基于改进Prefix Span的结构超手册修理方法推荐

针对当前民机结构超手册修理能力提升的迫切需求,提出了一种基于改进Prefix Span的结构超手册修理方法推荐模型。以某型国产民机结构超手册修理案例数据为样本,构建案例特征指标层次并对数据分级和结构化预处理,基于改进Prefix Span算法对案例损伤信息和修理方法频繁序列进行充分挖掘,生成超手册修理关联规则集,通过目标案例和频繁序列间相似度匹配,实现了超手册修理方法的智能推荐。测试结果表明,模型超手册修理方法推荐总准确率可达85.3%,显著高于改进前算法,具备良好的准确性和可用性,可为结构超手册修理决策、方案制定等提供一定的参考依据。

药物气相色谱分析衍生化方法推荐专家系统的设计与实现

介绍了药物气相色谱分析衍生化方法推荐专家系统。该系统可对分子量小于 5 0 0 ,且分子中含有- COOH、- COO-、- OH、- O-、- N H2 (包括 R- NH2 、- CONH2 、- SO2 NH2 )、 NH (包括 R1 NHR2 、- CON HR、-CONHSO2 -、- SO2 NHR、R1 NHCONH R2 )、 N-、R4N(+)、 C=、- CHO、- SH、- SO3H、- SO3- 等官能团的药物实现衍生化方法推荐 ;并能自动调用柱系统推荐子系统 ,推荐适合于衍生物的柱系统。作者以 Turbo Prolog为程序设计语言 ,采用产生式规则和谓词逻辑的知识表达方式以及深度优先搜索的正向链推理控制策略 ,在

基于web平台的中药指纹图谱方法推荐系统的设计与应用

目的有效的推荐中药指纹图谱实验方法,实现中药指纹图谱实验方法知识的网络共享。方法采用视图-控制-模型三层模型架构,基于.net框架,以visual studio为开发平台,SQL,server 2005数据库。结果构建了基于.net的B/S结构的中药指纹图谱方法推荐系统。结论该方法通过专家知识库的实现为实验者提供中药指纹图谱实验指导、方法推荐,提高了实验效率。

基于知识图谱的制造资源推荐方法研究

在新时期智能制造飞速发展的背景下,制造业规模持续扩大但是制造模式和技术平台落后,许多企业制造资源联系不紧密,难以形成高效协同的产品制造方法。为在产品制造加工时给出合理的制造资源推荐方案,提高产品制造效率量,提出了一种基于知识图谱的制造资源推荐方法,通过本体构建和实体抽取技术构建制造领域知识图谱以及零件需求知识图谱,实现供需信息的表达,然后根据知识图谱嵌入方法,实现制造资源和产品需求的匹配,得到最优的制造资源推荐,实现了对于产品制造需求的快速响应和精准资源推荐,并通过实例对该方法进行了验证。

基于自监督的多视角图协同过滤推荐方法

现有的图协同过滤算法在现实场景中存在数据稀疏问题,同时在相邻信息聚合的过程中使得特征学习更容易受到交互噪声的影响。为了解决上述问题,提出一个基于自监督的多视角图协同过滤(SMGCF)推荐方法,通过图神经网络学习用户和项目节点的嵌入表示。在学习节点嵌入表示的过程中,考虑到单个节点间的交互关系以及聚类节点间的聚类关系对推荐结果的影响,引入自监督学习来辅助图协同过滤算法进行多视角关系的挖掘。针对节点交互级关系视角,通过数据增强得到多个用户-项目交互二分图,并且提出一种节点交互级关系的对比学习方法;针对节点聚类级关系视角,提出一种节点聚类级关系的对比学习方法。通过多视角融合策略将2种类型的对比学习方法进行融合,从而提升节点嵌入效果。在4个公开的数据集上进行实验,实验结果证明了SMGCF的可行性和有效性。相比最优基准方法NCL,SMGCF在Recall@10和NDCG@10指标上最高可提升2.1%和4.3%。

