基于用户兴趣视角的移动电子商务个性化推荐路径

近年来,移动电子商务迎来了强劲的发展势头,给用户带来了更为便捷化、多样化的购物体验,线上交易已经成为人们消费的主要模式。与此同时,随着移动电子商务规模逐年扩大,电商平台与商家数量也在急剧增长,如何找到满足用户兴趣的移动电子商务个性化推荐路径至关重要。因此,本文立足于用户兴趣视角,在论述移动电子商务个性化推荐现状与基本理论的基础上,引入基于移动电商用户兴趣的三维空间模型,探讨在该模型基础上实现移动电子商务个性化推荐的路径。

基于知识图谱的可解释学习路径推荐

学习路径推荐是解决信息超载、学习迷航等问题的关键,但当前的学习路径推荐相关研究存在推荐方法脱离学习场景、推荐结果缺乏解释等问题。为此,文章构建了基于知识图谱的可解释学习路径推荐模型:首先利用邻域标定的图注意力网络表征知识图谱语义信息并生成候选学习路径集,然后计算不同学习场景下学习者与候选学习路径之间的契合度和匹配度,最终实现可解释的学习路径推荐。之后,文章通过对基于知识图谱的可解释学习路径推荐模型与学习路径推荐基线模型进行对照实验和可解释案例分析,发现基于知识图谱的可解释学习路径推荐模型不仅提高了推荐结果的准确度,而且提升了推荐结果的可解释性。文章的研究有助于学习者获得准确、可解释的学习路径,从而提升个性化学习效果。

危险货物道路运输个性化路径推荐方法

为加强危险货物道路运输风险源头管控,以危货运输车辆行驶轨迹数据为分析对象,研究安全、经济且符合企业自身偏好的道路运输路径优化选择问题,提出了基于偏好、上下文感知的危险货物道路运输个性化路径推荐方法。首先对危货运输车辆历史轨迹数据进行处理,通过提取路径安全和经济性特征学习危货运输企业的路径偏好,在此基础上,综合考虑偏好向量间的距离和方向相似性,提出了改进的K-means偏好聚类算法(improved K-means clustering algorithm based on distance and direction similarity measurement,DDM-K-means),获取了路径偏好类别;其次,依据运输任务执行的时间、天气、运距三方面信息,建立了路径上下文向量,并运用Rock聚类算法划分路径的上下文类别,与路径偏好类别共同构成路径信息;最终,基于神经协同过滤提出了危险货物道路运输路径选择优化算法(optimal route selection algorithm based on neural collaborative filtering,NCF-ORS),得到了危货运输企业对各路径类别的偏好排序,从而为企业推荐最优路径。与基线算法比较分析,结果表明危险货物道路运输个性化路径推荐方法<DDM-K-means,NCF-ORS>,平均绝对百分比误差最低。研究结果有助于挖掘车辆轨迹数据中更多的潜在信息,提升个性化路径推荐能力,可为危货运输企业的选线问题提供决策支持。

面向自适应学习的个性化学习路径推荐

根据学习者的学习记录和学习任务进行学习路径推荐,是实现自适应学习的关键技术。文章首先将个性化学习路径推荐模型归为八类,并对每类模型进行详细分析,总结出这些模型普遍存在的问题,认为这些问题严重影响了自适应个性化学习的应用效果。之后,文章提出一种从课程、学习任务两个维度进行学习路径推荐的个性化学习路径推荐模型,其融合了知识图谱、深度知识跟踪和强化学习三种智能技术,能有效解决上述问题。最后,文章通过对学习任务内学习路径推荐模型进行对比实验及其相关数据分析,发现该模型能有效提高学习效果和学习效率,其推荐性能也优于目前主流的推荐模型。文章的研究成果对自适应学习的实现具有重要应用价值,并为教育领域个性化学习路径推荐的理论与技术研究提供了重要参考。

