为解决在线学习中出现的“认知过载”和“学习迷航”等问题, 针对用户的个性化学习需求, 同时考虑知识点之间的逻辑关系, 本文将知识图谱融入学习资源推荐模型. 首先构建了学科知识图谱、学习资源模型和用户数学模型, 综合考虑用户的兴趣偏好、用户知识库与学习资源所涵盖知识点的关联度以建立多目标优化模型. 然后使用自适应多目标粒子群算法对模型求解, 基于个体拥挤距离降序排列缩减外部种群规模, 获得了分布特征良好的两目标Pareto前沿, 输出推荐资源序列. 实验时通过与标准多目标粒子群算法对比并使用HV、IGD指标对模型进行评价, 验证了其多样性和稳定性, 证明了算法良好的全局寻优和收敛性能. 采用五折交叉验证了算法良好的推荐效用.

安全技术-网络信息-社交网络中基于用户偏好变化的影响最大化研究.pdf

电影推荐系统 使用推荐系统算法在Python中实现的应用程序，该算法适用于大数据集。 您应该将.csv文件与一堆电影一起使用，以便在其中进行选择 应用程序输入应与.txt文件中提供的示例相同

基于用户偏好和影响力的推荐算法计算机研究.docx

行业分类-物理装置-一种考虑用户偏好的服务组合拍卖方法.zip

将知识图谱作为辅助信息引入到推荐系统中，可以有效地增强推荐系统的学习能力，提高推荐系统的精准度和用户满意度。针对知识图谱上的偏好传播问题，提出一种基于知识图谱用户偏好传播的实体推荐模型，目的是在传播偏好的同时兼顾传播强度，提高推荐效果。通过提取不同特定属性的基本特征控制用户偏好在知识图谱上的传播强度，然后根据每个用户的历史偏好传播强度在知识图谱上迭代计算，得到用户—项目对的偏好传播模型，最终通过排序学习进行top N推荐。最后，在三个不同类型数据集上的对比实验验证该模型算法的有效性。实验证明，在偏好传播的同时控制传播强度可以很好地提升推荐系统的准确率、召回率以及F1值，同时具有很强的灵活性和可解释性。

为反映Web服务组合过程中服务类之间的关联性和客户对服务非功能属性的偏好,以及服务调用过程中不同服务质量(QoS)属性之间的内在关系,提出基于QoS关联的Web服务组合决策算法。在评价服务组合优劣程度的过程中,考虑服务类在QoS属性上的关联关系,对QoS数据进行统一规格化和综合评估。实验证明,该算法拥有较好的执行效率和稳定性,并且选择结果较优。