高滢[1]2004年在《NERMS中个性化资源推荐的设计与实现》文中指出随着计算机技术和网络技术的发展与成熟以及各国对教育重视程度的增强，网络教育在世界各国日益普及。获取信息的途径已由教室、实验室和图书馆，扩展到因特网所覆盖的任何场所。然而，网络只是信息传播的载体，信息资源的汲取和共享才是人们使用网络的目的所在。要发挥网络教育区别于传统教育的优势，就必须有丰富的教学信息资源支持，同时还要能对这些信息进行有效的组织和管理。网络教育资源管理系统NERMS（Network Educational Resource Management System）是我们承担的吉林省科学技术厅的重大项目。NERMS的主要目标是对繁多的网络教育资源进行有效的组织和管理，以便于网络教育资源的高度共享和便利获取，从而加快网络教育资源的开发和促进网络教育的发展。新一代的信息服务将是主动的个性化信息服务，如何从海量的数据和信息中高效地获取有用知识，如何从动态变化的信息中及时地获取最新信息，如何提高信息检索与推送的智能水平，以及如何满足各种用户不同的个性化需求等，都是新的信息服务系统面临的挑战性课题。系统为每个用户提供了一个个性化网页，以满足用户个性化的服务需求。每个用户可以选择自己的个性化网页中的内容，个性化网页中的一个重要内容是系统自动地为用户推荐的资源的列表，系统为用户推荐资源的依据是各个用户的兴趣爱好及行为特征，该功能为用户在大量数据中查找感兴趣的资源提供了快捷方便的途径。本文首先介绍了个性化推荐技术，然后把该技术应用到了NERMS中，开发出了个性化网页中的资源推荐功能，并详细介绍了具体的设计和实现过程。本文中为用户推荐资源的主要依据是用户与资源的交互记录，包括浏览资源、收藏资源及下载资源。通过对这些交互信息的分析，找到用户的兴趣爱好所在，近而找到与该用户兴趣相近的用户，以此为用户形成推荐。本文采用了基于协作式过滤的推荐和聚类相结合的技术，按照先聚
徐益[2]2008年在《基于似然关系模型的个性化推荐研究》文中提出近年来,个性化推荐系统在电子商务网站获得普遍的应用。但是,网上有效信息的数量和商品种类的急速增长对推荐系统提出了新的要求,个性化推荐算法中存在的冷启动、用户评价数据稀疏和推荐实时性等问题亟待解决。本文将统计关系学习中的似然关系模型(PRM)应用于个性化推荐,基于项目特征、用户特征和协同过滤技术,提出叁种用于个性化推荐的似然关系模型,并将这叁种推荐模型进行加权、切换,提出一种基于PRM的组合推荐模型。上述模型充分利用项目信息、用户信息以及用户对项目的评分数据建立模型,具有一阶特性,使推荐过程不依赖于具体的用户及项目,解决了推荐算法的冷启动问题;一旦模型构造完毕,推荐效率较高,且能保证算法的实时性要求。在MovieLens数据集上验证了算法的推荐性能,其平均绝对偏差(MAE)相对较低。将基于PRM的推荐模型应用于网络教育资源管理系统(NERMS),设计并实现了个性化推荐子系统,为用户提供资源主动推荐服务,达到了预期效果。
刘赫[3]2005年在《一个基于聚类算法的推荐系统的设计与实现》文中认为随着计算机网络技术的飞速发展及其应用领域的不断扩大,电子商务的应用也在逐步地更新、发展和完善,尤其是电子商务的资源推荐系统更是日新月异。本文在研究电子商务推荐系统的分类和工作流程以及常用推荐技术的基础上,结合吉林省科技发展计划中的科研项目网络教育资源管理系统(Network Educational Resource Management System,简称NERMS)的实际需要,对NERMS 的电子商务模块中资源推荐系统进行了具体的设计和实现。本文运用为不同交互方式设定不同权值的方法,统一了用户对资源的评分尺度;并且将经典的余弦相似性计算公式运用到等密度线聚类算法中,省去规范化处理操作,减少了运算量;另外,结合实际项目的需要,实现一个资源推荐系统,经过验证取得了较好的推荐效果。本文主要包括叁部分,首先介绍了电子商务资源推荐系统的分类、工作流程和常用推荐技术,然后给出了NERMS 的电子商务模块中资源推荐系统的详细设计,最后给出了该系统的具体实现。
陈媛[4]2007年在《两种个性化推荐算法的研究及应用》文中指出随着互联网的普及和电子商务的迅猛发展,个性化推荐系统逐渐成为电子商务领域的一项重要研究内容。本文在详细介绍了个性化推荐系统的工作流程和推荐技术的基础上,分别研究和实现了两种个性化推荐算法——基于两阶段计数的关联规则推荐算法和结合似然关系模型的协同过滤推荐算法,并对它们的性能进行了分析测试。第一种算法使用基于两阶段计数的用户关联挖掘框架,并应用基于垂直数据分布的关联规则发现算法来进行关联规则的挖掘,比传统的关联规则推荐算法具有较好的时空性能;第二种算法改进了传统的协同过滤推荐并与似然关系模型结合起来,比传统的协同过滤推荐算法的推荐效率和质量都有所提高。最后本文将这两种算法应用到NERMS系统中,为用户进行资源的个性化推荐,取得了良好的效果。
