基于逻辑回归的文献推荐系统的排序方法

应用数据挖掘技术对知识服务平台上的海量文献进行特征发掘,使用机器学习算法推荐文献,能帮助用户快速获取有效信息。基于逻辑回归的文献推荐系统的排序方法是将文献推荐作为分类问题,采用逻辑回归模型作为排序模型,对文献进行打分推荐。文章认为,可通过分析推荐应用场景和用户日志分布,确立学习目标和采样方案;进而分析文献侧、机构侧、作者侧以及交互特征,进行特征筛选,构建特征数据集合,而后采用逻辑回归模型进行拟合。将线上流量划分为多个同等流量组,并将训练好的模型进行线上对照试验发现,点击率显著增加,说明该方法能够利用文献、用户、上下文等多种特征,通过预测正样本的概率对文献进行个性化排序,效果显著且训练和工程成本低,是一种投入小、见效快的方案。

大数据环境下基于用户画像的学术文献推荐系统研究

文章在阐述用户画像概念的基础上,从技术工具、数据模块、学术文献数据库、学术文献推荐模块等角度总结了基于用户画像学术文献推荐系统的构建方式,以期为用户推送符合其需求的学术文献。

基于贝叶斯网的数字图书馆个性化文献推荐系统的研究

为适应信息社会知识量的庞大和增长速度的不断加快,构建和不断完善数字图书馆的个性化推荐系统,从而能为信息用户提供更好的服务。贝叶斯网模型是作为一种不确定知识表达和推理领域的有效理论模型,将其引入到数字图书馆推荐系统中,探讨数字图书馆信息用户的借阅模式,能更好地发现读者个性化的信息查询行为、习惯和喜好,从而向读者推荐个性化的文献资源。

文献推荐系统:提高信息检索效率之途(英文)

在当今的信息环境里,传统的信息检索系统在提高搜索性能方面有其局限性。传统信息检索系统的高查全率和查准率充其量也只能达到查询词所能表达的程度,但构造准确的查询词通常又是用户的困难所在,而且让用户评价每一篇搜索结果也很费时。自20世纪90年代以来不断开发的推荐技术被用来帮助解决传统的信息检索系统所存在的问题。介绍文献推荐系统的基本过程和主要内容,尤其是基于内容过滤和协作过滤的两种推荐技术,并讨论现行文献推荐系统面临的问题及系统评估问题,这些问题需要在未来的系统设计中加以考虑。

文献情报大数据技术在智能推荐系统中的应用研究

文献推荐的目的是为用户推荐与浏览文献研究领域相近的文献,从而降低用户从海量数据中检索所需文献的负担。智能文献推荐系统不仅具有普通推荐系统的特征,而且能够综合考虑文献多维度信息对推荐效果的影响。笔者从引文推荐和相似度推荐入手,构建一个基于文献情报大数据的智能文献推荐系统。

基于多标签属性的学术文献推荐研究

采集用户的标签行为形成标签数据集,运用K-近邻算法模型将标签数据集向量表示为多维的形式,利用欧氏距离公式评价各文献之间的相关度,从而实现主动向用户推荐文献。最后,针对计算复杂度和准确率等问题,提出今后研究方向。