基于智能营销的个性化推荐质量前因后果研究

为了探究个性化推荐质量的效果和前置因素、改进商家服务质量,本文基于推荐强度和服务交互的调节作用模型,研究个性化推荐质量对消费者购买意愿的影响,并提出四个个性化推荐质量的前置因素。通过问卷调查收集数据并进行实证分析,本文发现个性化推荐中推荐信息相关性、推荐信息新颖性、系统交互对消费者购买意愿产生显著的正向促进作用;服务交互在推荐信息新颖性与购买意愿之间起调节作用,且服务交互效果越好,对购买意愿的正向促进效果越强;前置因素产品信息搜索范围、个性化信息占有率、平台知名度、消费者浏览习惯对个性化推荐质量起到正向促进作用。

基于推荐质量的信任感知推荐系统

推荐系统在解决信息过载方面已经取得了很大的成功,同时也存在数据稀疏、冷启动等问题。如何在评分数据稀疏的情况下获得满意的推荐成为推荐系统亟待解决的问题。将信任引入推荐系统成为解决上述问题的有效方法之一。已有的信任感知推荐系统大多基于布尔型信任关系,且没有考虑信任的领域相关性。在服务选择领域,服务请求者依据QoS(quality of service)选择服务。联想到在服务推荐领域推荐请求者可以依据推荐质量(quality of recommendation,QoR)选择推荐用户,提出了推荐质量(QoR)的概念和基于推荐质量的信任感知推荐系统。QoR的属性包含评价相似度、领域信任值、领域相关度和亲密程度,利用信息熵方法可确定各属性的权重。仿真表明该方法提高了推荐系统在数据稀疏情况下的精确度和评分覆盖率,有效提高了冷启动用户的召回率,在一定程度上解决了冷启动问题。

个性化推荐的时效性与推荐质量:博弈论的视角

在实时推荐服务中,如果较早的进行个性化推荐,商家通过点击流收集到得信息较少,推出的个性化方案可能并不能精确命中用户的需求,无法转化为顾客的购买行为;如果为了收集到尽量多的信息而延后推荐,那么就面临着用户流失的风险。那么,如何在推荐时间和推荐质量之间进行权衡呢?文章通过博弈论的方法,构建了一个模型,并就其简单情形进行了分析,得出均衡的时间t。

面向高维数据环境的个性化推荐质量控制模型研究

[目的/意义]在高维数据环境下,推荐的精准度和实时性存在相互制约的现象。如何在精准度与实时性之间取得平衡,实现对推荐质量的有效控制是值得研究的问题。[方法/过程]本文首先分析了高维数据环境的成因及其对推荐质量的影响,在此基础上构建了一种个性化推荐质量控制模型,该模型先评估推荐质量在精准度和实时性两个方面的损失,再结合应用环境,得到相应的质量控制策略。[结果/结论]实验分析的结果证明该模型可以在高维数据环境下实现对推荐质量的有效控制,让推荐系统可以更好地适应不同的应用环境。

一种数字图书馆资源聚合质量推荐模型

为提高数字图书馆资源聚合推荐服务质量,在研究了推荐系统中常用的二元模糊语言基础上,设计了一种数字图书馆资源聚合质量推荐模型。模型考虑了用户的模糊偏好,并将偏好建立在二元模糊语言模型中。同时,设计并实现了一种混合推荐策略,可在基于内容的推荐方法和协作推荐方法之间进行切换。通过仿真分析,结果表明文中所提方法由于考虑推荐时的质量,算法整体性能优于传统基于内容和协作的推荐方法。

面向Mashup的质量感知Web API推荐

近年来,网络中Web API的数量日益增多,如何面向Mashup应用推荐合适的高质量Web API已成为研究的热点问题,现有的方法忽略了Web API质量信息对推荐的影响从而制约了其性能.深度学习技术为进一步提高Web API推荐的准确性提供了新的解决方案,如何利用Web API质量信息并结合深度网络模型进行高精度推荐也成为关键问题.为此,提出了一种Web API质量感知的深度推荐模型.首先,使用BERT预训练模型作为文本编码器对Mashup和Web API的文本描述特征进行提取;然后,借助自注意力机制对Web API的质量信息进行融合,并利用所得的Web API质量增强特征进行推荐.基于真实数据集的实验结果表明,对比基线方法,该模型在Web API推荐任务的top-1准确率、召回率和归一化折损累积增益指标上分别提高了3.97%、3.45%和3.97%.

