基于用户偏好的多媒体视频个性化智能推荐方法研究

为了满足用户个性化需求,提出基于用户偏好的多媒体视频个性化智能推荐方法。采集用户历史浏览行为数据,对提取的视频特征向量作相似度计算,生成视频候选集,建立视频浏览兴趣点(PoI)关联图,根据用户浏览时间计算其对不同类别视频PoI的兴趣偏好度,选择排名靠前的N个视频生成推荐列表,实现多媒体视频个性化智能推荐。实验结果表明,该方法可实现多媒体视频个性化推荐,当其维度为180时,视频推荐的Top-1指标最高;兴趣吻合度指标均值达到94.9%,Top-1均值为95.51%。

基于用户模型的个性化本体学习资源推荐研究

如何基于学习者的个性化学习特征,使学习者在大量学习资源和学习活动中快速定位自己最适合的内容已成为当前热点问题。本文研究的SAELS(Semantic Adaptive e-Learning System)实现以本体技术为核心,以用户模型为依据的个性化本体学习资源推荐。文中首先以课程《C程序设计》为例构建本体,然后介绍了如何构建一个成功的用户模型,接着提出了个性化本体学习资源推荐模型,最后重点探讨了如何根据Felder-Silverman学习风格量表和学习过程行为模式,推断学习风格,和基于概念累积计分法推断认知水平两个层面加以整合实现个性化本体学习资源推荐。

综合用户偏好模型和BP神经网络的个性化推荐

个性化推荐是目前解决电子商务中产品信息过载问题的有效工具之一。对综合用户偏好模型和BP神经网络的个性化推荐算法进行了研究。具体讨论了如何建立用户偏好模型,采用神经网络训练得到目标用户的偏好模型,通过Movielens数据库验证该模型的有效性。提出了一个基于内容的个性化推荐算法。

基于改进图神经网络和用户偏好聚类的个性化学习资源推荐算法

由于学习资源中知识点构成的复杂性以及用户需求的差异性,导致最终的推荐结果存在较大差异,为此,提出基于改进图神经网络和用户偏好聚类的个性化学习资源推荐算法。从交流互动、自主学习意识以及学习能力3个方面分析用户的偏好,在图神经网络中引入元数据概念,建立以知识点为基础的学习资源本体,实现资源之间的关联关系,对用户偏好和资源本体双重聚类后,匹配类之间的拟合关系,确定推荐内容。通过实验测试验证该设计方法推荐内容的精确率为60.96%,召回率为65.42%,F综合评价指标为62.57%,说明该方法具有良好的性能。

数字图书馆的用户偏好模型及个性化推荐研究

图书馆是知识和信息的集散中心,随着人工智能技术、可视化技术、数字化存储技术、通信技术、网络技术的发展,数字资源不断增加,以数字资源为基础的数字图书馆是今后图书馆发展的大势所趋。虽然数字图书馆快速发展,受人们生活习惯、心理、生理等因素,以及计算机软件、硬件水平的影响,纸本图书馆还会在很长时间内处于优势地位。数字图书馆的成功与否和用户选择服务的意向有直接影响。数字图书馆要为用户提供个性、准确的服务,需要建立用户偏好模型,进而针对用户需求进行个性化推荐,促进数字图书馆健康、持续发展。

基于用户偏好的多特征融合个性化图书推荐模型

随着图书馆图书数量的增加,读者无法快速获取自己所需资源。针对数字图书馆无法为用户提供准确个性的图书推荐服务的问题,通过分析个性化推荐技术,构建了一种基于用户偏好的个性化图书推荐模型,并进行了系统的研究。最后通过试实验验证其模型的有效性。

基于用户偏好的个性化推荐系统研究

随着互联网的快速发展,网络信息也呈指数级增长,用户面临着信息过载(information overload)的难题。如何能够从海量信息中帮助用户找到有价值的信息,这使得个性化推荐系统具有越来越重要的作用。本文首先简要概述了用户偏好,然后分析了用户偏好的建模过程及方法,最后对基于用户偏好的个性化推荐算法进行了重点分类阐述,并分析了不同推荐算法的优势与不足,对推荐系统更好地挖掘用户的兴趣偏好,提升个性化用户服务起到促进作用。

