基于家庭融合模型的场景化推荐能力研究

在移动运营商的家庭业务领域,早期一线人员面临营销对象的定位难、营销内容的匹配不佳、潜在需求难挖潜等问题或不足。基于此,文章特对此展开研究,提出了基于家庭融合模型的场景化推荐能力。端到端的业务推荐能力,采用基于用户画像的智能识客、基于场景适配的精准触客、基于产品推荐的高效促单、基于客户满意度提升的持续维系等手段,实现传统市场“个人”营销到“家庭”营销的转变。

基于AI算法和DPI解析的多场景协同推荐能力研究

在5G+AICDE的移动互联网时代,新型技术在运营商的业务运营中,扮演着重要角色。传统的业务运营,主要面临的痛点在于客户洞察精准性不足,无法准确洞察营销产品的目标客群,比如客户内容偏好识别能力较弱、客户洞察能力不足、营销转化率不足等方面。针对这些问题或不足,文章对基于AI算法和DPI解析的多场景协同推荐能力展开研究,通过不同场景进行验证,精准筛选客户群和触发时机,实现实时“场景+客户+产品”组合精准定位与触达。

用户推荐能力对协同过滤算法性能影响的对比分析

指出协同过滤作为解决信息超载问题的有效推荐技术,已成功应用于推荐系统。就基于二部图资源分配、结点的度和PageRank算法的度量方法对推荐性能的影响进行对比分析,并提出基于推荐能力度量方法融合的协同过滤算法。实验结果显示,基于二部图资源分配算法与结点的度或PageRank方法的融合,在推荐多样性方面表现出比较好的性能。

基于贡献因子的协同过滤推荐算法

基于KNN邻居选择的协同过滤推荐算法在邻居选择时没有考虑邻居的盲目跟风性,导致部分邻居用户在预测目标用户对未知项目评分时的作用很小。针对这一问题,提出贡献因子,从非共同评价项目集这一角度切入,考虑邻居用户的推荐能力,计算邻居用户的推荐贡献度,结合传统的用户间相似度共同进行邻居选择,并重新计算邻居用户预测未知项目的权重,提升推荐性能。实验结果表明,本改进算法提高了推荐准确度。

分布式系统推荐信任模型研究

针对分布式网络中节点请求推荐信任时需要选取推荐节点的问题,提出一种能够准确评估推荐节点推荐能力信任度的信任模型DSRT(Distributed System Recommendation Trust)。该模型在区分服务质量信任度和推荐能力信任度的基础上,研究了影响推荐能力信任度的节点相关性、频繁度和风险等因素,其中,相关性不仅考虑了节点的服务关心相似度,还考虑了节点的评价能力相似度,频繁度和风险的计算均考虑了请求节点和其他交互节点的不同。模拟实验表明,该模型能够准确选取推荐节点,提高节点交互的满意率。

社会网络中交易节点的选取及其信任关系计算方法

社会网络环境中,由于缺乏有效的激励策略,导致节点缺乏服务交易的主动性和积极性;由于存在利益相关,一些节点会相互联合去共同推荐某个节点,形成协同作弊和信任推荐不可信的问题.为此,提出了社会网络中交易节点的选取及其信任关系计算方法.通过设计竞标服务策略来调动节点提供资源服务的积极性.针对不同服务中评价指标权重难以客观确定的问题,提出基于熵权的指标权重确定方法,并利用TOPSIS方法来选择合适的网络交易节点以避免交易节点选取的随意性.由于信任与风险并存,因此引入交易影响力函数来融合节点的直接信任和推荐信任以确定所选交易节点的可信性,并通过考虑推荐时间影响函数、交易内容相似度和推荐熟悉度等多维影响因子来保证推荐可信性.最后提出了基于多属性的节点推荐信任度更新方法.仿真结果表明文中方法对提高节点服务积极性、抑制节点协同作弊和恶意欺诈都有较好的效果.