考虑数据稀疏性的图书推荐协同过滤算法仿真

图书推荐算法易忽略数据稀疏性问题,导致推荐结果与用户感兴趣内容之间存在较大的偏差。在考虑数据稀疏性的基础上提出一种图书推荐协同过滤算法,对数据预处理,通过对用户和用户之间综合信任度分析,利用分布估计算法对用户兴趣建模;构建用户兴趣簇类集,划分用户兴趣,从中选择出与检索对象最接近的邻居;计算邻近项目得分,按照从大到小的顺序排列,排名靠前的资源项即为图书推荐结果。实验结果表明,所提方法在推荐500本图书时,用时在12s内,且降低了平均绝对误差和均方根误差,实现了最精准的图书推荐。

面向多源异构数据的个性化搜索和推荐算法综述

高效精准的个性化搜索、推荐等服务可为人们生产生活带来极大便利,而随着互联网技术的迅猛发展,面向多源异构数据的个性化搜索和推荐任务逐渐变得日趋复杂,也是当前大数据分析及个性化服务领域的研究热点和难点.个性化搜索和推荐算法广泛收集多源异构数据,获取用户偏好信息,利用各类机器学习、深度学习等技术,构建用户兴趣偏好模型,预测用户偏好,推荐满足用户个性化需求和偏好的项目或内容,提升用户的使用体验和网站平台的商业利益.本文介绍面向多源异构数据的个性化搜索问题的数学描述,综述面向多源异构数据的个性化搜索和推荐算法的相关研究工作,包括:传统个性化搜索和推荐算法、融合多源异构数据的个性化搜索和推荐算法以及动态个性化搜索和推荐算法等相关研究现状,整理了算法常用数据集、性能评价指标及评估体系,进一步阐明了目前面向多源异构数据的个性化搜索和推荐方法的实际应用场景及今后研究的发展方向,并讨论了存在的不足及所面临的严峻挑战,期望为相关领域的研究人员提供有益帮助.

基于大语言模型的个性化资源推荐方法研究

为了能够高效地理解、分析资源用户的需求,并精准推荐符合用户预期与偏好的个性化资源,提高资源推荐的效率与准确性,提出基于大语言模型的个性化资源推荐方法.结合层次分析法,深度分析用户兴趣数据属性结构;利用多维兴趣标签与项值权重,对应抓取不同属性的用户兴趣数据,构建包含兴趣标签与特征权重的用户数据数学模型;融合大语言模型的核心数据处理架构,将数学模型中代表用户需求的用户兴趣信息序列作为输入;优化搭建Transformer架构进行上下文学习,实现个性化资源推荐.实验结果表明:设计方法的精确率最大值为0.56,召回率最大值为0.8,具有较好的应用效果,能够有效避免不相关项目的干扰,更准确地找到用户感兴趣的项目.

面向用户兴趣特征提取的大数据线性回归推荐算法

在时间变量扰动下,现有用户兴趣特征推荐算法会出现阶段性、小范围计算偏差,降低算法可信度,为此提出面向用户兴趣特征提取的大数据线性回归推荐算法。在大数据参量配合下,计算面向用户兴趣特征的矩阵,提取用户兴趣特征,在此基础上分析提取到的特征数据推荐活跃量,完成推荐算法的量化。实验结果表明,经过量化后的算法用户推荐特征计算误差明显减小,整体推荐结果的可信度大幅度提升。

基于兴趣增强的知识概念推荐系统

现有的知识概念推荐系统并未考虑用户的短期兴趣。针对该问题,提出一种基于兴趣增强的知识概念推荐系统(KCRec-IE)。首先,根据用户的知识概念点击序列捕获用户的短期兴趣,并利用侧信息构造一个异构图。其次,利用元路径指导的图卷积在异构图上进行知识概念实体和用户实体的表示学习。与知识概念实体的表示学习不同,学习用户实体的表示时,根据用户的短期兴趣可区分不同邻居用户对目标用户的贡献。最后,根据知识概念实体、用户实体和用户的短期兴趣进行评分预测。在公开数据集Xuetang X上的实验结果表明,相较于KCRec-SEIGNN,KCRec-IE在HR@5指标上提升了3.60个百分点;相较于KCRec-IEn,KCRec-IE在HR@10指标上提升了1.02个百分点;相较于KCRec-SEIGNN,KCRec-IE在NDGC@5和NDGC@10指标上分别提升了1.60和1.18个百分点,验证了所提方法的有效性。

广东省森林康养基地客群时空行为特征

随着社会大众对优质森林康养产品需求的不断增加,森林康养基地已成为最受欢迎的森林体验目的地之一。文章以广东省首批10个康养基地为研究对象,收集康养客群数量和康养客群出行大数据,通过栅格化、网格化统计与空间分布可视化方式,分析现阶段康养客群行为及其兴趣点时空分布特征。结果表明:1)受节假日、特色森林景观和气候舒适度的影响,康养基地兴趣点呈“秋冬旺、春夏淡”的时间特征。康养客群以半日活动为主,平均停留时长为4.96 h, 9∶00—11∶00活动频率较高。2)大部分基地的兴趣点呈“一核多点”的空间分布特征,且多生成于气候舒适和季相景观丰富的春季、秋季和冬季。3)康养客群更偏爱游乐型、运动型和文化型的康养活动,食宿型和疗养型活动参与度较低。基于研究结果,从森林资源保护利用、空间优化提升和康养产品开发等方面提出相关建议,以期为森林康养基地的高质量建设提供科学依据。

