企业知识发现中的个性化Web推荐服务研究

本文主要论述企业知识发现中基于个性化服务的We b推荐构成,提出了基于个性化技术构建用户兴趣模型的算法.文章根据用户有无介入兴趣模型构建的学习过程区分n元预测模型、用户兴趣关联规则库及利用用户兴趣词典进行W eb页面请求预测的算法.最后介绍了Agent 技术在企业个性化Web推荐系统中的应用.

个性化Web推荐服务研究

本文主要论述了个性化 Web 推荐构成,提出了基于 Web 挖掘的个性化推荐服务研究中的用户聚类、Web 页面聚类、n 元预测模型及页面加权算法。利用这些算法得到的个性化信息可以准确把握用户兴趣模式并为用户提供“一对一”的具备自适应性的智能个性化服务。

结合使用挖掘和内容挖掘的web推荐服务

随着Internet的基础结构不断扩大和其所含信息的持续增长,Internet用户越来越感觉容易在WWW服务中“资源迷向”。提高用户访问效率的方法有页面预取技术,站点动态重构技术和web个性化推荐技术等。现有的大多数web个性化推荐技术主要是基于用户使用记录的数据挖掘方法,没有或很少考虑结合页面内容—这才是用户真正感兴趣的。该文提出一种结合用户使用挖掘和内容挖掘的web推荐服务,该推荐服务根据频繁最大前向访问路径,提出含有导航页和内容页的频繁访问路径图概念,根据滑动窗口内的最近用户访问页面内容和候选推荐集中页面内容相关性,来向用户提供个性化推荐服务。经推荐质量分析,这种方法具有较好的推荐优化能力。

采用反馈机制的自适应Web推荐系统

Web服务的初衷是能让用户能够快捷方便地找到自己需要的资源,但是当前过量的网络资源反而增加了用户的麻烦。于是出现了结合用户对Web使用的数据挖掘应用的Web推荐系统。在传统Web推荐系统的基础上引入了反馈机制。使推荐系统在线给用户提供推荐功能的同时,对自身的推荐机制改进,更体现了个性化服务的灵活性。

Web服务个性化推荐研究综述

随着Web服务的广泛使用和互联网上服务数量的增加,如何向用户提供最佳的服务选择列表成为了新的挑战。Web服务个性化推荐实现了由被动接受用户请求向主动感知用户需求的转变。个性化的Web服务推荐方法已经成为Web服务发现和选择的有效辅助手段。Web服务的个性化推荐技术也成为了近年来服务计算领域的研究热点。对当前Web服务个性化推荐的文献进行了归类分析,总结了当前Web服务个性化推荐的技术现状、研究方法和实验的数据集,列出了未来Web服务个性化推荐研究热点和挑战。

一种基于隐语义概率模型的个性化Web服务推荐方法

为了满足Web服务使用者的个性化需求,提出了一种基于隐语义概率模型的用户指标偏好预测方法,用于个性化Web服务推荐.首先,引入两个决定用户指标偏好的关键因素:用户以及用户所处的服务情境,隐语义概率模型借助隐含类别建立用户指标偏好、用户及服务情境三者之间的隐含语义依赖关系,并且为描述用户、服务情境、指标偏好多方面的特征,允许这三者可同时以不同的概率隶属于多个隐含类别;然后,将期望极大(expectation maximization,EM)算法运用于由层次分析法获得的训练数据,以估计隐语义概率模型的参数;最后,使用该模型预测用户在特定服务情境下的指标偏好.隐语义概率模型与标准的基于内存的协同过滤以及基于聚类改进的协同过滤相比,不仅具有明确的数学模型,而且实验结果表明,隐语义概率模型对用户个性化指标偏好的预测精度最高,同时可以缓解数据稀疏性带来的不良影响.

