提供保障。最后,实现思政教学资源个性化智能推荐。实验结果表明:基于数据挖掘的课程思政教学资源个性化推荐方法的准确性明显优于传统方法,证明该方法在课程教学方法上具有一定可行性。

大数据背景下高职院校在线课程个性化推荐策略

在线课程学习平台的普及意味着高职院校能够为学生提供自主性更高的学习环境,但也使学生面临着“选课难”的新问题,如何实现并完善在线课程系统的个性化推荐功能成为该领域新的研究热点。本文以大数据技术的数据采集、处理与挖掘功能为理论基础首先分析了高职院校在线课程个性化推荐的优势,而后整合当前热门研究方向分别介绍了构建在线学习行为分析框架、基于知识概念构建异构图、绘制多种用户画像等三种不同的在线课程个性化推荐策略。

基于边缘计算的融合多因素的个性化推荐算法

针对传统推荐算法使用单一上下文信息不能有效地解决信息过载、数据稀疏、冷启动的问题,提出了一种基于边缘计算的融合多因素的个性化推荐算法F-SVD和新的用户相似度计算方法F-PEARSON(改进后的PEARSON相关系数).在边缘服务器处理个性化用户数据以分散云服务器的压力,目前大多采用的集中式处理方式无法在爆炸性式增长的数据下提供准确的推荐,在云服务器融合多因素挖掘用户之间的潜在关系,从而构建预测F-SVD算法.实验结果表明:在公开数据集MovieLens上,与传统算法相比,所提出的算法在RMSE和MAE上的误差更小,精确度提升了2.2%.

AI人机交互用户个性化推荐中隐私信息披露影响因素研究

[目的/意义]以ChatGPT为代表的生成式人工智能的发展为人机交互带来颠覆性影响,也为数据安全与个人信息保护带来更大的冲击与挑战。对AI人机交互用户个性化推荐中隐私信息披露及个人信息保护问题的研究将具有重要的实践价值与意义。[方法/过程]文章通过对15名AI人机交互平台用户进行深度访谈,运用扎根理论研究方法进行编码分析,识别AI人机交互用户个性化推荐中隐私信息披露所涉及的个人信息类型和敏感信息类型,并对用户的隐私意识和影响用户隐私信息披露意愿的客观因素进行分析,进而提出加强隐私信息披露风险规制及个人信息安全保障的对策建议。[结果/结论]基于编码结果,将AI人机交互用户个性化推荐中隐私信息披露的影响因素归纳为用户因素、平台因素、社会环境因素、隐私权衡因素4个维度,以此建构理论分析模型,并作为强化AI人机交互用户个性化推荐中隐私信息披露风险规制及个人信息保护的重要指引。

短视频个性化推荐与使用意愿的倒U形关系研究

[目的/意义]个性化推荐在促进信息系统使用方面具有积极作用,但过度的个性化推荐也会造成用户的隐私忧虑以致降低使用意愿。短视频情境下,个性化推荐与使用意愿之间的具体关系目前还不清楚。[方法/过程]基于隐私计算理论,探索短视频个性化推荐与用户使用意愿之间的非线性关系。划分短视频类型并选取实用型短视频、享乐型短视频和隐私关注作为调节变量。运用层次回归分析的方法,应用Stata软件对假设进行验证。[结果/结论]个性化推荐与短视频使用意愿之间存在倒U形关系;隐私关注对倒U形关系存在显著的调节作用;不同类型短视频对倒U形关系的影响存在差异,且仅有实用型短视频的调节作用得到验证。

慢性心力衰竭症状群管理个性化推荐平台的构建及应用

目的:开发适用于慢性心力衰竭症状群管理个性化推荐平台,并验证其效果。方法:成立研发小组,构建症状群管理个性化推荐平台的内容模块,包含个人信息中心、症状检索、生活日志、知识学习4个病人应用端模块;用户管理、症状管理、知识库管理、病区管理4个医护管理端模块。于2022年2月—4月,招募60例慢性心力衰竭病人分为干预组和对照组,各30例。对照组实施常规护理,干预组实施个性化推荐平台的症状管理延续护理,采用心力衰竭症状状态量表(SSQ⁃HF)、明尼苏达生活质量量表(ML⁃HFQ)、心力衰竭自我管理能力量表(SMSHF)、因心血管突发事件再入院情况对平台应用效果进行评价。结果:应用平台进行症状群管理的干预组病人在出院后3个月、6个月的症状状态、自我管理能力、生活质量得分均优于对照组,且再入院率低于对照组,差异均有统计学意义(P<0.05)。结论:症状群管理个性化推荐平台可满足慢性心力衰竭病人症状管理需求,对提升病人生存质量具有积极作用。