基于本体用户兴趣模型的个性化推荐算法

针对目前个性化服务中用户模型稳定性低、推荐结果不尽人意的现状,在建立基于本体的用户兴趣模型基础上,通过模型更新提高稳定性,建立用户群实现用户模型管理。提出利用矩阵聚类降维分解技术的个性化推荐算法,引入偏好方差的概念计算用户最近邻,进而产生推荐,避免了传统协同过滤算法的数据稀疏性缺陷,提高了推荐质量。结合面向电影的个性化推荐系统,验证了模型及算法的有效性。

DFM-IA:面向B2C电子商务的多源用户兴趣数据采集机制

用户兴趣模型是电子商务个性化推荐服务的基础,用户兴趣数据的获取则是构建用户兴趣模型的核心环节。传统的轮询采集方法存在数据源不够全面、在线应用可扩展性差的不足,会导致同一业务分析所需数据采集时间跨度大、先采集数据可能失效等情况,使得最终业务分析结果出现偏差。针对上述问题,对B2C电子商务用户兴趣数据进行了深入分析,提出了一种基于智能Agent的多源用户兴趣数据采集机制DFM-IA(Data Fetching Mechanism based on Intelligent Agent)。DFM-IA以用户Session为基本处理单元,设计了四种智能Agent(Fetching Agent、Watching Agent、Sort Agent、Logical Agent)和三条排序规则,对七类用户兴趣数据(浏览行为、关键词搜索、收藏行为、购物车行为、订单行为、支付行为、评价行为)进行排序与合并处理,从而在丰富数据采集源的同时大幅提高了在线数据采集效率,有助于解决推荐服务的数据稀疏性问题。仿真实验表明了该机制的高效性。

面向大数据的用户检索行为研究

从用户分析的角度出发,对用户检索行为引发的海量日志文件进行研究,针对大数据时代的数据处理过程提出知识关联的新型思维方式,并通过实证研究,验证用户检索行为的"大数据"具备了高价值度以及价值数据挖掘的可操作性。

应用模糊集理论的多因素兴趣度评价

互联网的信息急剧增加,用户越来越难以找到自己所需要的信息。针对目前个性化服务系统中用户兴趣难以获取的问题,提出了一种模糊综合评判评价用户兴趣的方法,实验表明具有较好的评价效果。

基于用户兴趣的数字资源的集成化研究

数字资源的集成是目前信息服务的一个研究热点。为了在集成信息和用户的兴趣之间进行关联,首先对用户的兴趣进行了分类,并基于不同的类别定义了各自所包含的兴趣值;进而结合信息集成的映射规则,针对不同的Web页面集合设计相应的页面插件,使得在动态超媒体引擎的支撑下,将用户感兴趣的数字资源和特定的兴趣值进行绑定,从而提供一种有效的基于用户兴趣的集成化服务。

基于兴趣点标注的搜索用户分类研究

查询背后的信息需求里蕴含着用户的兴趣信息,搜索引擎可以通过标注兴趣信息为用户提供多样化的服务。依据用户检索的关键词的语义标注用户的兴趣信息,将非结构化的关键词数据扩展为结构化的数据矩阵,利用聚类分析方法对搜索用户进行分类,并结合对应分析方法对不同类别的搜索用户的特征进行了解读。

Web日志与浏览行为结合下的用户浏览兴趣数据挖掘分析

针对用户浏览兴趣模式数据的收敛性和准确度不高的问题,提出一种基于Web日志与用户浏览行为结合的用户浏览兴趣模式数据挖掘模型。首先设计Web日志与用户浏览行为结合的用户浏览兴趣模式数据信息流模型,进行用户浏览兴趣模式的频繁项特征提取和Qo S预测;然后采用Web日志与用户浏览行为结合的行为调度模式自适应检索用户浏览网页的兴趣特征点,实现语义特征匹配,达到用户浏览兴趣模式数据挖掘的目的;最后通过仿真实验实现性能验证。结果表明,该方法的用户浏览兴趣特征点的匹配度高,数据挖掘精度得到提升,展示了优越性能。

改进的面向数据稀疏的协同过滤推荐算法

用户相似性和最近邻集合是协同过滤算法中最重要的两个步骤。传统的协同过滤算法依靠用户评分计算用户相似性并寻找K个邻居作为最近邻的方法为用户产生推荐,但是在数据稀疏的情况下,仅仅依靠用户评分使得推荐效果不准确。针对以上问题,文中提出一种改进的面向数据稀疏的协同过滤推荐算法。该方法引入用户属性相似性和用户兴趣度相似性,并结合传统的用户评分相似性计算用户间的相似度,通过多次实验调整三者的权重,并且采用动态选取邻居集合的方法确定用户的最近邻,从而为用户推荐最合适的项目,增强了方法实用性,以此来缓解用户数据稀疏性问题。实验结果表明,文中方法能够充分利用用户的各类数据信息,提高了预测评分的准确性及推荐质量。