基于用户偏好特征挖掘的个性化推荐算法

为了提升社交网络个性化推荐能力,结合用户行为分布进行个性化推荐设计,文中提出基于用户行为特征挖掘的个性化推荐算法,构建社交网络的用户行为信息特征挖掘模型,采用显著数据分块检测方法对社交网络用户特征的行为信息进行融合处理,提取反映用户偏好的语义信息特征量。从情感、关键词和结构等方面根据用户行为特征组,结合模糊信息感知方法进行社交网络个性化推荐过程中的信息融合处理,在关联规则约束控制下,构建社交网络用户偏好特征的混合推荐模型,实现用户偏好特征挖掘,根据语义分布和用户的行为偏好实现社交网络的个性化信息推荐。仿真结果表明,采用所提方法进行社交网络个性化推荐的特征分辨能力较好,对用户行为特征的准确识别能力较强,提高了社交网络推荐输出的准确性。

基于知识图谱和用户长短期偏好的个性化景点推荐

基于序列化的推荐算法在多个领域取得了不错的效果,但仍存在一些问题,如没有考虑所有项与项之间的关系,推荐准确度会大大降低。因此提出一种基于知识图谱和用户长短期偏好(KG-ULSP)的个性化景点推荐方法。通过引入知识图谱,使用网络表示学习方法,学习景点的特征向量表示,使得具有相似结构和相似属性的景点在低维特征空间中的距离比较近,以此表示他们的高级语义特征。然后利用门控循环单元GRU对已学习到的景点特征向量进行序列化信息建模,进一步抽取景点的访问序列特征。另外,考虑到用户偏好可能随时间发生变化,KG-ULSP模型同时学习用户的长期偏好和短期偏好,最终预测并返回用户可能感兴趣的推荐列表。通过在真实旅游数据上的实验,验证了所提方法的有效性。

基于产品属性及用户偏好的个性化产品推荐方法

个性化推荐系统中应用得最广泛的是协同过滤算法,而相似度的计算是协同过滤算法的核心。针对传统相似性度量方法中将用户对单个产品与单类产品的喜好未加以区分的不足,提出了一种基于用户兴趣与喜好的相似性计算方法。该方法根据用户兴趣与喜好,将对某个产品与某类产品的喜好程度区分开来,再通过加权的方式形成最终计算同类产品不同用户间的相似性。最后,采用Movie Lens数据集进行算法测试,测试实验结果表明,该计算方法的计算质量有明显提高。

基于本体用户兴趣模型的个性化推荐系统

针对传统个性化推荐系统用户兴趣模型创建和更新的不足,无法准确地感知用户特定背景下的语义信息和用户兴趣随着时间的变化,基于用户兴趣本体提出一种新用户兴趣模型,并通过激活扩展理论描述该用户兴趣模型的更新算法。同时,改进了推荐算法,结合协同过滤进行个性化推荐。实验结果表明,该模型能够有效反映用户兴趣,新的推荐算法在MEA、多样性、冷启动处理、稳定性方面都具备很高的性能。

融合多个性化桥和自监督学习的跨域推荐算法

针对跨域推荐系统中目标域中项目交互较少的用户,提出一种融合多个性化桥和自监督学习的跨域推荐算法(MS-PTUPCDR)。首先,在目标域加入变分二部图编码器,使用变分推理框架生成潜在变量,目标域用户表示聚合其同构邻居信息。其次,将用户单一偏好桥扩展为用户多个性化偏好桥,将用户在多源域可转移的用户因子转移到目标域,在目标域加入多头注意力机制融合分别来自不同源域转换的用户潜在因子作为自监督学习的辅助任务。最后,在目标域中将聚合用户邻居因子和融合后的用户多源域转移用户因子进行自监督学习。在目标域通过用户自监督学习后的用户因子和目标域项目因子点积进行目标域项目评分预测。算法在Amazon和MovieLens两个数据集上进行实验,结果表明算法在MAE和RMSE两个评价指标上优于对比基线算法,在两个数据集上与最优对比基线算法相比,MAE平均提升1.96%,RMSE平均提升1.92%,验证了算法的有效性。

一种基于用户投资偏好与产品特征的P2P网贷个性化推荐算法

互联网金融的蓬勃发展,在将普惠金融的实惠带给投资者的同时,也因理财产品的多样化,给投资者带来了挑选适合自己的网贷产品的困扰。鉴于此,系统结合P2P网贷平台投资者的个人投资偏好和平台产品的特征,设计了一种基于用户账户持续时间、活跃度及投资偏好的P2P网贷个性化推荐算法,以节约投资者决策时间,加快平台资金筹集进度。