基于标签挖掘的个性化推荐算法

基于标签的推荐算法中存在两个主要缺陷,缺乏用户对于标签偏好值的量化,以及不同标签在用户使用中所占权重。为此提出一种从标签角度出发的个性化推荐算法。分析用户历史行为中使用过的标签,根据用户历史行为建立用户的标签兴趣模型,利用标签兴趣模型计算用户对不同标签的偏好值;统计用户的历史评分记录,计算不同标签所占权重;将两者进行线性组合,得出用户对标签的兴趣度。利用余弦相似度,计算用户偏好相似度,将用户偏好相似度引入到矩阵分解模型中,进行项目评分预测和推荐。实验结果表明,在MovieLens数据集上,该算法相比于传统算法LFM和SVD++在RMSE上分别降低了5.00%和1.41%,在MAE上分别降低了5.07%和1.00%。

个性化推荐透明度对用户采纳意愿的影响分析

个性化推荐系统在各大平台的广泛运用给用户带来诸多便利,同时也促使用户更关注个人信息的使用,隐私担忧成了影响用户采纳意愿的重要因素,而提高透明度是解决用户隐私担忧的途径之一。本文试图用心理抗拒理论、透明度悖论来探究个性化推荐透明度对用户采纳意愿的影响,进而得出透明度需要适度的结论。

服装服饰知识图谱构建与个性化推荐

知识图谱作为混合推荐中的有效辅助类信息,近年来受到了大量学者的关注。文章以服装服饰搭配为切入点,从知识关联的角度出发,对数据内容进行挖掘,通过知识融合技术对实体属性进行对齐、消歧,从而构建服装服饰知识图谱。并以数据为支撑构建服装服饰知识图谱进行服装推荐,对推荐效果进行评价。结果表明,相比传统的服装推荐,基于服装服饰知识图谱的推荐系统能够取得较好的推荐效果,其推荐的服装产品更多样,服饰搭配也更广泛。

基于数据分析的用户行为预测与个性化推荐算法研究

为了实现对用户行为的准确预测和个性化兴趣的深度表达,本研究基于大规模用户日志数据构建了融合深度学习和机器学习的行为序列预测模型,并将其应用于个性化推荐领域。实证结果显示,相比于各个单一模型,将决策行为特征迁移到推荐方法中能够取得更好的效果。本研究验证了跨领域迁移用户表达特征以优化个性化推荐的有效性,为深入理解用户复杂兴趣奠定了坚实的基础。

基于深度哈希算法的学生画像个性化推荐系统的设计与实现

为了提升学生画像个性化推荐的效果,研究设计了一种基于深度哈希算法的学生画像个性化推荐系统。通过使用深度哈希算法结合经过处理的学生信息,进行了学生信息特征标签的提取,并构建了学生画像标签维度模型,从而提升了学生画像的生动性。根据学生画像标注的学生特征,在学校课程资源特征数据集中进行搜索匹配,并根据排序后的检索结果生成推荐结果。实验结果表明,该系统能够有效地采集和预处理学生信息,并成功构建学生画像,完成学生画像的个性化推荐。

基于协同过滤算法的英语视听资源个性化推荐技术

对英语视听资源进行深度语义分析,提取资源关键特征;分析英语视听资源用户的学习偏好特征,将其与视听资源语义特征匹配;利用卷积神经网络深度融合学习偏好,构建英语视听资源个性化推荐模型;引入免疫进化算法优化协同过滤算法,求解推荐模型,实现英语视听资源个性化推荐.测试结果表明该方法的推荐命中率和推荐准确率均在90%以上,召回率始终稳定在87.11%以上,具有较好的个性化推荐效果.

个性化推荐系统在互联网广告精准投放中的应用与挑战

随着互联网和大数据技术的迅猛发展,个性化推荐系统已经成为当今广告行业的重要工具,尤其在精准投放广告方面发挥了巨大作用。它通过深度挖掘和分析用户数据,实现了广告与用户需求的精准匹配,显著提高了广告的传播效果和用户的满意度。然而,这种新型广告投放方式也面临着一系列挑战,包括数据隐私和安全问题、算法可解释性、多样性不足以及新闻伦理问题等。为了应对这些挑战,本文提出了相应的解决方案,包括加强数据隐私保护、提高算法可解释性、增加内容多样性以及维护新闻伦理等措施。这些解决方案有助于更好地应用个性化推荐系统进行广告投放,同时维护用户隐私和新闻媒体的公信力。未来,随着技术的不断进步和应用场景的不断拓展,个性化推荐系统将不断完善和发展,为广告行业和用户带来更多创新和价值。

我国数字阅读APP个性化推荐算法透明度实证分析

个性化推荐算法生成的阅读建议便捷了人们的阅读生活,却也带来认知窄化等问题,因此向公众准确披露算法风险、保障算法透明愈发重要。文章以23款主流数字阅读APP为研究样本,从技术标准、用户感知和规范合规三个维度设计透明度检测要点,通过分析相关隐私政策文本及算法功能,评估算法透明度的履行差距。基于此,提出完善算法透明标准体系、推进数字阅读行业自律发展、增设“算法标签”、在算法设计中纳入透明度合规考量等对策。