基于兴趣传播的用户相似性计算方法研究

针对传统的协同过滤算法中存在数据稀疏性和冷启动的不足,分析目前已有的解决方案,提出基于用户兴趣传播的协同过滤算法。在改进算法中可以让用户兴趣进行直接传播,使得用户兴趣游走以及更新,计算用户-兴趣的分布矩阵从而获取用户兴趣的相似性,然后对上述过程通过算法描述其实现过程,最后对算法进行实验分析。在这个算法当中不仅解决用户的兴趣的相似性计算问题,又考虑到其他的邻居的用户对于目标用户兴趣偏好的影响,在数据稀疏性的情况下保证了算法的有效性,在一定程度上提高了性能。仿真实验表明,算法的性能具有可行性和有效性。

基于协作过滤的Web日志数据预处理研究

协作过滤是当今应用较为成功的个性化服务技术,Web日志可以为个性化服务技术提供重要的数据源,只要对日志数据进行高效预处理,就能提高协作过滤算法有效性和个性化服务质量。结合实际日志数据的处理,给出了基于协作过滤的Web日志数据预处理过程结构图和一种可行的数据预处理方法,该方法不仅可以提供更加干净、规则的数据源,而且在用户兴趣度量方面,弥补了以往诸多兴趣度量方法的不足,为协作过滤算法提供了更加准确的数据支持。

支持轨迹隐私保护的两阶段用户兴趣区构建方法

针对空间大数据开放共享中平衡隐私保护与数据可用性矛盾的需求,该文从空间和时间两个维度对空间时序数据进行分析,提出蕴含空间、时间和群体特征的用户兴趣区构建方法.该方法分为两个阶段:第一阶段的个人兴趣区构建首先将m个移动用户的轨迹数据预处理到n个采样时刻,并形式化为隐含时序关系的m×n阶位置矩阵;然后根据访问频率等指标对每个用户在位置矩阵中的行向量进行聚类、合并和优化,获得每个用户在不同时间段的若干个人兴趣区.第二阶段的公共兴趣区构建在第一阶段的基础上,首先对每个用户按照一定的选取方式提取代表个人兴趣区位置信息的位置点,并对全部m个移动用户的个人兴趣区的位置点进行二次聚类,获得所有用户在不同时间尺度上的若干公共兴趣区;然后根据实际应用场景需要,提取包含时间标记的公共兴趣区.通过对比公开数据集的处理结果和百度地图的实体数据,验证了该方法所构建的用户兴趣区与实际生活中的功能区域基本一致.应用实例证明,该文方法所构建的用户兴趣区可以为空间大数据开放共享中的轨迹隐私保护提供有效的技术支撑.

基于大数据和本体的高校图书馆个性化服务研究

[目的/意义]如何综合利用大数据和本体二者的优势,提供个性化服务,是当前图书馆迫切需要解决的问题。[方法/过程]首先提出构建基于大数据和本体的高校图书馆用户兴趣模型流程,然后设计一种基于大数据和本体的高校图书馆个性化服务模型。[结果/结论]该模型能够实现大数据与本体技术的无缝对接,从而为用户提供精准的个性化服务。

基于眼动数据的网络地图界面用户兴趣分析方法

分析网络地图界面用户兴趣对完善网络地图界面设计和提升网络地图用户体验十分重要。现有的分析方法大多针对人机交互数据进行研究,无法直接反映用户的真实兴趣。为解决此问题,该文提出了基于眼动数据的网络地图界面用户兴趣分析方法。首先通过眼动实验,获取了用户在网络地图兴趣区内的注视点数量,并利用熵权法计算用户兴趣度;其次,融入用户背景信息,建立了网络地图用户兴趣信息集,通过决策树ID3算法对其进行分类,归纳提取了用户兴趣分析结果集;最后利用查全率、查准率与F值进行分析结果评价。实验表明,分析结果集匹配成功率为90%,基于眼动数据的用户兴趣分析成功率为85%,高于基于Web日志的用户兴趣分析结果,证明了该方法能有效分析网络地图界面用户兴趣。

反映用户兴趣变化的协同过滤算法

针对传统协同过滤算法存在的两个弊端:一是传统的相似性度量方法在评分矩阵稀疏的情况下很难准确地反映用户间的相似性,二是不能及时反映用户的兴趣变化,提出一种新的相似性计算方法。此方法把基于用户兴趣度的相似性度量与基于项目相似度的数据权重结合,形成一种考虑用户兴趣变化的相似性度量方法。实验结果表明,改进后的算法集成了上述两种方法的优点,对传统算法中存在的两个弊端进行了改善,在推荐准确度上有所提高。