基于灰色关联聚类的协同过滤推荐算法

针对协同过滤推荐系统具有数据的高稀疏,高维度,数据量大的特点,本文将灰色关联聚类与协同过虑推荐算法相结合,构建了灰色关联聚类的协同过滤推荐算法,将其应用到协同过滤推荐系统中,以解决数据具有高稀疏高维度的特性情况下的个性化推荐质量问题。首先,定义了推荐系统中的用户项目评分矩阵,用户灰色绝对关联度,用户灰色相似度,用户灰色关联聚类。然后,给出了灰色关联聚类的协同过滤推荐算法的计算方法和步骤,同时给出了评价推荐质量方法。最后,将本文算法与基于余弦,相关分析及修正的余弦等协同过滤推荐算法在大小不同的数据集下进行了实验,实验表明灰色关联聚类的协同过滤推荐算法相较于传统的协同过滤推荐方法具有推荐质量高,计算量小,对数据大小要求不高等优点,同时在推荐系统的冷启动,稳定性和计算效率方面也具有一定的优势。

个性化推荐系统中的多样性综述

多样性已成为推荐系统研究的主要方向之一,提高推荐内容的多样性不仅是解决过度拟合问题的重要方法,也是提高用户体验满意度的方法。为了更好地阐述推荐多样性领域的工作,本文分别从多样性的定义和评价、多样性对推荐质量的影响以及多样化算法本身的发展三个方面对多样性推荐进行了介绍。

使用关联检索缓和推荐系统中的稀疏性问题

协同过滤作为广泛应用的推荐方法,主要根据过去的交易和相似客户的反馈向当前客户推荐内容。但是,由于数据集稀疏性问题,很难区分客户之间的相似兴趣,这限制了协同过滤的可用性。针对数据集稀疏性问题,结合关联检索的相关知识,参考协同过滤算法,实现了一种改进的协同过滤算法来缓解稀疏性问题并提高推荐的质量。最后对提出的新算法进行测试,简述了改进方法的优点和不足。

标签模糊和冗余在标签推荐中的研究及应用

现有的Folksonomy标签推荐系统使用的推荐算法没有考虑标签模糊和冗余问题,影响了用户建模和对推荐系统评估的准确性,并且降低了系统的推荐质量,增加了用户选择喜好项目时的负担。通过对标签推荐系统的研究,将标签模糊和冗余应用到标签推荐算法当中,有助于提高系统的推荐质量,并且能提供更合理的评价方法。实验结果表明:经过标签模糊和冗余处理的标签推荐算法显著地提高了推荐系统的推荐质量。

融合内容与协同过滤的混合推荐算法应用研究

随着大数据时代的到来,海量数据出现在人们眼前。从冗杂的信息中快速获取满足人们个性化需求的数据成为了一个棘手的问题,推荐算法是解决此类问题的有力工具。针对移动电商平台中信息量较大,人们难以快速获得所需信息的问题,提出了一种融合内容与协同过滤的混合推荐算法。该算法先利用基于LFM的协同过滤算法产生推荐结果;当面临向新用户或新物品进行推荐时,再利用基于内容的推荐算法产生推荐结果。采用级联的方式将两种推荐算法进行混合,在一定程度上缓解了用户冷启动问题、物品冷启动问题及数据稀疏问题,克服了单一算法的局限性。实验证明,相较于传统的基于用户和基于物品的推荐算法,该算法能够有效提高推荐结果的准确率、召回率及覆盖率,从而提升推荐质量。

基于用户满意度的学术文献推荐评价研究

学术文献推荐可以自动化地为学者推荐合适的文献。借助于文献推荐,用户可以在一定程度上提高文献检索的效率。鉴于当前对文献推荐的评价缺少实证研究,本文从文献推荐的内容质量、服务质量和技术能力三个方面,检验其对用户满意度和持续使用意愿的影响关系。利用量表式问卷对网络用户进行调查,通过结构方程建模的方法对所回收的问卷进行分析。用户使用文献推荐服务的满意度受到推荐内容质量、服务质量和技术能力的影响,进而影响其持续使用意愿。

移动环境下情境导向的推荐系统

本文提出了一种在移动情境下基于协同过滤算法的推荐模型.针对现有算法与情境之间融合程度不足,在传统协同过滤算法基础上设计了情境导向的协同过滤推荐系统模型框架.采用MAE和F1评价指标对本文所提出的模型与情境过滤以及普通情境建模的方法之间的推荐质量进行评估,实验表明本文提出的方案能在推荐质量上拥有更好的表现.

