基于标签与深度本体的Web推荐方法研究

基于用户偏好物品与其在网上浏览的历史记录,推荐系统都能够向用户推荐项目和预测未来的采购意愿,但稀疏性、冷启动等问题影响该方法的推荐效果。为此,提出将深度本体与用户标签结合的Web推荐方法。利用深度本体项目之间的语义关系对数据矩阵降维,根据用户提供的标签信息,将点击流映射到本体中,结合深度本体中项目之间的关系扩展推荐结果,推荐出top-n信息。实验结果表明,与传统的基于本体方法相比,该方法可解决稀疏性和冷启动等问题,同时推荐的准确性和时效性都有较好的效果。

云计算环境中资源优化推荐技术研究

随着系统规模的不断扩大和数据获取量的指数级增长,在传统推荐系统的冷启动、精确性、扩展性等问题严峻化的同时,实时性问题亦成为面向海量数据推荐系统新的瓶颈点。基于传统推荐领域的主流算法,提出了一个扩展向量推荐模型。根据扩展模型对推荐算法中对象的向量进行合理扩展,通过相似度计算等过程动态选取推荐集,完成对目标对象更精确的推荐。实验结果表明,与传统推荐算法相比,基于新模型的推荐算法可以显著地提升推荐效果,成功克服冷启动问题。

网上交易平台中关键字推广和广告研究与应用

在电子商务市场上选择正确的单词是很重要否则很容易迷失在巨大的平台。在平台上需要广告自己的产品的话正确的关键字起着重要的作用。每个单词的句子提供某些索引擎页面中的位置。因此,对于可见光和网页中的位置这个必要知道竞争对手卖的公共关键字。本文提出一种专门针对电子商务领域关键词竞价的关键词选取算法。此类研究具有很强的实际应用价值,电子商务的广告主在进行广告推广时,由于关键字竞价机制的复杂性、不完全信息特征以及广告主自身对关键词缺乏深刻的理解,导致关键字竞价广告的投标策略失误。本文重新定义关键词选取算法,适应电子商务领域文本特性。通过商品标题文本,获取推荐关键词。整个过程首先建立分层次行业相关词表,然后根据词表完成关键词推荐,推荐分为两个步骤:种子关键词抽取;推荐关键词扩展。