张日崇[5]2004年在《基于web的个性化挖掘方法》文中研究指明随着科学技术的飞速发展，信息高速公路的普及，人们已经被包围在信息的汪洋大海之中。Internet是海量信息源，而且其信息的组织是异构的、多元的和分布的。由于信息不断地更新和增加，网络教育在世界各国日益普及。越来越多的人通过internet进行学习。网络教育资源管理系统NERMS（Network Educational Resource Management System，以下简称NERMS）是吉林大学承担的吉林省科学技术厅的重大项目。NERMS的主要目标是对繁多的网络教育资源进行有效的组织和管理，以便于网络教育资源的高度共享和便利获取，从而加快网络教育资源的开发和促进网络教育的发展。在NERMS中为了给用户更好的服务，为不同的用户提供适合其自身特点的个性化页面。 将Internet从被动接受浏览者的请求转化为主动感知浏览者的信息需求，实现Internet系统对浏览者的主动信息服务。这正是新一代的信息服务的发展方向。个性化主动信息服务的实现途径就是通过对用户信息需要、兴趣爱好和访问历史的收集分析，建立用户模型，并将用户模型应用于信息的过滤和排序，从而指导用户的浏览过程和信息检索，或向用户主动推送信息。Internet上的个性化信息服务系统必须具有叁个能力，即用户概貌能很好地反映用户的兴趣嗜好；为适应用户嗜好的变化，用户概貌能做适应性的改变；自动开发新的信息领域，主动向用户提供推荐服务。本文首先介绍了个性化主动信息服务推荐技术。然后分析了NERMS中个性化系统的结构和工作原理并给出了相关的工作，即如何根据不同用户各自的特点主动的为用户提供其相关的信息于内容。接着介绍了GSP算法（Global Sequential Pattern Algorithm）。GSP算法是一个基于AprioriAll的算法。GSP的引入是为了发现满足序列模式中的时间约束、滑动窗口的模式。GSP算法增加了时间约束、滑动窗口和分类法。通过添加这些约束，可以将数据库转换成了许多用户的访问序列。每个客户序列显示出这个客户已经进行了的访问。因此挖掘frequent序列问题是要发现那些在所有客户序列之间以足够频率出现的“后继”（或项目集）。在科学和商业的很多领域，发现事件之间预期的序列关联越来越有
高滢[6]2008年在《多关系聚类分析方法研究》文中研究表明传统的数据挖掘任务通常假定数据由同种类型、相互独立的实体构成,但现实世界的许多数据却是多关系的。多关系数据在生物信息学、Web导航、社会网、知识获取与利用、地理信息系统和自然语言理解等领域广泛存在。本文围绕多关系数据挖掘领域,针对其中多关系聚类分析任务,展开了深入研究及应用工作:针对传统聚类分析任务,在研究现有监督分类中特征权值学习方法的基础上,提出了特征加权的聚类模型;关于多关系数据的聚类分析,为了提高现有多关系数据聚类算法的效率,提出了一种两阶段多关系数据聚类算法;为提高多关系数据聚类的质量,在传统K-均值聚类算法的基础上,结合半监督学习方法,提出了半监督K-均值多关系聚类算法;针对多关系聚类分析在推荐系统中的应用,研究了基于聚类的协同过滤推荐方法,为了解决传统协同过滤的稀疏性和扩展性问题,提出了结合似然关系模型和用户等级的协同过滤推荐算法;另外,将上述算法应用到网络教育资源管理系统中,并取得了较好效果。
刘宇[7]2004年在《NERMS中基于决策树算法的用户特征分类设计与实现》文中进行了进一步梳理NERMS（Network Educational Resource Management System）项目是由吉林省科委立项、吉林大学计算机科学与技术学院知识工程实验室承建的省级重大大中型项目。NERMS的主要目标是对繁多的网络教学资源进行有效的组织和管理，以便于网络教学资源的高效共享和获取。由于NERMS项目要求为NERMS系统的用户提供智能化和个性化的服务，本文开展了基于决策树算法的用户特征分类的研究工作。用户特征分类采用基于决策树的数据挖掘算法，根据用户的个人属性信息结合用户的购买行为以及个人爱好信息等用户特征，挖掘出一系列有价值的规则，向每类用户有目的的推荐某种商品资源。为了更好的对用户个人信息进行分类处理，需要对数据进行预处理。可以采用属性归纳分析的方法，消除无关或弱相关的冗余属性，获取和用户特征最为相关的属性。当获得一定数量的样本记录之后，可以利用决策树方法来进行学习，建立一个由用户属性作为结点的决策树。通过决策树可以发现那些和用户特征最为相关的一些用户属性。同时可以将决策树转换为更为直观的IF-THEN形式的分类规则知识。用户分类模块首先利用C4.5算法对连续属性进行离散化处理，而后采用ID3算法建立决策树，并将所形成的决策树转化为IF-THEN的规则知识形式。该规则可用于对用户进行分类，预测用户特征以及购买行为或个人爱好等信息。
