基于用户模式聚类的智能信息推荐算法

基于数据挖掘的智能信息推荐日益成为一个重要的研究课题。针对现有智能信息推荐算法存在的不足,提出了一种基于用户模式聚类的智能信息推荐算法(IRUMC)。该算法将相似的用户模式聚类到一起,生成用户聚类模式,然后将用户访问操作与用户聚类模式进行匹配,最后形成推荐集。它比较适合新用户、访问站点较少的用户和有新颖性信息需求的用户。实验结果表明,该算法是有效的。

数字图书馆智能信息推荐服务满意度影响机理的扎根研究

当前,数字图书馆的信息环境已由信息不足转变为信息过载,其对应的服务模式也应由“人找信息”转变为“信息找人”。智能信息推荐服务的应用有助于应对新信息环境转变给数字图书馆带来的新挑战,但目前国内外对数字图书馆智能信息推荐服务满意度的影响机理尚缺乏深入研究。本文利用扎根理论方法,通过对访谈获取的原始资料进行编码分析,提炼出78个初始概念、24个基本范畴和6个主范畴。在此基础上,梳理范畴间的关系路径与作用机制,并构建了数字图书馆智能信息推荐服务满意度影响机理的理论模型。研究结果发现,在用户偏好的调节作用下,推荐系统质量、推荐信息质量、推荐服务质量和推荐形式共同对数字图书馆智能信息推荐服务满意度产生影响。本研究结果可为数字图书馆服务优化与良性发展提供有益参考,具有理论和实践意义。

基于用户分层的电子商务智能信息推荐策略

针对全体用户采用同一推荐方法的传统推荐策略已不能满足当前电子商务企业和用户的要求.取而代之的是以用户为中心,在充分挖掘用户价值的基础上进行有针对性的信息推荐.将电子商务用户分层为新用户、高端用户和普通用户,提出了基于用户分层的电子商务智能信息推荐策略.针对用户的不同,设计有针对性的推荐方法,以实现企业与用户的双赢.实验结果表明,提出的推荐策略和推荐方法是有效的.

基于知识图谱的智能信息推荐模型构建仿真

网络大数据之间独立性较强,导致信息推荐难度较大,无法满足用户个性化要求。提出基于知识图谱的智能信息推荐模型。扩展与改进单元模型,设计领域知识模型,并动态更新知识图谱,设计学习者模型架构。利用牛顿-拉夫逊迭代法求取认知水平,界定信息推荐达成度,实现最优路径的智能信息推荐。仿真结果证明,所构建的模型信息推荐路径更优,且推荐精度更高,具有更高的实际应用价值。

大数据驱动下基于情景感知的智能信息推荐研究

大数据时代的来临引发了以"数据"驱动人类思维和决策的重大变革,利用大数据挖掘、机器学习等先进数据分析技术,从海量大数据里析取有用信息,智能服务于用户已成为信息服务的主要途径。信息推荐是一种智能信息服务机制,能根据用户兴趣自动组织和调整信息内容,是解决"信息过载"的有效工具。文章融合大数据、情景感知与信息推荐技术,研究大数据环境下用户情景的智能获取与高层推理,大数据驱动下基于情景感知的智能信息推荐流程与推荐模型。

基于协作过滤的Web智能信息推荐方法

传统的协作过滤方法存在的主要问题是需要人为地提供评价,论文设计的协作过滤方法对其进行了改进,根据用户模式自动获取用户评价,构建评价矩阵。将设计的协作过滤方法应用到个性化信息推荐,提出一种基于协作过滤的Web智能信息推荐方法(WIIRM)。WIIRM考虑用户访问页面的时间特性,不需要用户注册,在推荐时考虑页面的新颖性,同时实现离线处理与在线推荐的结合。实验结果表明,WIIRM是有效的。

信息智能推荐系统目标特征数据挖掘方法

为提高信息智能推荐系统的目标特征数据挖掘精度,提出新的信息智能推荐系统目标特征数据挖掘方法。采用分布式链路融合方法构建数据存储模型,在多维特征空间中实现对特征数据的解析,基于此分析目标特征分布集,根据大数据的关联规则分布特性,实现数据智能融合处理。采用显著度特征解析控制的方法提取目标特征模板匹配特征量,实现信息智能推荐系统目标特征数据的挖掘。实验结果表明,所提目标数据挖掘方法准确性较高,且信息智能推荐系统目标特征数据挖掘过程具有较为理想的聚类性。

媒介融合下的坚守与突破——从齐鲁晚报“青未了”转型谈全媒体时代副刊的创新实践与思考

随着新兴媒体进入日常生活,各种各样的传播方式开始潜移默化地改变着大众接受信息的方式。融合是新型主流媒体的内在特质和建成新型主流媒体的必由之路。副刊掌握的智力资源、思想文化资源,是提升媒介影响力、关注度的关键所在;同时,副刊的触角又是向下的,可以链接纸媒向融媒转型时亟待发展的“超级用户”。副刊的这些特性契合了新媒体时代纸媒转型的形势需求,在媒介融合时代越来越被认可,成为纸媒转型转战新媒体的利刃。齐鲁晚报“青未了”副刊在媒介融合时代的探索,也恰恰是对传统媒体在新形势下走向的有益探索。