基于项目的协同过滤推荐算法的改进

个性化推荐技术是在互联网迅速发展下应运而生的。协同过滤是各种个性化推荐技术中最受欢迎的,它在取得巨大成功的同时也同样遭遇到挑战。目前它所面临的最紧要问题就是如何解决数据稀疏带来的难题。本文主要研究协同过滤中的一种,即基于项目的协同过滤推荐算法,提出了一种改进算法:融合差异度和时间函数的协同过滤推荐算法,并通过实验证明改进的算法对于数据稀疏的问题确有改善作用。

一种基于差分隐私的个性化服务推荐算法

推荐系统存在用户隐私安全性低、推荐服务质量差的问题。为此,文中提出一种基于差分隐私的个性化服务推荐算法DPk⁃median。该算法针对推荐系统服务器中生成的推荐列表,首先利用k⁃median聚类算法将推荐数据中具有相同属性的数据进行聚类;然后根据不同簇的风险级别,添加相应的拉普拉斯噪声机制,同一簇中的隐私预算参数是相同的,在保证隐私的前提下,可合理控制噪声的加入并提高噪声的利用率,保证推荐的质量损失减小,同时增加算法的执行效率。相关实验结果表明,与以往的基于差分隐私的个性化服务推荐系统相比,文中所提出的算法在保证系统安全性的同时,提高了服务推荐的质量和算法的执行效率。

质监机构把关 保险公司承保 上海12家企业签订投保单 产品投保后可使用“上海市技术监督局推荐”标志

上海质量管理工作在与国际惯例接轨方面又迈出了可喜一步。目前,上海市技术监督局、中国平安保险公司上海分公司联合举行签约仪式,12家企业正式签订了“投保单”,这标志着上海产品质量责任保险工作取得实质性进展。

循证医学的核心方法与主要模型

本文回顾了过去30年间循证医学发展过程中产生的重要方法和模型,主要包括PICO问题模型、系统评价、证据质量与推荐强度分级、报告规范、5S模型以及证据生态系统。以上方法共同构成了循证医学的理论体系,推动着循证医学的进步,为循证医学的发展提供了内在源动力。明确其核心方法与主要模型有助于研究者全面理解循证医学的科学理念,并结合当下发展新趋势不断探索循证医学未来发展方向,实现循证医学的更新迭代,进而促进循证科学的建设及多学科融合发展。

基于项目兴趣度的协同过滤新算法

针对评分数据稀疏和单一评分相似性计算不准确导致推荐质量不高的问题,提出一种基于项目兴趣度的协同过滤新算法。该算法先预测未评分项的值,在此基础上基于项目的分类、评分值及次数引入项目—项目类别兴趣度特征向量计算同组项目的相似性,提高了项目间相似性计算的准确度和推荐质量,避免了大量无用计算,提高了算法的效率。实验结果表明,该算法对目标项目预测评分的准确性、推荐质量及效率更高。

美国NIOSH手工提举方程在中国的验证研究

目的总结国家标准GB/T31002.1的验证性实验研究过程,以指导国家标准的推广与应用。方法采用心理物理学法获取健康青年人不同提举高度、频率与水平距离下的最大可接受质量(Maximum acceptable weight of lift,MAWL),并分析MAWL与NIOSH手工提举方程质量推荐限值(RWL)间的差异。结果MAWL随三提举参数的增大呈显著降低趋势,多数RWL高于中国青年人的手工提举重物能力。结论国内青年人群应用NIOSH手工提举方程时,可通过调整提举高度系数与降低负荷常量予以修正。

大数据时代算法概论

作为算法的应用方,需在正确了解业务场景及问题的基础上,挑选合适的算法及设计机器学习框架。作为大数据系列文章的最后一篇,本文探讨大数据最精华也是最神秘的部分——算法与机器学习。算法的选用及机器学习搭建的前提是原始数据的数字化,从中提炼出有代表性的特征值,形成优质的特征值空间,所以建立一个好的数据平台是第一步,包括数据源正确选择,数据的正确处理以及数据特征的提取。不论是使用传统数据分析方法还是大数据分析所需的高维度、高复杂度的算法。