基于社交网络的群体推荐系统
这是一篇关于社交网络,推荐系统,标签系统,群体决策,攻击检测的论文, 主要内容为近年来，计算机技术的快速发展，比如HTML5、Web2.0、GUI等相关领域所取得的突破性成果，促使互联网的应用日益普及，其实践范围也越来越广泛，在给互联网用户带来更多的选择以及更高的自主性体验的同时也使得网络上的信息资源以指数级别增长，从而造成信息过载的现象。当面对海量的信息时，用户往往无法快速、准确地找到自己感兴趣或者对自己有用的信息，因此在一定程度上导致了时间与资源的浪费，个性化推荐系统就是在这种背景之下应运而生的。目前，个性化推荐系统已成为解决信息过载问题的主要技术，并在长期的实践应用中取得了良好的成效。然而，现有的推荐系统大多旨在为单个用户提供推荐，现实生活中，有时却需要向一个群体提供推荐。基于群体的复杂性与多样性，传统的针对单个用户的推荐系统算法已不能很好地适用于群体推荐系统。在过去的几十年里，国内外已经有不少学者认识到了研究群体推荐系统的重要性与紧迫性，并取得了一定进展，但从整体上看，其研究仍然停留在初级阶段，诸多问题依然尚未解决。 本文基于以上前提背景，结合社交网络、标签系统、协同推荐系统以及群体决策理论提出了基于社交网络的群体推荐系统算法。首先详细分析了利用社交网络中的相关概念来获取群体用户权重的框架体系，包括群体的类别、产生以及相对应的社交网络图谱、兴趣图谱和权重算法；接着将标签系统与协同推荐系统结合在一起，提出了一种混合的群体推荐系统算法以生成群体推荐项目集合；最后融合群体决策理论与权重框架体系对推荐项目进行排序，以得到最大化群体满意程度的推荐列表。与此同时，本文还对群体推荐系统中的攻击检测问题进行了初步的研究。通过大量的实验对比可以验证本文提出的基于社交网络的群体推荐系统算法具有一定程度的可靠性与有效性；同时，为了进一步验证算法的性能，还通过调查问卷获取了用户对基于社交网络的群体推荐系统算法推荐结果的满意程度。实验结果表明，本文提出的基于社交网络的群体推系统算法不仅在推荐性能上有一定程度的改善，同时能够给用户带来更好的使用体验。
基于语义的标签推荐系统关键问题研究
这是一篇关于个性化推荐,协同过滤,标签推荐系统,语义相似度,相似度计算,标签系统的论文, 主要内容为随着Internet和Web2.0技术的飞速发展,日益严重的信息过载问题推进了个性化推荐系统的快速发展。现有的个性化推荐技术虽然在一定程度上帮助了人们在信息的海洋中寻找到自己喜好的信息,仍而却不能准确的理解用户的喜好,从而影响到推荐的准确率及推荐效果。 本文针对传统个性化推荐系统的局限性,结合标签系统和推荐系统提出了基于语义的标签推荐系统框架。重点分析了标签系统中的各个模块,包括标签的结构分析、标签整理方法、标签选择算法,以及构建基于标签的用户喜好模型。此外,在推荐系统的推荐算法部分,本文提出了基于语义相似度的标签推荐算法,较好地解决了词和词的相似度以及句子和句子的相似度计算问题。 最后,本文通过实验分析来验证所提出的基于语义的标签推荐系统及基于语义相似标签算法,并且同其他主要推荐算法进行了比较。实验结果表明,本文提出的基于语义相似标签推荐算法在推荐精度上有一定的提高。
标签系统中基于语义社团的个性化信息推荐研究
这是一篇关于标签系统,概念空间,语义社团发现,个性化信息推荐的论文, 主要内容为Web2.0环境下,互联网已成为全球最大的信息资源库,大量的信息在给人们带来诸多便利的同时,也不可避免地导致了“信息泛滥”、“信息迷航”等问题。个性化信息推荐可以根据Web用户的信息需求主动向Web用户提供合适的信息,成为解决这些问题的重要手段之一。在标签系统中,“用户—资源—标签”之间的关系网络为个性化信息推荐提供了十分有价值的基础数据,但已有的相关研究主要从关系网络的结构特征来分析用户之间的关系,忽视了标签系统中丰富的语义信息,制约了基于社会网络的个性化信息推送模型的质量。因此,本文通过构建标签的概念空间发掘标签之间的语义关系,进而将概念空间与社团发现相结合,提出融合概念空间模型的语义社团发现方法,最后根据语义社团结构特征构建个性化信息推荐模型。本文的研究主要包括三个方面的内容:第一,构建基于标签的概念空间。标签可被视为由用户主动生成的一种元数据,标签体现了用户的认知结构特征,包含了丰富的语义信息。