基于多维度推荐的智慧在线学习系统

针对目前在线学习系统中存在的不足,探讨如何有效地运用数据挖掘技术建立智慧的在线学习系统.从大量的用户数据中挖掘出关联关系,用以提供全面个性化、定制化的学习过程序列.利用数据挖掘着重发现用户与课程之间、课程与课程之间、用户与用户间的关联,形成一个多维度的网络.利用多维度推荐为用户推荐有价值的课程.实验表明多维度推荐具有良好的准确性和良好的用户体验.

基于兴趣点的多维度推荐算法研究

随着移动互联网技术的迅猛发展,人们更喜欢通过手机等移动设备在社交产品上分享自己的行为足迹或者对商品服务的评价。大多数的互联网产品利用用户的用户的兴趣点等行为信息为依据为用户推荐下一个潜在偏好的兴趣点。本文显示介绍典型的兴趣点推荐算法以及相关优缺点。针对这些算法考虑单一属性的问题分析基于兴趣点的多维度推荐研究。

异质网络资源多维度推荐模式研究——以豆瓣网为例

[目的 /意义]针对某些包含多级用户和多级资源的异质网络,在总结其各种异质模态的基础上提出一种多维度推荐框架MDRM,向目标用户进行好友和资源的推荐。[方法/过程]通过对用户、资源划分等级,在分析各种网络模态的基础上建立其异质关系;利用情感倾向分析得到二级用户——二级资源评分矩阵,借助协同过滤算法,实现同级用户和二级资源的推荐;基于异质关系,实现一级用户和一级资源的推荐,最终实现多维度推荐。[结果 /结论]在以豆瓣网数据作为数据集的实验中取得了较好的效果,说明MDRM模型适合某些异质网络资源的推荐。

基于协同过滤的多维度电影推荐方法研究

推荐系统作为解决信息过载的办法之一,广泛运用于各个领域,其中基于协同过滤的推荐方法应用最为成熟和广泛,但是由于传统的协同过滤推荐方法只考虑了用户和项目两个维度,忽略了包括环境因素、影片信息、观影感受等在内的多维度影响因素。分析表明以上多维因素对用户在进行影片评分时有着较为重要的影响。通过线性回归方法寻找并确定多维度属性以及各属性的影响程度,进而在传统协同过滤的基础上融入多维度影响因素,最终构建基于协同过滤的多维度推荐方法。实验表明,该方法相比传统协同过滤推荐方法的推荐效果有一定的提升,其中最优平均绝对误差取值下降了约6%,平均绝对误差均值下降了约2%,说明该方法相比于传统的协同过滤推荐方法具有更高的准确性,从而验证了该方法的有效性。

多维度聚合推荐社交系统研究

在海量信息中推荐最感兴趣的内容、快速找到志同道合的学习伙伴,实现精准推荐,是大学校园社交新需求。对大学生日常学习、生活和社交等兴趣偏好进行关键词提取,加入特征标签库,改进传统推荐算法,设计并实现多维度聚合推荐算法。实验结果表明,多维度聚合推荐社交系统能提供最精准的兴趣推荐,实现高效的智慧校园社交服务。

基于知识图谱的行为路径协同过滤推荐算法

针对个性化推荐,常用的推荐算法有内容推荐、物品协同过滤(Item CF)和用户协同过滤(User CF),但是这些算法以及它们的改进算法大多偏向于关注用户的显性反馈(标签、评分等)或评分数据,缺少对多维度用户行为和行为顺序的利用,导致推荐准确率不够高及冷启动等问题。为了提高推荐精度,文中提出了一种基于知识图谱的行为路径协同过滤推荐算法(BR-CF)。首先根据用户行为数据,考虑行为顺序创建行为图谱(behavior graph)和行为路径(behavior route),然后采用向量化技术(Keras Tokenizer)将文本类型的路径向量化,最后计算多维度行为路径向量之间的相似度,对各维度分别进行路径协同过滤推荐。在此基础上,文中提出了两种BR-CF与Item CF相结合的改进算法。实验结果表明,在阿里天池数据集UserBehavior上,BR-CF算法能够有效地在多个维度中进行推荐,实现数据的充分利用和推荐的多样性,并且此改进算法很好地提升了Item CF的推荐性能。