人工智能视域下个性化学习路径推荐:机理、演进、价值与趋势

个性化学习路径推荐是智能技术驱动教育服务智能升级的关键力量,是实现大规模个性化教育的重要驱动。然而,目前个性化学习路径推荐的研究与实践仍未成熟,难以满足学习者因人而异、因时而变的个性化需求。个性化学习路径推荐的主流推荐框架包括基于机器学习、基于进化计算和基于知识图谱三种方式,具有不同的模型机理和适用的教育场景,经历了起步探索、预测推理、改进优化和融合创新的技术演进历程。其对教育的价值导向体现在赋能课堂教学、助力因材施教,优化在线学习、驱动服务升级,支持场馆学习、增强智能感知,改善游戏学习、优化交互体验,为破解大规模与个性化相结合的应用难题提供了重要支撑。随着智能技术的迭代升级及深入应用,未来个性化学习路径推荐呈现四大发展趋势,即关注信息要素的深度融合、迈向全方位多尺度的形式化建模,融合多种技术优势、构建以知识为主导的高性能推荐框架,注重可视化呈现和动态感知、推动个性化服务模式的优化升级,重视全景性应用策略研究、促进推荐技术与真实教育情境的紧密耦合。

学习路径智能推荐方法研究现状与发展趋势

随着网络教学的普及,如何从海量的学习资源中选出适合的学习资源是学习者面临的问题。学习资源个性化推荐可以帮助学习者快速获取所需的学习资源。针对网络学习资源推荐的研究现状,从以下几个方面进行分析和总结。首先,介绍了国内外网络学习资源推荐方面的工作;其次,讨论了马尔科夫决策过程、分层任务网络规划、遗传算法、序列模式识别、决策树等五种常用的学习资源推荐方法;再次,介绍了常用的学习路径推荐系统的评价方法;最后,分析讨论了学习资源推荐系统未来的发展方向。

基于蒙特卡罗树搜索的出租车路径推荐方法

针对出租车路径推荐的问题,研究空闲出租车与潜在乘车请求之间接载最短路径推荐的方法。通过蒙特卡罗树搜索算法计算潜在乘车请求的权重,利用多臂老虎机算法获得出租车最大载客概率,使得出租车能够快速到达潜在乘车权重较大的街道,减少车辆空载行驶的情况。与现有技术相比,该方法中用于预测潜在乘车请求的模型可以进行动态概率获取,对纽约真实出租车数据的应用案例表明,该方法的推荐质量明显高于现有方法。此外,利用三维粒子隐喻车辆刻画推荐结果以简化路径推荐模型的实现方式,可视化道路潜在乘客以及出租车运行状态以帮助城市管理者和用户进行理解。

基于行程时间预测的城市车辆出行路径推荐方法

路径推荐在提高出行者出行效率、减少出行成本和平衡路网运行状态、减少时间和空间上的拥堵方面具有重要意义。通过构建动态图卷积神经网络(DGCN)对路网各路段进行多步行程时间预测,根据出行需求并考虑避让拥堵区和均衡路网因素进行车辆出行路径推荐。其中,通过GN算法对结合路网结构和流量特征构建加权网络模型进行路网分区,并结合平均行程速度和预测所得行程时间,识别拥堵区域交通状态。实验结果表明:在实例数据集上使用残差拉普拉斯矩阵DGCN Res模型进行行程时间预测,比基于注意力的时空图卷积网络模型(ASTGCN)的MAPE提高4%、RMSE提高9.2%。在此基础上进行拥堵区避让的路径选择推荐,可有效降低路网拥堵均衡指数,因此从路网全局层面考虑拥堵避让机制可减缓路网整体拥堵程度。

基于协同过滤的医疗临床路径智能推荐系统

在信息技术的推动下,很多医院开始应用医疗临床路径系统,并取得了一定的效果。但目前市面上的一些医疗临床路径系统还不完善,特别是临床路径的制定和执行过程中依赖专家的主观判断,缺乏客观性和准确性。基于此,文中提出一种基于协同过滤的临床路径推荐算法。首先提取系统中的患者临床诊断数据,通过余弦相似度算法对具有相似临床诊断指标的患者进行相似度计算;然后构建患者-路径影响矩阵,并根据计算结果进行关联度排序,最终形成一个Top-N的推荐路径列表,从而为医生推荐符合患者病种特征的临床路径。与其他方法的比较测试结果表明,所提方法能够较好地解决当前临床路径推荐方法存在的缺陷,从而提高临床路径推荐的精度,具有明显的优越性,可为医疗临床路径系统的设计提供参考。