基于混杂社会网络的个性化Web服务推荐方法

为了缓解Web服务推荐中存在的冷启动和数据稀疏问题,以及满足用户个性化的需求,本文提出了基于混杂社会网络的Web服务推荐框架及算法.该网络加入了服务提供者这一元素,可提供更多的真实信息,有助于缓解冷启动问题.根据提出的服务推荐框架,设计了用户-候选服务信任值预测算法(Computing Trust Value,CTV),以及服务推荐算法(Recommend Queue,RQ).在真实数据集上建立实验,结果表明本文提出的方法在预测准确率MAE、RMSE,推荐准确率MAP、NDCG,以及填充率和覆盖率上都有所提高,有助于提升个性化推荐的性能.

基于多示例学习的中文Web目录页面推荐

多示例学习为中文 Web 挖掘提供了一种新的思路.提出中文 Web 目录页面推荐这种特殊的 Web 挖掘任务,并且将其转化为多示例学习问题来解决.在真实世界数据集上的实验结果显示,该方法能够有效地解决该问题.

基于Web社会网络的个性化Web信息推荐模型

随着 Web 信息量的快速增长,个性化的 Web 信息推荐系统扮演着越来越重要的角色。目前,大多数 Web 信息推荐系统存在着个性化程度不高,对用户历史数据依赖性高,系统不具备开放性,用户偏好“走样”概率高的问题。针对这四个方面的问题,本文提出了一种新的、采用语义 Web 技术、基于 Web 社会网络的个性化 Web 信息推荐模型,详细分析了用户偏好的获取,Web 社会网络的生成以及待过滤 Web 信息的采集。并且,利用从实际中采集的真实数据进行了实验,证明了模型的可行性和有效性。

基于迭代训练的Web Service混合协同过滤推荐模型

伴随着互联网技术的日益发展,海量数据的集成融合促进了大数据技术的广泛应用,尤其以面向服务为核心的Web Service技术被普遍用来提供新型互联网服务,这使得针对服务提供商及个人用户设计一种基于Web Service的个性化服务推荐系统变得十分必要.因此,提出一种基于混合协同过滤技术进行服务质量(QoS)预测的服务推荐模型.该模型利用迭代训练的思想,不断提升服务质量预测值的准确率,并通过基于预测树(PTree)的性能优化策略,有效地降低了迭代过程的运行时间.基于一个包含150万条Web Service调用信息的数据集,开展了一系列的对比分析实验.实验结果表明,相比于其他一些推荐模型,所提出的基于迭代训练的混合协同过滤推荐模型在消耗同等资源的情况下,能够有效地降低预测值的误差,提升模型整体的预测准确率.

基于关联规则相关性分析的Web个性化推荐研究

通过分析关联规则在Web个性化推荐中存在的问题,对Web个性化推荐的关联规则相关性分析算法进行改进,并进行了详细的论证和仿真实验。实验结果表明改进的算法能实现更低支持度的推荐,能提高推荐的准确率和速度。

电子商务网站中Web页推荐的研究

针对Web日志文件提出了一个简单的数据挖掘模型,并以关联规则为理论基础,结合该模型设计一个高效的序列模式挖掘算法。该算法得到的频繁序列模式可以满足实时页面推荐的需要,同时对电子商务网站的营销决策的制定也有一定的辅助意义。

基于Web内容挖掘的论坛发贴分类推荐技术

随着Internet基础结构的不断扩大和其所含信息的持续增长,Internet用户感觉越来越容易在WWW服务中"资源迷向"。目前提高用户使用效率的方法有页面预取技术、站点动态重构技术和Web个性化推荐技术等。因为网站的页面内容才是用户真正感兴趣的,本文应用了一种基于Web内容挖掘的文本分类技术来实现论坛中贴子的分类推荐。将此推荐服务应用于华北科技学院网站的论坛,可以根据网站中已有的分类数据向用户推荐新贴的适合分类,并能随论坛更新动态优化推荐效果。

基于Web使用挖掘的个性化推荐服务研究

本文研究结合网站结构和页面内容以辅助Web使用挖掘,提高推荐服务质量。并在相关理论与研究的基础上,给出一种关于推荐因子的综合计算方法,经推荐质量分析,该方法具有较好的推荐优化能力。

