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。

基于用户偏好的多媒体视频个性化智能推荐方法研究

为了满足用户个性化需求,提出基于用户偏好的多媒体视频个性化智能推荐方法。采集用户历史浏览行为数据,对提取的视频特征向量作相似度计算,生成视频候选集,建立视频浏览兴趣点(PoI)关联图,根据用户浏览时间计算其对不同类别视频PoI的兴趣偏好度,选择排名靠前的N个视频生成推荐列表,实现多媒体视频个性化智能推荐。实验结果表明,该方法可实现多媒体视频个性化推荐,当其维度为180时,视频推荐的Top-1指标最高;兴趣吻合度指标均值达到94.9%,Top-1均值为95.51%。

基于知识图谱的个性化音乐推荐系统设计与实现

本文基于知识图谱技术设计了个性化音乐推荐系统。该系统由用户端、管理端、服务端以及数据库组成。用户完成注册并登录系统后,可以通过输入关键词等方式检索对应的歌曲和歌单,并将其添加收藏,管理员可查看并编辑用户信息。当用户再次登录该系统时,系统会根据之前用户的操作行为向用户精准推送个性化的歌曲和歌单,并在网站主页上显示。从测试情况来看,该系统的音乐推荐、歌曲搜索、歌曲收藏等基本功能可以实现,系统各项操作的平均响应时间均在1 s以内,使用体验较好。

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。

基于学习风格的个性化自适应资源推荐算法研究

个性化自适应资源推荐是以学习者为中心、以人工智能和大数据技术为基础,模拟人类思维进行学习资源推荐的过程。论文在分析学习者和资源学习风格的基础上,分别构建学习者模型和资源模型,运用基于学习风格过滤推荐算法、协同过滤推荐算法、关联规则推荐算法,展开个性化自适应资源推荐研究。研究结果表明,以学习风格为基础的混合式自适应推荐的结果,更贴合学习者的个性化学习需求。

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。

基于主题概率分布模型的个性化信息推荐系统研究

【目的】传统基于相似度计算的个性化信息推荐系统因算力要求过高、推荐时滞过长等问题,致使其无法在中小型新闻图情领域得到广泛的普及。为了帮助中小型新闻图情机构以较低的成本开展个性化信息的精准推荐服务,构建了一套基于主题概率分布模型的个性化信息推荐系统。【方法】通过数据采集技术实现原始数据语料的采集;通过LDA模型训练实现原始文本信息的分类;通过将用户信息代入LDA模型训练获取用户主题画像;将用户主题画像与文本信息分类相结合实现个性化信息推荐。【结果】经试验验证,该系统推荐时效强,可达毫秒级。通过与用户阅读记录进行比较,该系统的推荐结果均符合用户兴趣主题,具有较高的推荐精准度。【结论】该基于主题概率分布模型的个性化信息推荐系统,能够帮助中小型新闻图情机构以较低的成本开展个性化信息精准推荐服务,具有一定的应用价值。

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%.

基于数字经济的电商平台个性化智能推荐、产品涉入度与消费者购买决策

本研究构建了电商平台个性化智能推荐、产品涉入度与消费者购买决策的理论模型,实证分析了个性化智能推荐对消费者购买决策的影响机理。结果表明:电商平台个性化智能推荐(信息呈现、系统交互与社群影响)与产品涉入度均对消费者购买决策有明显的正向作用;产品涉入度在个性化智能推荐和消费者购买决策的关系中发挥了部分中介作用。

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。

基于浏览记录的个性化新闻推荐实证分析

通过构建基于物品的协同过滤推荐模型计算新闻之间的相似度,基于相似度矩阵向目标用户推荐与其喜欢的新闻相似度高的其他新闻,以满足用户获取心仪新闻的需求,提高用户浏览新闻时的体验感。结果表明,基于物品的协同过滤推荐算法能够有效提高推荐的精确率,且随着样本空间的增大,该算法会更有效。

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。

个性化学术论文推荐研究综述

个性化学术论文推荐研究旨在为学术用户提供满足其个性化需求的论文列表,有助于解决大数据时代下学术用户精准获取论文困难的问题。该研究一直是推荐系统领域探讨的热点之一,本文对这一研究进行了系统梳理及分析,旨在厘清相关研究的发展脉络与现状,明确未来研究方向,推动相关研究的进一步发展。以国内外期刊、会议中发表的有关个性化学术论文推荐的相关文献作为研究对象,通过归纳总结方法,梳理了个性化学术论文推荐研究中的主要技术,即基于协同过滤的方法、基于内容的方法以及基于图的方法,然后总结了该研究的公开数据集、评价方法和评价指标。研究结果发现,已有工作缺乏对研究者兴趣的全方位建模以及用户隐私保密的相关研究,且在可解释的推荐、面向用户惊喜的推荐以及推荐结果的评价等方面存在不足。最后,基于解决已有研究中存在的不足结合当前推荐系统领域的整体发展趋势,对个性化学术论文推荐的发展方向进行了展望。

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。

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%。