个性化习题路径推荐方法研究综述

个性化习题路径推荐技术能够综合考虑学习者的个性化特征,为学习者量身定制习题路径。文章系统地梳理了个性化习题路径推荐研究工作。首先,从推荐方式的角度,介绍了全局最优习题路径推荐和局部迭代习题路径推荐方法,总结了两类推荐方法的优势及其存在的问题。然后,从目前个性化习题路径推荐工作使用较多的核心算法的角度,介绍了基于协同过滤、认知诊断、知识追踪、深度学习和强化学习五类方法。最后,探讨了该领域当前的研究难点,并展望未来研究工作的方向。

基于舒适度的骑行路径推荐系统设计与开发

设计并开发一套基于舒适度评价的骑行路径推荐系统,结合用户骑行轨迹数据与道路客观因素,构建舒适度指标体系,为路段赋予舒适度参数,利用多级迪杰斯特拉算法实现骑行舒适路径推荐,为促进用户选择自行车出行提供解决方案。

基于多重智能算法的个性化学习路径推荐模型

基于多重智能算法的个性化学习路径推荐能够有效解决在线用户学习迷途问题,从而实现对在线用户学习进行动态指导和控制。该文以在线学习行为分析为基础,依据推荐流程,建构出个性化学习路径推荐模型。在尊重学习用户个体化差异前提下,引入人工神经网络分类和蚁群优化路径推荐等多重智能型算法。并且在个性化学习路径推荐实现环节,采用协同过滤推荐和蚁群算法相结合,有效避免了协同过滤推荐的马太效应问题,以便降低不同学习用户群的差距。

微内容推荐路径优化的加速遗传算法研究

指出随着互联网中以用户创造内容为源的微内容规模迅速增长,微内容的去中心化与碎片化等特性使网民获取信息的难度增加。针对微内容推荐同时受到用户主观偏好与用户感知行为影响这一特征,利用加速遗传算法对信息节点相似度的影响因素,从用户行为、内容偏好、社会网络关系三个方面进行有效融合,构建微内容推荐路径模型算法,并证明该算法的可行性和有效性。

动态路径推荐算法在城市智慧交通技术中的应用

近年来,城市异常拥堵的交通已对人们的日常出行造成了很大困扰,这一现实情况为人工智能技术在智能交通领域当中的应用提供了良好的契机。主要探讨引入动态路径算法,对城市交通带来的影响,通过仿真实验得知,城市交通状况预测模型表现相对传统模型更加优秀,再利用动态路径推荐算法可以最大程度节约行驶时间,而且在20×20的栅格粒度情况下,节约率恒定,这样可以证实算法和模型的有效性。

基于频繁轨迹序列模式挖掘的路径推荐方法

出行路径推荐是智能交通领域的重要研究内容之一。传统路径推荐方法往往基于路径最短或通行时间最短等单一因素进行路径推荐,而忽略了城市人群出行模式对路径推荐过程的影响。针对上述问题,提出了一种基于频繁轨迹序列模式的路径推荐方法,在数据预处理阶段基于历史轨迹数据库挖掘城市不同时段的频繁序列模式,并以此构建频繁路径序列模式库。在路径推荐阶段,对于给定起止点后确定的一组候选路径集合,利用所提出的长短模式权重评估模型对其进行量化评估并进行排序。然后,取出其评估值为Top-n的路径为用户进行推荐。通过4组模拟场景对推荐结果进行分析,结果表明该推荐方法具备合理性,同时将推荐结果和传统的最短路径和测试集比较分析,证明其推荐的路径更优,与传统的路径推荐算法相比其运行速度也更快。