利用标签对用户进行聚类后,同属一个类别的各个用户的兴趣结构存在相似的可能性,彼此之间产生信息互动关系的概率也会相对较大。由此,本文首先通过标签聚类形成标签主题,然后通过构建空间向量、关联矩阵、相似性矩阵等操作构建基于标签的概念空间模型,实现标签主题语义层次分析,为后续利用标签对用户进行聚类奠定基础。第二,提出融合标签概念空间的语义社团发现算法。基于标签的用户聚类将具有相似认知结构的Web用户聚集在一起,在标签系统中可以通过这种聚类来构建隐性的社会网络。本文针对每个标签主题内部的隐性社会网络,提出融合标签概念空间的语义社团发现算法,将网络内部节点的标签语义(概念空间模型)引入到社团发现过程中,使得社团内部用户语义相似度尽可能大,社团外部用户语义相似度尽可能小。在具体实现过程中,首先根据隐性社会网络内部用户使用标签的频次、用户使用标签对应的TF-IDF值来计算用户之间的相似度,并根据相似度的大小来衡量用户之间的亲疏程度,从而形成用户之间的关系网络。然后借鉴SemTagP算法的思想,在社团发现过程中充分考虑社团内部节点的语义信息,将概念空间模型与社团发现有机融合,实现语义社团的划分。第三,基于语义社团实现个性化信息推荐。语义社团的划分是基于每个标签主题所对应的隐性社会网络,因此,本文的个性化信息推荐仅针对每个隐性社会网络内部形成的社团结构。由社团结构的基本特征可以得出:同属一个社团的Web用户的兴趣具有较大的相似性,而不同社团的WWeb用户的兴趣具有较大的差异性。因此,社团内的个性化信息推荐可以借鉴协同过滤思想来实现,社团间的个性化信息推荐则考虑分属不同社团的两个节点之间可能存在强联系的情形,利用扮演“信息桥”角色的节点实现社团间的个性化信息推荐。
基于社交用户信任度和标注动机的标签推荐系统研究
这是一篇关于标签系统,社交网络,信任度,标注动机,兴趣模型的论文, 主要内容为近年来,科学技术日新月异,互联网进入Web2.0时代后,“信息爆炸”已经成为当今时代的主要特征,海量信息的涌现,为人们查询选择信息带来了诸多不便。基于此,垂直分类系统、搜索引擎、推荐系统等技术方法不断被科研人员提出并应用,用以解决我们所面临的信息爆炸难题。本文以推荐系统为研究对象,主要针对当前标签推荐系统在国内外研究及应用工作进行了阐述,分析了其面临的困难和不足。同时,本文对论文研究中涉及到的推荐算法技术、社交网络技术以及标签系统工作原理等基本基础工作,进行了简要的研究阐述。个性化推荐系统通过系统分析用户行为,构建用户模型,预测用户喜好进行资源推荐获得了良好的用户反馈。基于用户生成内容(User Generated Content,UGC)的标签系统通过标签的标注来反映用户的兴趣爱好,在用户与资源之间起到良好的媒介作用。然而,由于每个用户之间存在个体差异,导致了标签存在歧义、语义模糊等现象,同时,用户之间信任度衰减也导致了个性化推荐效果不佳的问题。本文结合国内外研究现状,对当前的标签系统、推荐系统以及其模型和算法等进行研究分析,着力于社交网络中用户信任和用户标注动机两点来构建完善个性化的标签推荐系统,通过构建用户信任集合和判别用户标注动机进行相关推荐算法的改进,最终设计了基于此算法的个性化推荐系统原型。本文的主要工作包括:①阐述了国内外对基于标签的推荐系统的研究和应用现状,研究了当前主要的推荐算法和标签系统的特点,分析了当前标签推荐系统面临的困难和不足。②为了解决当前社交网络中基于用户信任的Web服务推荐算法存在的覆盖率不足的问题,本文整合了当前有关直接信任、间接信任及群体信任度的研究思路,对相关的信任度计算方式进行了扩展研究。在此基础上,本文提出了一种新的组合信任度算法。③对标签推荐系统中用户标注动机进行了动机倾向性分类研究,并通过判断倾向性指标的量化研究,来完成用户动机倾向性的判断。在此基础上,通过构建基于艾宾浩斯遗忘函数的兴趣模型,完成了基于用户动机和兴趣模型二者结合的标签推荐算法改进。④通过基于用户信任和用户标注动机的推荐研究,设计了一个基于用户信任和标注动机的标签推荐系统原型,并主要就其功能模块进行了描述。
基于社交网络的群体推荐系统