知识图谱的双注意力机制推荐方法

为解决知识图谱推荐方法中存在的忽略用户个人信息,或将用户和项目采用相同注意力机制,致使用户和项目的潜在语义表达不充分的问题,提出了一种知识增强的双注意力机制推荐方法。采用交叉压缩融合单元获取用户个人信息和交互历史的潜在特征,以增强用户特征表示;使用不同注意力机制关注用户和项目的重要邻居,以增强知识图谱中的结构信息和语义信息表示。为了验证方法的有效性,在MovieLens-1M、MovieLens-20M、Book-Crossing和Last. FM这4个数据集上进行实验,并与RippletNet、KGAT、CKAN等6种方法进行对比分析。结果表明,本文方法与RippletNet、KGCN、LKGR等方法相比,受试者工作特征曲线下面积(area under the receiver operator characteristic curve,AUC)性能平均提升了5.34%。

基于用户兴趣模型的大学生就业信息推荐方法

为提高推荐就业信息与大学生偏好就业信息的匹配程度,文章将个体就业需求作为前提条件,设计一种基于用户兴趣模型的大学生就业信息推荐方法。首先,利用兴趣模型中的关联规则,对高校提供的就业信息中兴趣特征点进行匹配;其次,在既定的分类规则下,根据就业文本信息的内容对其进行类别划分;最后,根据用户浏览高校就业信息、在就业招聘界面的停留时间等,针对大学生偏好进行计算。对比实验结果表明:本文中设计的推荐方法应用效果良好,按照规范使用该方法进行大学生就业信息推荐,能够增加推荐就业信息与大学生偏好就业信息的匹配程度,为大学生提供更加优质的就业服务,提高大学生就业质量。

基于内容解译的遥感图像推荐方法

随着遥感技术的不断发展,遥感数据呈现出海量增多的趋势,如何提供精准及时的遥感信息推荐服务成为亟待解决的问题。现有的遥感图像推荐算法大多针对用户画像进行设计,忽视了图像内容的语义信息对推荐结果的影响。针对上述问题,提出一种基于内容解译的遥感图像推荐方法。首先,通过基于YOLOv3的目标检测模块对遥感图像进行目标提取;然后,整合关键目标的位置分布向量作为图像内容信息;同时,构建多元素的用户兴趣画像,并根据用户主动搜索历史进行动态调整,以提高推荐结果的个性化程度;最后,将图像内容信息与图像自带属性信息、用户画像模型进行匹配,实现遥感数据的精准智能推荐。在真实订单数据上与较新的仅基于图像属性信息的推荐方法进行对比实验,实验结果表明,所提方法在实验数据上取得的正负样本区分度比考虑用户画像的推荐方法提高了70%;在耗时基本相近的情况下,在使用10%训练数据时,推荐错误率与对比方法相比下降了4.0~5.6个百分点,而在使用100%训练数据时推荐错误率则下降了0.6~1.0个百分点,验证了所提方法的可行性与有效性。

基于大数据挖掘的公共图书馆少儿阅读推荐方法

文章针对当前公共图书馆少儿阅读推荐服务中存在的问题,研究了基于大数据挖掘的公共图书馆少儿阅读推荐方法,通过对比实验的方式证明了该方法的优越性,即对于少儿和少儿家长偏好度的提升效果更好,且能在满足少儿阅读需求的基础上引导少儿养成良好的阅读习惯。

基于特征聚类和时间序列分析的协同过滤推荐方法

分布式系统各节点间的故障特征具有相似性,推荐方法根据故障特征的相似性给出推荐结果,能够提升维护效率。推荐方法采用相似度全局比对,计算效率较低。维护方案的有效性随时间降低,存在时效性差的问题。提出了一种基于特征聚类和时间序列分析的协同过滤推荐方法,利用K-means算法对故障特征进行聚类,以提升相似度比对的计算效率。根据多模态故障特征融合匹配维护方案,对推荐结果进行时间序列分析,调整维护方案权重,保证推荐结果的准确性和时效性。此外,利用均值策略实现了评分融合,建立多故障特征下的组推荐模型。实验表明,与UBCF和IBCF两种方法相比,该文方法的准确率分别提升了1.27%和4.46%,召回率分别提升了2.77%和0.61%。