任晓娟[8]2008年在《基于改进标注传播算法的半监督资源分类》文中进行了进一步梳理随着网络信息容量日益增多,对信息进行分类变得越发重要。所以需要一个好的自动分类算法能在使用尽量少的人力的同时达到好的分类效果。半监督学习近年来成为一个热门的研究领域越来越受研究者的重视和青睐,它能在使用少量人力的同时保证学习的质量,所以在理论和实践上都很受关注。本文主要研究了半监督学习中的标注传播算法,并对其进行了改进,使得改进后的算法能识别数据中的噪声点。把原来的标注传播算法和改进后的算法进行了比较,实验表明改进后的算法能有效的避免把噪声数据错误分类为常规数据。最后将改进的标注传播算法应用于网络教育资源管理系统(NERMS)中,该分类算法既可以对系统中的资源进行有效的分类,又可以识别其中的噪声点,有效的帮助管理员进行资源主题类别的管理,取得了良好的效果。
李秦[9]2009年在《基于用户行为的全文检索系统个性化推荐研究》文中认为随着互联网技术的飞速发展并逐步向社会各个领域渗透,学术文献的数字化传递变得越来越普遍,全文检索系统发展也越来越壮大。电子文献数量不断剧增而带来的信息过载现象却与人们对知识的渴望之间产生了矛盾。如何帮助用户充分利用现有的全文检索系统,从海量的电子文献中快速有效地找到所需要的文献,是当前数字化学术文献服务机构应该思考的方向。而个性化推荐正好是解决这个问题的有力途径;另一方面,全文检索系统环境也正需要推荐系统的大力支持。这是信息服务发展的必然趋势。对用户行为分析越准确,推荐算法使用越恰当,个性化推荐越有效果。所以,本文在对国内外有关用户行为兴趣建模技术和主要推荐算法的研究现状分析的基础上,针对全文检索系统的服务现状与用户的特点,提出了一个基于用户行为的全文检索系统个性化推荐模型。其主要思想是:在全文检索系统环境下,收集和使用用户隐式行为数据建立用户兴趣模型,采用一种改进的混合协同过滤算法来实现个性化推荐服务。首先,本文采用文献调查法与专家调查法,初步制定了一套全文检索系统相关反馈行为评价体系,将该体系作为收集和使用用户隐式行为数据的标准,建立“用户-文献”兴趣模型和“用户-关键词”兴趣模型;其次,在User-based协同过滤的基础上,使用基于“用户-文献”协同过滤和基于“用户-关键词”协同过滤的混合算法计算用户的兴趣相似度,并预测评分,进行相似用户推荐、文献推荐和关键词推荐;接着,在理论模型支撑下,设计并实现了一个个性化文献推荐系统(PDRS)的原型;最后,以计算机类和图书情报类的文献推荐为例,通过自然用户对原型系统的测试,本文将系统推荐结果与用户调查结果的拟合程度进行了卡方检验,实验结果表明PDRS系统的推荐结果具有较高的准确度。
佚名[10]2016年在《新闻》文中指出[微评]Short comments中国会议微评TOP10本月阅读量排行榜前十(截止日期10月18日)1.我害怕做会议的人2.酒店人的十八般武艺,这漫画真是绝了!3.会议人的工资伤不起,才两万多一点…4.据说,这些酒店里有一群稀奇古怪的住客5.会议业,内容创新和营销谁更重要?6.11月全国重要会议大盘点!7.高大上年会必备|上海五星酒店会议厅信息大汇总!8.教你如何在广州办一场高大上的年会?附:广州五星酒店会场信息大汇总9.阿里商旅推出48小时后,竟曝出这么多触目惊心的问题…10.这是哪家酒店竟这样开早会?笑死了!
参考文献：
[1]. NERMS中个性化资源推荐的设计与实现[D]. 高滢. 吉林大学. 2004
[2]. 基于似然关系模型的个性化推荐研究[D]. 徐益. 吉林大学. 2008
[3]. 一个基于聚类算法的推荐系统的设计与实现[D]. 刘赫. 吉林大学. 2005
[4]. 两种个性化推荐算法的研究及应用[D]. 陈媛. 吉林大学. 2007
[5]. 基于web的个性化挖掘方法[D]. 张日崇. 吉林大学. 2004
[6]. 多关系聚类分析方法研究[D]. 高滢. 吉林大学. 2008
[7]. NERMS中基于决策树算法的用户特征分类设计与实现[D]. 刘宇. 吉林大学. 2004
[8]. 基于改进标注传播算法的半监督资源分类[D]. 任晓娟. 吉林大学. 2008
[9]. 基于用户行为的全文检索系统个性化推荐研究[D]. 李秦. 西南大学. 2009
[10]. 新闻[J]. 佚名. 中国会展. 2016
标签：计算机软件及计算机应用论文; 推荐算法论文; 个性化推荐系统论文; 推荐系统实现论文; 关系模型论文; 分类数据论文; 用户研究论文; 决策树论文; 算法论文;