融合位置信息和物品流行度的协同过滤算法

针对绝大多数用户消费习惯对地理位置的敏感性,以及推荐过程中的"长尾效应",提出融合位置信息和物品流行度的协同过滤算法。对传统的协同过滤算法作出2点改进:第一,将用户兴趣偏好与位置偏好相结合,提出一种新的基于地理位置的用户相似度计算方法;第二,在预测评分时,引入物品流行度权重,合理地调整流行物品和长尾物品的推荐期望值。使用Foursquare数据集作为实验数据集,与相关算法进行对比实验。结果表明,改进算法能有效提高推荐的精度和推荐结果的多样性。

融入信任的变权重相似度模型在线学习协同推荐算法

针对传统的基于用户的协同推荐算法存在的数据稀疏以及对用户评分的强依赖问题,提出基于社交信任机制的在线学习协同推荐算法.利用学习行为日志数据,采取主动评分和被动评分相结合的综合评分方法,构建学习者-学习资源评分矩阵.并根据学习者间的关注和评论两种社交数据,创建一种变权重相似度模型,进而生成近邻集实现推荐.使用历史学习数据作为本文的实验数据集,确定最优的调节因子值,并与传统算法进行对比实验.实验结果表明,数据稀疏度明显改善,是改进前的近11倍,且平均绝对偏差(MAE)减少了2%左右,推荐质量更高.

基于OAuth2协议的服务与服务之间的安全认证

随着SOA技术的发展与普及应用,基于SOA的Web的服务安全问题日益突出,特别是企业内部不同服务之间的认证,通常情况下服务之间的访问都具有很高的访问权限,基于OAuth2协议的服务与服务之间的安全认证的解决方案,能够大大提高服务与服务之间的安全通信。