这是一篇关于社交网络,推荐系统,标签系统,群体决策,攻击检测的论文, 主要内容为近年来，计算机技术的快速发展，比如HTML5、Web2.0、GUI等相关领域所取得的突破性成果，促使互联网的应用日益普及，其实践范围也越来越广泛，在给互联网用户带来更多的选择以及更高的自主性体验的同时也使得网络上的信息资源以指数级别增长，从而造成信息过载的现象。当面对海量的信息时，用户往往无法快速、准确地找到自己感兴趣或者对自己有用的信息，因此在一定程度上导致了时间与资源的浪费，个性化推荐系统就是在这种背景之下应运而生的。目前，个性化推荐系统已成为解决信息过载问题的主要技术，并在长期的实践应用中取得了良好的成效。然而，现有的推荐系统大多旨在为单个用户提供推荐，现实生活中，有时却需要向一个群体提供推荐。基于群体的复杂性与多样性，传统的针对单个用户的推荐系统算法已不能很好地适用于群体推荐系统。在过去的几十年里，国内外已经有不少学者认识到了研究群体推荐系统的重要性与紧迫性，并取得了一定进展，但从整体上看，其研究仍然停留在初级阶段，诸多问题依然尚未解决。 本文基于以上前提背景，结合社交网络、标签系统、协同推荐系统以及群体决策理论提出了基于社交网络的群体推荐系统算法。首先详细分析了利用社交网络中的相关概念来获取群体用户权重的框架体系，包括群体的类别、产生以及相对应的社交网络图谱、兴趣图谱和权重算法；接着将标签系统与协同推荐系统结合在一起，提出了一种混合的群体推荐系统算法以生成群体推荐项目集合；最后融合群体决策理论与权重框架体系对推荐项目进行排序，以得到最大化群体满意程度的推荐列表。与此同时，本文还对群体推荐系统中的攻击检测问题进行了初步的研究。通过大量的实验对比可以验证本文提出的基于社交网络的群体推荐系统算法具有一定程度的可靠性与有效性；同时，为了进一步验证算法的性能，还通过调查问卷获取了用户对基于社交网络的群体推荐系统算法推荐结果的满意程度。实验结果表明，本文提出的基于社交网络的群体推系统算法不仅在推荐性能上有一定程度的改善，同时能够给用户带来更好的使用体验。
基于社交用户信任度和标注动机的标签推荐系统研究
这是一篇关于标签系统,社交网络,信任度,标注动机,兴趣模型的论文, 主要内容为近年来,科学技术日新月异,互联网进入Web2.0时代后,“信息爆炸”已经成为当今时代的主要特征,海量信息的涌现,为人们查询选择信息带来了诸多不便。基于此,垂直分类系统、搜索引擎、推荐系统等技术方法不断被科研人员提出并应用,用以解决我们所面临的信息爆炸难题。本文以推荐系统为研究对象,主要针对当前标签推荐系统在国内外研究及应用工作进行了阐述,分析了其面临的困难和不足。同时,本文对论文研究中涉及到的推荐算法技术、社交网络技术以及标签系统工作原理等基本基础工作,进行了简要的研究阐述。个性化推荐系统通过系统分析用户行为,构建用户模型,预测用户喜好进行资源推荐获得了良好的用户反馈。基于用户生成内容(User Generated Content,UGC)的标签系统通过标签的标注来反映用户的兴趣爱好,在用户与资源之间起到良好的媒介作用。然而,由于每个用户之间存在个体差异,导致了标签存在歧义、语义模糊等现象,同时,用户之间信任度衰减也导致了个性化推荐效果不佳的问题。本文结合国内外研究现状,对当前的标签系统、推荐系统以及其模型和算法等进行研究分析,着力于社交网络中用户信任和用户标注动机两点来构建完善个性化的标签推荐系统,通过构建用户信任集合和判别用户标注动机进行相关推荐算法的改进,最终设计了基于此算法的个性化推荐系统原型。本文的主要工作包括:①阐述了国内外对基于标签的推荐系统的研究和应用现状,研究了当前主要的推荐算法和标签系统的特点,分析了当前标签推荐系统面临的困难和不足。②为了解决当前社交网络中基于用户信任的Web服务推荐算法存在的覆盖率不足的问题,本文整合了当前有关直接信任、间接信任及群体信任度的研究思路,对相关的信任度计算方式进行了扩展研究。在此基础上,本文提出了一种新的组合信任度算法。③对标签推荐系统中用户标注动机进行了动机倾向性分类研究,并通过判断倾向性指标的量化研究,来完成用户动机倾向性的判断。在此基础上,通过构建基于艾宾浩斯遗忘函数的兴趣模型,完成了基于用户动机和兴趣模型二者结合的标签推荐算法改进。④通过基于用户信任和用户标注动机的推荐研究,设计了一个基于用户信任和标注动机的标签推荐系统原型,并主要就其功能模块进行了描述。
基于二部图网络结构的推荐算法研究