一种基于QoS历史记录的Web服务推荐算法

针对Web服务推荐时间和结果精确度方面存在的不足,本文提出一种基于QoS(Quality of Service)历史记录的Web服务推荐算法(Web Service Recommendation Algorithm based on Historical QoS,WSRAHQ)。首先,建立基于欧氏距离的Web网络用户兴趣度相似簇,提高Web服务推荐的精确度;然后,根据用户的QoS历史记录,利用多元线性回归,得到新用户的Web服务推荐结果,完成Web服务推荐。仿真结果表明了该方法有效性。

基于改进协同过滤的个性化Web服务推荐方法研究

目前基于协同过滤(collaborative filtering,CF)的Web服务推荐算法,使用的是Web服务的非功能性属性服务质量(quality of services,QoS),但是这类方法直接使用所有用户的QoS数据进行预测,并没有考虑用户的个性化偏好问题,导致在相似邻居的选择阶段会得到不真实的相似度结果,进而影响QoS预测准确率。针对以上问题,提出了一种基于用户偏好的改进协同过滤Web服务推荐算法。该算法从QoS数据中提取出用户偏好数据,并将其作为近似邻居的选择标准,然后使用top-k算法确定目标用户及服务的相似邻居集合,最后联合相似邻居偏好比重,使用调和的皮尔逊相关系数算法(Pearson correlation coefficient,PCC)预测目标用户及服务的QoS值。实验结果表明,该算法能有效提高QoS预测准确率,从而提高了Web服务推荐质量。

基于UDDI服务订阅的Web服务推荐机制

针对基于Web服务的分布式系统提出的一种“推”模式的信息传播机制 ,并由此提出了一种利用UDDI服务订阅功能实现Web服务推荐的方案 .文章通过对 3种具体应用场景的分析 。

基于用户可信度的Web服务推荐方法

协同过滤是推荐系统中广泛使用的一种推荐技术,但是目前多数基于协同过滤的Web服务推荐算法默认用户反馈数据是可信的,没有考虑到用户反馈数据中会出现的一些范围异常数据和恶意评价数据。如果没有对含有这些干扰数据的用户进行处理,最终的预测结果会受到严重的影响。在分析了用户反馈的服务质量(Qo S)数据的基础上,提出了一种基于用户可信度的Web服务推荐方法。计算用户的可信度并根据可信度对用户进行聚类,选取可信度高的类别中的数据进行协同过滤完成推荐,排除了范围异常数据以及恶意评价数据的干扰,避免了对预测结果的影响,最后使用平均绝对误差和均方根误差评判预测结果。实验结果表明,该方法能有效提高Qo S预测的准确率和Web服务的推荐质量。

基于证据理论的多特征融合Web API推荐

在信息化的时代,Mashup的出现使得Web应用开发更加便捷。随着越来越多的信息提供者公开自己的Web API,而如何提高针对Mashup的API推荐的质量,是目前研究的焦点。为此,提出了一种多特征融合下结合香农熵和D-S证据理论的Web API推荐方法。基于Mashup与Web API可用数据记录,提取出多维度的特征并进行融合形成新数据集,使用香农熵和D-S理论的方法实现Web API推荐。基于Progammable Web数据集的实验表明,无须监督学习,该方法即可获得满意的推荐结果。

QoS感知的Web服务个性化推荐

服务质量(Quality of Service,Qo S)是Web服务推荐中的关键问题之一。文中提出了一种基于Qo S感知的Web服务推荐模型,该模型通过Web服务的历史Qo S信息训练支持向量机(SVM)得到一个服务选择函数,通过此服务选择函数匹配当前用户的服务需求,进而得到一个服务候选集,通过这种支持向量机分类方法使服务的发现和选择具有机器学习的能力。最后结合用户赋予Qo S属性的权重偏好进行服务排序,为用户推荐最适合的服务。通过实验仿真,验证了该服务分类方法的可行性和有效性。