本文對采用個性化推薦的方式來輔助用戶開展文件檢索進行研究,根據(jù)用戶歷史搜索記錄以及用戶網(wǎng)站行為日志進行分析來推薦用戶想要的搜索結果,變被動搜索為主動推薦。文章從推薦系統(tǒng)的建設思路、總體架構設計、數(shù)據(jù)采集來源分析、數(shù)據(jù)處理策略、推薦引擎的模型設計、機器學習計算框架選擇幾個部分來開展研究。重點闡述了基于文件的協(xié)同過濾算法疊加基于圖的推薦模型的算法核心。通過計算文件之間的相似度,并根據(jù)文件的相似度以及用戶的歷史行為生成推薦列表,再根據(jù)崗位、知識點等實體關聯(lián)所建立的關系圖來對推薦結果進行過濾、排序。通過開展基于機器學習的文檔個性化推薦研究,為基于大數(shù)據(jù)及人工智能技術的文檔及信息資源開發(fā)利用做了有益的探索。 

【文章來源】：電力大數(shù)據(jù). 2019,22(09)

【文章頁數(shù)】：6 頁

【文章目錄】：
1 核電文檔個性化推薦的目標
2 核電文檔個性化推薦系統(tǒng)的研究
    2.1 個性化推薦系統(tǒng)的總體設計
    2.2 數(shù)據(jù)采集與預處理
    2.3 推薦引擎的模型與架構設計
    2.4 機器學習計算框架的選型
3 結論


【參考文獻】：
期刊論文
[1]基于協(xié)同過濾的電子商務平臺個性化推薦模型的設計與實現(xiàn)[J]. 劉會珍.  廣西師范學院學報(自然科學版). 2019(01)
[2]基于用戶評論的深度情感分析和多視圖協(xié)同融合的混合推薦方法[J]. 張宜浩,朱小飛,徐傳運,董世都.  計算機學報. 2019(06)
[3]基于用戶興趣度量的知識發(fā)現(xiàn)服務精準推薦[J]. 丁夢曉,畢強,許鵬程,李潔,牟冬梅.  圖書情報工作. 2019(03)
[4]基于用戶動態(tài)畫像的科技情報服務推薦模型構建研究[J]. 王益成,王萍.  情報理論與實踐. 2019(04)
[5]核電企業(yè)基于“大云物移智”的文檔管理創(chuàng)新[J]. 楊強,陳超,查鳳華.  電力大數(shù)據(jù). 2018(09)
[6]基于深度學習的高效電力部件識別[J]. 歐家祥,史文彬,張俊瑋,丁超.  電力大數(shù)據(jù). 2018(09)
[7]基于知識挖掘與協(xié)同融合的情報研究方法[J]. 肖洪,趙洪,毋曉霞.  情報理論與實踐. 2018(10)
[8]基于標簽的商品推薦模型研究[J]. 涂海麗,唐曉波.  數(shù)據(jù)分析與知識發(fā)現(xiàn). 2017(09)
[9]考慮對象關聯(lián)關系的多樣化商品推薦方法[J]. 游運,萬常選,陳煌燁.  計算機工程與應用. 2018(07)
[10]綜合用戶特征及專家信任的協(xié)作過濾推薦算法[J]. 高發(fā)展,黃夢醒,張婷婷.  計算機科學. 2017(02)



本文編號：3028092