这是一篇关于二部图网络结构,推荐算法,消极评分,标签系统的论文, 主要内容为随着网络技术飞速的发展,网络资源总量呈指数型增长,信息过载问题也愈演愈烈,面对如此海量且繁杂的数据,用户很难快速找出需要的信息,推荐系统能够有效缓解这一问题。个性化推荐系统通过各种数据挖掘技术解析用户的日志信息,给用户推送其偏爱的信息。推荐领域里推荐算法设计的好坏很大程度上决定了推荐性能的高低和用户的使用感受,因此对推荐算法的研究与改进有重要的意义。在多种个性化推荐算法里,二部图网络结构的推荐算法具有推荐内容多样化、建模简单等特点而受到广泛研究。本文在广泛了解主流的推荐算法之后,又重点探究了基于二部图网络结构的推荐算法的发展历程与步骤,分析了该类算法面临的问题和需要改进之处,主要研究内容如下:(1)针对二部图网络结构的推荐算法在建模二部图过程中粗粒化评分导致的抛弃消极评分和初始资源设置不合理的问题,提出一种融合消极评分与项目属性的二部图推荐算法。该算法从两个方面深度挖掘消极评分里隐含的信息,一方面将消极评分信息建模成二部图,并利用评分均值对项目的初始资源进行改进,另一方面将消极评分结合项目属性信息进一步挖掘用户与项目的关系,使得最终的项目资源分布更加合理。(2)针对传统二部图网络结构的推荐算法仅依赖节点度实现资源扩散的问题,研究一种融合标签信息的二部图推荐算法。提出的算法将标签信息融入到二部图推荐算法的各个阶段,充分挖掘用户对项目打标签的日志信息。首先在初始化项目资源时,利用项目的标签分布提出一种对项目的初始资源的扩充方式,从而一定程度上缓解数据稀疏;其次借助标签和评分信息计算用户之间的信任度,根据信任度的差异性对项目向用户扩散的资源进行重新分配;最后利用用户对项目标记的标签数量进行第二阶段的资源差异化分配。在常见的数据集上进行实验验证,结果表明这改进后的算法能够充分挖掘并利用被忽略的评分信息和其他的有效数据,不仅可以确保推荐出来的项目有良好的准确性,而且结果的多样化也有一定程度上的提高,满足用户的个性化需求。
基于Hadoop和Django的电商用户画像系统
这是一篇关于用户画像,Django,Bootstrap,标签系统,Hadoop的论文, 主要内容为近些年,数据科学和大数据的概念被媒体炒得热火朝天,数据不限于互联网产生的数据,金融、医疗、制药、政府、零售行业等行业都会产生大量的数据,数据在各行各业的影响力与日俱增。人们的日常行为也被数据化了,网络购物、通信、浏览新闻、搜索信息、评论都会被记录下来,我们可以依赖于充足且廉价的计算能力深入研究人类的行为,更好的认知人类自身。用户画像,即用户信息标签化、数据化。企业通过收集研究消费者静态信息数据和动态行为数据,抽象出用户的商业全貌帮助企业定位目标人群以及满足各类用户需求。随着电子商务市场的不断增加,各大电子商务网站把用户价值和数据驱动都列为公司的价值观。传统的用户画像过多的依赖于客观和过往的经验,因此需要一个操作简单但是功能强大的用户画像系统让用户分析平台化简单化、智能化,让平时累积的数据为电子商务公司带来实际的价值。本文从电商运营分析员工的角度出发,结合企业生产环境中常用稳定的用户画像方案和架构,同时参照大数据环境下不断涌现的新兴技术和工具,提出将稳定架构与新兴技术相互结合来优化用户画像的方案,最后实现出的一套电商用户画像系统包含标签系统、指标看板、用户视图、极光平台、工作中心功能健全的软件系统。系统的前端展现使用了比较被欢迎的Bootstrap框架,使得页面布局合理清晰,同时使用了Ajax、jQuery、Echarts等先进的前端技术进行数据的可视化。后端使用了高性能的Django开发框架,并结合Hadoop分布式计算框架存储计算电商用户使用网站的源数据包括静态信息数据、动态行为数据,使用MySQL数据库保存系统功能管理数据,而用户的属性标签、人群信息、业务统计数据使用MongoDB非关系型数据库存储,提供了高性能、高可靠的后台存储功能,从而构建出一套安全稳定性好、可扩展性高的用户画像系统。
本文内容包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主题。发布者：毕设货栈 ，原文地址：https://bishedaima.com/lunwen/55573.html
