一种基于用户行为的兴趣度模型

个性化推荐技术在电子商务系统中得到了广泛应用。针对现有的用户模型不能根据用户自身兴趣实现推荐的问题,提出了一种基于用户行为的兴趣度模型,分析用户的行为模式,结合用户的浏览内容,发现用户兴趣。在此基础上采用期望最大化算法实现用户聚类,将用户划分到对应的簇,创建用户的兴趣度模型,从而向用户进行个性化推荐。实验对比结果表明,该模型能更好地发现用户当前的购买兴趣,从而进一步提高个性化推荐精度和用户满意度。

一种基于用户行为反馈的兴趣度模型更新算法

个性化推荐技术在电子商务系统中得到了广泛应用.针对现有的用户模型不能及时根据用户自身兴趣偏移进行更新的问题,提出了一种基于用户行为反馈的兴趣度模型的更新算法,在创建好模型的基础上,分析用户的购买记录和用户的浏览行为,结合用户的兴趣内容,实现用户兴趣的自动更新,得到的针对新的用户兴趣的推荐商品列表,在此基础上结合用户的购买商品记录,实现推荐商品的个性化排序,从而向用户进行个性化推荐.实验对比结果表明,该算法能更好地发现用户当前的购买兴趣,从而进一步提高个性化推荐精度和用户满意度.

基于兴趣度向量模型的协同过滤推荐技术研究

在引入兴趣度向量模型的基本原理和用户协同过滤推荐技术的基础上,探讨一种有效的基于兴趣度向量模型的商品推荐算法。该算法通过将兴趣度向量模型与协同过滤推荐技术结合起来,在电子商务中实现商品自动推荐,从而提高推荐精度和推荐质量。并对这种推荐算法的有效性进行了实验验证。

基于兴趣度与类型因子的高校图书推荐算法

针对高校图书馆读者评分系统缺失和读者之间借阅重合率低而导致兴趣度矩阵稀疏的问题,提出了一种基于兴趣度模型与类型因子的高校图书推荐算法。该算法建立了一种读者兴趣度模型用来模拟读者对图书的偏好程度,并使用类型因子作为图书相似性的权重填补兴趣度矩阵中缺失的兴趣度值,最终通过基于用户的协同过滤算法得到目标读者的Top-N推荐列表。实验表明:改进的兴趣度模型比未改进的兴趣度模型算法的推荐效果更好,而且使用类型因子权重比图书名称分词权重的推荐效果也更好。该算法为高校智慧图书馆的建立提供了理论基础。

基于用户兴趣度的校园网带宽管理策略应用研究

针对校园网出口拥塞问题,提出一种基于行为分析的用户兴趣建模方法,通过用户参与时间来衡量并计算不同种类应用的用户访问兴趣度,在用户兴趣度的基础上结合通道管理技术进行带宽管理策略研究,实现动态带宽管理。实施结果表明,该方法能够有效地提高用户的网络满意度。

基于用户兴趣的电子商务推荐方法

针对数据稀疏性与推荐实时性的技术难题,在结合传统用户合作过滤推荐的基础上,提出了基于兴趣度向量模型的用户合作推荐机制.该方法合理利用了用户的人口统计信息,即用户提交给网站的注册信息,来辅助基于兴趣度向量模型的推荐方法,在提高预测精度的同时还可以解决推荐系统的新用户问题.采用MovieLens网站上提供的研究数据进行模拟推荐实验,通过对平均绝对偏差对比分析可得,兴趣向量模型的推荐方法在一定程度上比传统合作过滤算法有更高的推荐精度.

基于关联规则与信息熵的技术融合趋势研究

根据从德温特专利数据库中检索的专利数据,运用Apriori关联规则算法得到关于技术融合趋势的关联规则,然后通过基于差异思想的兴趣度模型验证规则的有效性,并在关联规则基础上利用信息熵评估企业核心技术领域分布及变化情况。最后,以安川电机和发那科公司为例进行实证分析。研究结果显示,基于差异思想的兴趣度模型弥补了关联规则因阈值设置主观性较强而导致部分规则无效的问题。

基于交互历史的三维家居个性化推荐与虚拟展示

为了满足家居设计的个性化需求,将个性化推荐算法引入移动交互式三维家居个性化设计系统中,提出了基于交互历史的协同过滤推荐算法.首先,分析了用户的历史交互行为,构建了一个新的用户兴趣度量度模型,将用户的交互行为转换成用户兴趣度矩阵.然后,综合考虑了家具单品的时效性和资源关联特性,并将这两种特性引入协同过滤推荐算法的生成推荐过程中,以提高推荐质量.最后,将系统推荐的家具单品应用到三维虚拟家居设计场景中,通过对场景个性化编辑与虚拟展示,完成家居的个性化设计.实验结果表明,该方法是可行的,能有效提高推荐质量,具有较好的用户体验和视觉效果.

改进的关联规则挖掘算法在入侵检测中的应用

研究关联规则的高效挖掘算法对于提高入侵检测的检测率和效率具有重要的意义。针对当前关联规则挖掘采用的支持度-置信度框架在具体应用中存在的问题,本文将PSA兴趣度模型和增量链表规则结合起来应用到入侵检测中,提出新的入侵检测方法-PSAIL。实验测试结果表明,该算法在挖掘速度、检测率上有较大提高,说明该算法的优化策略是有效的。

物联网用户查询目标自动推荐算法仿真研究

查询推荐作为一种改善物联网用户查询体验和效率的有效方式,可以帮助用户筛选并提供更加准确的查询目标描述。目前多数推荐算法随着用户数量和项目数量的增加,存在着推荐精度低、推荐时间长等问题,针对以上问题,提出基于改进近似性度量的物联网用户查询目标自动推荐算法。结合TF-IDF算法和信息熵算法构建物联网用户对项目属性的兴趣度模型,运用自组织映射神经网络聚类算法对兴趣度模型中的用户进行初步聚类。并以此为基础数据在目标用户所属簇内计算用户近似度并寻找最近邻。针对K-Means算法因缺少共同评分项目而导致近似度较低的弊端,采用改进近似性度量方法在簇内寻找目标用户的最近邻和项目推荐候选集,根据项目推荐候选集上的预测评分,完成用户查询目标自动推荐。实验结果表明,所提算法与其它算法相比,有更好的推荐精度和效率。