基于多源信息的商品详情页推荐方法

现有的商品详情页内的商品推荐,通常会基于主商品的品牌、店铺、类目等信息推荐相似商品,同质化较为严重,且存在新商品冷启动困难。基于此,文章提出一种基于多源信息的商品详情页推荐方法,能够基于主商品的意图进行适度泛化,引入评论信息,强化与延伸用户的即时兴趣,不仅能缓解浏览过程中的疲劳度,还能缓解新商品冷启动困难的问题。通过对比实验,实验结果表明,所提方法的mAP值较高,NDCG有较明显提升,在推荐排序方面的性能较好,具有较好的推荐效果。

基于会话的推荐方法综述

近年来,基于会话的推荐方法受到学术界的广泛关注。随着深度学习技术的不断发展,不同的模型结构被应用于基于会话的推荐方法中,如循环神经网络、注意力机制、图神经网络等。该文对这些基于会话的推荐模型进行了详细的分析、分类和对比,阐明了这些方法各自解决的问题与存在的不足。具体而言,该文首先通过调研,将基于会话的推荐方法与传统推荐方法进行比较,阐明基于会话的推荐方法的主要优缺点;其次,详细描述了现有的基于会话的推荐模型如何建模会话集中的复杂数据信息,以及这些模型方法可解决的技术问题;最后,该文讨论并指出了在基于会话推荐的领域中存在的挑战和未来研究的方向。

基于协同过滤的高校图书馆数字资源个性化推荐方法

常规的数字资源个性化推荐方法容易受数据稀疏性的影响,导致推荐结果精准度低,因此提出基于协同过滤的高校图书馆数字资源个性化推荐方法。构建资源个性化推荐模型,生成个性化推荐预测评分,并基于协同过滤算法计算个性化推荐相似度,通过不同推荐算法体现大学生对书籍的不同兴趣度,从而实现高校图书馆数字资源个性化推荐的目的。设计对比实验,实验结果表明该方法在提升个性化推荐精准度方面具有显著效果,产生的推荐更加符合大学生的需求,一定程度上可以提高推荐质量。

基于广义回归神经网络的网络信息资源个性化推荐方法

传统网络信息资源个性化推荐方法无法存储长期信息,导致推荐精度低,召回率高。因此,研究基于广义回归神经网络的网络信息资源个性化推荐方法。首先,获取初始兴趣偏好特征数据,分配相应权重进行归一化处理;其次,确定训练样本的收敛范围,调整权值得到不同层神经元之间的连接权值和阈值,并输出匹配结果;最后,运用过滤推荐算法计算环境网络信息资源偏好和用户网络关系,得到训练样本相似度,生成近似数据集,根据偏好完成个性化推荐。实验结果表明,该方法的召回率最低,推荐准确程度高。

融合CatBoost的改进协同过滤推荐方法

传统协同过滤算法存在推荐精度不高、用户冷启动的问题。为解决以上问题,提出一种融合改进协同过滤与集成学习算法CatBoost的推荐方法,并讨论不同情况下推荐方法的多样性表现。该方法引入基于相对相似度指数(RSI)的重要最近邻(SNN)方法识别最近邻进行推荐预测;使用原始数据集训练CatBoost模型对改进协同过滤产生的召回集进行二次预测,并使用原始数据集对存在冷启动的用户进行预测,有效缓解冷启动问题;最后使用公开数据集Movie Lens进行比较实验,并讨论了在选择不同最近邻和TopK值时协同过滤算法的多样性表现。实验结果表明,改进协同过滤算法在准确率、召回率、F1 measure上均取得了更好的精度表现;融合CatBoost的改进协同过滤推荐方法虽相较融合随机森林和XGBoost的推荐方法有一定的多样性损失,但获得了更好的推荐精度。