基于用户偏好协同过滤算法的个性化学习资源推荐

本文介绍了个性化学习资源推荐的研究背景和意义,说明了传统教育存在的问题,阐述了协同过滤推荐技术原理、方法及在教育中的应用,并通过实验分析,发现基于该算法的个性化学习资源推荐能够有效地提高学生的学习效率。

基于用户偏好的个性化网络广告推荐专利技术综述

在大数据时代的背景下,网络广告的点击量呈现明显的长尾特性,即大量的广告并不能被用户接触,少量的被用户接触到的广告也并不能真正满足用户自身的需求,而个性化推荐技术的发展为解决网络广告中存在的长尾问题提供了一种重要手段.本文首先介绍了基于用户偏好的个性化网络广告推荐技术的发展历程,然后分析了其中重要的技术分支及其发展状况,最后对个性化网络广告推荐领域的重要申请人的专利申请及其技术演进做了进一步的分析.

个性化影片推荐系统中用户模型研究

个性化影片推荐服务是解决目前网络视频服务中影片资源迅速增长,用户"信息迷航"的有效方法。针对影片点播应用,给出个性化影片推荐服务系统的架构,根据用户点播历史记录即可实现与用户当前兴趣相关的影片推荐。提出基于本体论的影片模型,该模型有效保存了影片中与用户点播相关的信息,并在此基础上提出新的用户兴趣偏好学习算法,建立用户兴趣偏好模型。实验结果表明,基于影片本体论模型的推荐效果与传统方法相比,具有更高的准确率。

基于用户兴趣变化融合的个性化推荐模型

移动互联网的发展带来了大量的应用,提供个性化服务和个性化推荐是解决用户"应用迷航"的有效手段,针对与某电信运营商"游戏"应用平台类似的应用商店领域,提出了一种融合的个性化推荐解决方案。该方案通过对用户行为日志的分析生成用户的兴趣偏好模型,同时引入时间因子反映用户兴趣的漂移,将基于用户偏好分析的推荐方法与基于物品的协同过滤算法相结合形成了融合的个性化推荐模型。实验对比结果表明,该模型避免了两算法之不足,发挥了两算法的优势,有效地提高了该应用平台的综合推荐性能。

融合用户特征与偏好的个性化微博推荐

为了解决推荐算法中推荐结果不够个性化、推荐准确度不高的问题,提出了一种融合用户偏好及特征的个性化微博推荐算法。首先,利用用户的三大特征融合时间效应函数,计算用户相似度,筛选出用户最近邻域;其次,计算用户对不同类别的实时偏好度,来获得用户偏好类别;最后,将用户最近邻喜爱的微博与用户偏好类别相同的微博组成推荐列表,依据改进的预测评分公式预测用户对微博的感兴趣程度,并按照预测值的大小选择微博Top-k对用户进行推荐。实验结果表明,该方法能够实现对用户的个性化推荐,并且能够提高推荐的准确性。

基于标签挖掘的个性化推荐算法

基于标签的推荐算法中存在两个主要缺陷,缺乏用户对于标签偏好值的量化,以及不同标签在用户使用中所占权重。为此提出一种从标签角度出发的个性化推荐算法。分析用户历史行为中使用过的标签,根据用户历史行为建立用户的标签兴趣模型,利用标签兴趣模型计算用户对不同标签的偏好值;统计用户的历史评分记录,计算不同标签所占权重;将两者进行线性组合,得出用户对标签的兴趣度。利用余弦相似度,计算用户偏好相似度,将用户偏好相似度引入到矩阵分解模型中,进行项目评分预测和推荐。实验结果表明,在MovieLens数据集上,该算法相比于传统算法LFM和SVD++在RMSE上分别降低了5.00%和1.41%,在MAE上分别降低了5.07%和1.00%。

融入情境因素和用户偏好的农业信息个性化推荐模型构建

农业信息的获取对用户农业生产来说至关重要,其直接影响了农民的收入。由于农业具有地域性、季节性等情境特点,再加上用户具有个人偏好上的动态变化,使农业信息推荐的时效性尤为重要。基于此,将农业情境特点、用户搜索浏览行为、用户特征、信息偏好、时间变化等综合考虑,构建面向涉农用户的农业信息个性化推荐服务框架和算法模型。