隐含语义模型在推荐系统中的应用研究

隐含语义推荐模型是基于用户历史行为而自动聚类的算法,系统无需为物品打标签或分类,推荐系统可以自动将项目分成若干种类.为基本LFM推荐模型增加系统偏好、用户偏好和项目偏好参数,实验结果表明,改进后的推荐模型比基本模型的推荐效果提升1%.

基于P2P的隐含语义索引模型的研究

P2P作为一种新型的网络结构正受到越来越多的关注。目前在大多数P2P网络中的信息检索方法都是依据关键词匹配,通过查询请求与信息标识之间的简单匹配关系来获得查询结果。但是关键词匹配会产生很多用户不需要的结果。隐含语义索引是基于文本语义的检索模型。为提高系统的查准率,扩展在P2P下的查询方式,本文提出了在P2P网络中引入隐含语义索引模型进行信息检索,并模拟实现了一个基于P2P网络的隐含语义索引模型的试验平台。

矩阵奇异值分解在隐含语义信息检索中的应用

对矩阵奇异值分解的特征进行分析,并将矩阵的奇异值分解应用于向量空间模型,对其进行改进,实现基于语义的信息检索模型,该模型能消除同义词和多义词的影响,提高了文本表示的准确性,从而使信息检索的准确率有显著提高,具有重要的实用价值。

个性化课程推荐中LFM自动聚类算法研究

为给学生推荐不同兴趣粒度的课程,提出隐含语义模型(Latent Factor Model,以下简称LFM),并将其应用于网络环境中学生对于课程学习点击的隐性反馈数据集,对学生的兴趣主题、行为习惯和课程类别自动聚类,然后进行Top-N推荐。实验表明,该方法是有效的,且具有较高的准确度。

网络安全风险评估方法研究

网络安全事关国家安全、社会稳定,逐渐成为影响国家发展战略和社会经济发展的重要因素,风险评估作为一种使网络更加安全和健壮的主动安全防范与评估技术,是信息安全保障体系建设中的基础性工作和重要环节。本文在研究风险评估工作组织实施及评估方法的基础上,提出一种基于概率隐含语义分析模型(p LSA)的风险评估方法。