基于相似度算法的中国建筑史线上课程教学资源推荐方法

传统教学资源推荐方法无法处理大量过载信息且质量参差不齐,因此文章研究基于相似度算法的中国建筑史线上课程教学资源推荐方法。首先将兴趣与教学资源的相似度和知识之间连接度融合,构建线上教学资源推荐模型;其次利用信息检索与数据挖掘加权技术,完成相似度算法的增加和文本特征权重的计算;最后通过Apriori算法挖掘用户置信度,与用户相似度进行融合后,完成线上课程教学资源的推荐。测试结果表明:教学资源推荐方法增加相似度算法后,完成教学资源推荐的平均用时为14.8 s,平均准确率也可以达到99.431%,提高了教学资源推荐质量。

融合多特征和双向图分类的专家推荐方法

专家推荐是推荐系统领域的一个研究热点,专家信息特征提取的合理性直接影响到推荐的准确性。然而多数专家推荐方法未对多源信息构建特征关系文本图,忽略了属性特征之间的相关性,以及无法依据关联性拓展知识领域特征。针对以上问题本文提出了一种融合多特征和双向图分类的专家推荐方法CMFBG。首先通过多源信息融合获取专家个体多特征信息,并对不同属性特征构建类内文本图;然后分别使用基于Transformer的双向编码器表示(Bidirectionalencoder representation from transformer,BERT)模型和图卷积神经网络(Graph convolutional network,GCN)模型对特征提取并融合;最后通过双向注意力机制增强源数据对图特征的扩展,实现图结构上的分类。在同一专家数据集上进行实验分析,结果表明在图分类任务中CMFBG精确率高于其他算法,达到了91.71%。

基于知识图谱的高校创新创业资源个性化推荐方法

针对高校创新创业资源个性化推荐结果的召回率不高的问题,提出基于知识图谱的高校创新创业资源个性化推荐方法。首先,抽取互联网中的创新创业资源知识,基于知识图谱建立语义匹配矩阵;其次,计算三元组向量及特征矩阵,得到对应的语义匹配矩阵;最后,构建兴趣模型,设定个性化推荐参数,实现高校创新创业资源个性化推荐。实验结果可知,该方法的平均召回率为0.2612,较其他方法高0.07~0.08,能够有效提高推荐结果的召回率。

基于用户需求的计算机专业教学资源推荐方法

传统计算机专业教学资源推荐方法旨在直接对教学资源推荐算法进行设计,未构建专业的教学资源推荐模型,存在推荐效率低等问题。文章提出了基于用户需求的计算机专业教学资源推荐方法,该方法可构建专业教学资源推荐模型并确定计算机教育资源的语义特征,从而基于用户需求完成教学资源推荐算法的设计,进而将模型和推荐算法应用于计算机专业教学的字眼推荐流程中,旨在实现计算机专业教学资源的精准推荐。经对比实验证明,该方法能够缩短计算机教学资源的推荐时间并提高推荐效率。

互联网环境下数字图书馆英语阅读资源个性化推荐方法

常规的数字化图书馆英语阅读资源个性化推荐模型多为独立式结构,推荐的效率较低,导致资源推荐精度大幅度下降,为此提出对互联网环境下数字图书馆英语阅读资源个性化推荐方法的设计与分析。根据当前的测试需求及标准,先进行用户英语阅读特征偏好挖掘,计算出推荐相似度,采用多目标的方式,提升推荐效率,并设计互联网多目标英语资源推荐模型,最终采用协调过滤的方式来实现个性化推荐处理。测试结果表明:针对选定的4个测试小组,经过3个批次的测定,最终得出的资源推荐精度均可以达到90%以上,说明在互联网背景的辅助下,此种英语推荐方法更加高效,具有实际的应用价值。