一种基于RFID技术的路径推荐算法

如何针对不同客户的偏好来创建高质量的服务已经成为目前旅游管理者所关注的问题。为了能够满足这些需要,提出了一种基于RFID技术的路径推荐算法。该算法基于用户所提交的期望访问地点,来推荐相关的路径。对于访问地点以及时间戳分析的数据是基于RFID技术获得的,并且存储在路径数据库中。首先提出RFID概率事件兴趣点序列的发现算法;其次,根据用户提交的路径推荐要求,基于前面得出的兴趣点序列,提出路径推荐算法;最后,通过模拟实验证明算法的有效性。

融合电网和交通网信息的电动车辆最优充电路径推荐策略

目前关于电动汽车充电路径推荐的研究大多从电动汽车与电网间的交互,以及电动汽车与交通网间的交互两个方面独立开展工作,很少将大规模电动汽车、配电网与道路交通网三方面作为一个整体开展研究,为此该文提出"车–网–路"系统概念,并进行初步研究。在此基础上,对"道路交通网–配电网–大规模电动汽车"系统模型进行完善,该模型包括含有3种拓扑结构的10 k V配电网模型、基于北京市三环以内实际道路情况的道路交通网模型和以快速充电方式充电的大规模纯电动汽车(battery electric vehicle,BEV)模型,并建立配电网评价体系。基于路段权值思想和Dijkstra最短路径算法,提出一种大规模电动汽车最优充电站推荐和路径规划方法。在此基础上,利用Matlab和MATPOWER软件,对12 000辆纯电动汽车从上午6点到中午12点在路网中的行驶和充电情况进行仿真。结果表明,采用所提最优充电路径推荐策略,可一定程度上解决大规模电动汽车的充电行为带来局部道路交通拥堵以及配电网节点压降过大、线路功率损耗过多等安全、经济问题。

基于领域本体的学习路径推荐策略研究

为了解决学生在线学习过程中的“认知过载”和“学习迷航”等问题,充分发挥网络课程资源的教学辅助作用,以《决策支持系统》课程为例,提出一种基于领域本体和语义相似度的个性化学习路径推荐策略。根据领域知识点及其关系构建本体库,建立知识点间语义关系,并用Protégé进行本体形式化编码;基于本体设计学习路径生成策略和相关知识协同策略;最后,结合《决策支持系统》课程现有网络资源设计并开发原型系统,实现个性化学习引导及资源空间优化。实验表明,该平台能够实现在线学习路径的有效引导,为学生提供个性化学习空间,优化在线学习效果。

基于网格化的出租车空载寻客路径推荐

出租车在城市交通中扮演着十分重要的角色。通过研究出租车空载寻客路径推荐来提高出租车载客效率,具有较大的现实意义。许多城市以"环"进行区域划分,使出租车订单OD(Origin-Destination)数据呈现出环内相似、环间不同的分布特点。基于此,对订单数据进行环形切分,结合区域面积和订单数量建模,计算出租车载客核心点。提出网格化的出租车空载寻客曼哈顿路径算法,将出租车与载客核心点之间的区域进行网格化处理,找出载客概率最大的一条曼哈顿路径推荐给空载出租车司机。实验表明,较直接聚类方法,先进行环形数据切分计算出的载客核心点分布更加均匀、合理。基于网格化方法推荐的最优曼哈顿路径载客概率不低于经典的基于最短距离的路径规划算法获得的路径。

一种面向学习路径推荐的知识网络构建方法

随着在线教育的迅速发展,互联网上的教学资源数量也呈现出快速增长的趋势。针对当前在线学习平台普遍存在着教学资源内容重复、人们难以辨别与选择,导致学习者很难应用这些资源构建适合自己的学习路径的问题,提出一种面向学习路径推荐的领域知识网络构建方法。通过对每个学习对象的预备知识与目标知识进行社会标注,构建相应的领域知识网络,然后,运用弗洛伊德算法计算领域知识网络里任意两个知识点间的最短路径,为学习路径推荐提供基础。