基于蚁群聚类的二部图网络推荐算法

二部图网络推荐算法是近几年研究较多的推荐算法,但在进行资源分配时都是基于全部用户的资源,大量不相干的用户使得用户间的耦合度下降,影响推荐质量。针对该问题,文中利用蚁群聚类算法基于用户进行聚类,后根据项目一定半径内的项目集合进行二部图网络推荐,实验结果显示在一定条件下该算法相比原来算法有较好的推荐性能,表明该算法在一定的条件下能降低耦合度过低的影响。

大数据环境下的移动社交网络推荐算法

社交网络每天都会产生半结构、结构化及非结构化的大量数据,数据的增长速度也远远超出了硬件需求的摩尔定律。目前,社交网络中还存在恶意评论、刷网站关注度等现象,都严重影响了大数据的分析和处理。为了能够有效提高大数据的处理效率及网站推荐的精准度,本文提出了一个个性化的推荐模型,并且分析了此模型的推荐算法,以此能够提高用户使用的满意度,实现准确及高质量的个性化推荐。

浅探网络推荐算法的经济运作逻辑与社会影响

随着互联网与人工智能技术的愈发成熟,网络推荐算法作为两者之结合,已成为当今社会网络信息交互最主要的方法之一。推荐算法的经济运作逻辑的基础是适配于市场经济的资本逻辑,主要在于对信息需求侧的高度满足,从而广泛拉动话题热度并通过周边商品转化为可用资本,形成扩大再生产的循环链。信息需求侧的高度满足会带来产品供给侧的快速生长,也即刺激经济发展。然而推荐算法所带来的同质化信息会将人逐渐关入信息茧房,社会异质化现象加剧,导致网络社会的群体性分割,降低社会凝聚力,潜在激化了社会群体间矛盾。基于推荐算法目前对社会造成的影响具有两面性,除推动经济发展外,重视科技对社会意识的塑形也是网络空间治理的应有之义。

用户兴趣对个性化推荐的影响

利用用户-产品二部分图中度量同类节点相似性的加权映射方法,研究了用户的兴趣对基于物质扩散的个性化推荐算法的影响并提出了相应的改进算法,其中用户的兴趣定义为用户所选择过产品的平均度。该算法中在推荐过程中假设用户收集产品被赋予的推荐强度应由用户的兴趣点和产品自身的度一起决定。数值实验结果显示该算法可以提高原物质扩散算法的准确度。进一步,当数据集稀疏的时候,算法应该赋予与用户兴趣点相近的产品更大的推荐强度;随着数据集变得越来越稠密,应该赋予用户的兴趣点外的其他产品更多的权重以提高算法的准确度和推荐列表差异性。