共查询到20条相似文献,搜索用时 15 毫秒
1.
由于网络用户数据呈现渐进性非线性特征分离,导致对网络用户的信任度评价控制不准,无法有效实现对用户的准确推荐。提出一种基于Lyapunov协同权重控制的电子商务用户信任度评价渐进控制模型,将未知扰动和语义建模误差转化为满足给定信任评价的约束矩阵,完成用户信任网络控制器设计,采用Lyapunov指数系统感知策略,对用户信任权重值进行自适应调整,构建用户推荐模型构建与网络信任度控制模型,设计用户信任权重值协同感知算法,基于Lyapunov协同权重的电子商务用户信任度评价渐进控制模型改进设计。实验结果表明,该算法实现电子商务用户信任度渐进控制,控制精度较高,地域的分布特性也更加均衡,真实反映电子商务用户信任度评价的动态性、自适应性和稳健性特征,展示了较好的应用性能。 相似文献
2.
网络用户信任感知推荐的准确性设计是提高用户间的社交网络辅助信息信任度的重要依据。传统的网络用户信任感知推荐算法采用的是基于社交网络服务和用户评分的推荐系统,主观性较大,协同过滤效果不好。提出一种基于网络动态干扰监控的信任感知推荐算法设计新方法,设计自适应神经模糊系统网络动态干扰监测算法,构建基于向量空间模型的信任度评价指标体系结构,通过调整网络拓扑权重向量设置信任度周期响应加权变量自适应函数,有效降低迭代算法的运算成本,避免了自适应神经模糊系统网络动态干扰监测加权权重成固化状态,提高抗干扰性能。实验结果表明,算法能使社交网络感知推荐模型的预测误差减少,推荐可靠性优于传统方法。 相似文献
3.
《科技通报》2015,(10)
通过对电子商务的物流信任度渐进控制模型设计,进行网络实体对象的信任度评级,提高对商家的定量评估性能。传统的电子物流信任度控制模型采用自相关函数分析的模型设计方法,由于自相关特征分析的主观性较大,评价效果不好。提出一种基于互相关准则的电子物流信任度渐进控制模型。首先构建电子物流的资源数据库结构模型,构建用户信任评估机制与网络控制模型。采用DOI(Degree of Interest)互相关准则描述用户对资源的信任度评价,基于互相关准则,两个用户共同作出对彼此信任值模型的归一化评价。仿真实验表明,采用该模型,对电子物流信任度具有较好的渐进控制性能,信任度评价准确,估计精度较高,实现了基于互相关准则的电子物流信任度渐进控制,提高对电子物流商家的监管能力。 相似文献
4.
5.
引入多主体协商频率分析的云信任数据推荐算法 总被引:1,自引:0,他引:1
《科技通报》2015,(8)
通过对电子商务网络交易中的云信任度数据的准确推荐算法设计,提高对商家的定量评估性能。传统的云信任数据推荐模型采用单自由度协商模型,主观性较大,推荐效果不好。在云计算环境下,提出一种基于多主体协商频率分析的云信任数据推荐算法。利用了正向和逆向云发生器进行定性与定量概念的相互转换。构建多主体协商频率分析模型,采用信任属性云逆向生成器生成信任属性云,对属性云进行综合评定得到综合属性云,同时运用相似度计算原理给出信任度评定等级。采用方差作为标准测度函数,计算信任云权重,实现商家云信任数据推荐算法改进。仿真结果表明,采用该算法进行多主体协商,得到的电子商务商家的云信任数据推荐的收敛性较好,对商家的信任评价准确,有效降低复杂虚拟的网络交易所带来的交易风险,更加完善了信任度评估机制。 相似文献
6.
【目的/意义】研究从用户节点和网络全局两个视角出发,基于用户相似度与信任度对虚拟学术社区中学者
进行推荐,提高学者推荐的质量。【方法/过程】首先,利用 LDA 主题模型挖掘学者发表的博文主题,计算博文相似
度;通过学者共同好友比例计算好友相似度;然后将博文相似度和好友相似度融合计算用户相似度;最后,融合用
户相似度和信任度进行学者推荐。【结果/结论】提出虚拟学术社区中基于用户相似度与信任度的学者推荐方法,综
合利用用户节点和网络全局信息,为虚拟学术社区用户进行学者推荐。【创新/局限】从用户节点和网络全局两个角
度进行学者信息融合,有效提高了虚拟学术社区中学者推荐的质量。局限在于本文主要考虑的是学者在网络全局
中的信任度,用户节点间的交互信任关系还有待进一步研究。 相似文献
7.
8.
协同过滤推荐算法已成功应用在各类门户网站,越来越多的研究者参与其中,然而在协同过滤推荐过程中用户—项目评分矩阵数据稀疏性以及推荐的准确性低等问题,始终制约着该算法的发展。为此,从用户兴趣角度出发,单独构建情景用户兴趣模型及社交网络用户兴趣模型,再通过Logit Boost算法将2个兴趣模型融合得到准确的用户兴趣模型。Slope One算法填充用户—项目评分矩阵,解决用户—项目评分矩阵数据稀疏性问题;同时,通过用户兴趣模型计算目标用户的最近邻居用户,通过计算用户相似性,得到推荐集来提高协同过滤推荐算法的推荐准确度。 相似文献
9.
10.
11.
提出一种基于动态贝叶斯网络的协同过滤推荐方法。该方法实现了动态的推荐过程,使得推荐结果随用户喜好的改变而得到及时更新。并且使用DBN代替简单的相似模型来度量用户相似性,提高了最近邻推荐的准确性,解决了实时性推荐和数据空间的可扩展的问题。最后,给出基于DBN的协同过滤预测模型。通过对一个实例的研究验证了所提出的算法以及推荐模型的可行性。 相似文献
12.
13.
提出一种基于QoS的信任增强服务选择方法。引入信任评估机制,一方面重视服务请求者自身的服务使用经验;另一方面根据历史反馈对用户进行分级,只有达到一定级别的用户才有资格进行服务推荐,从而保证推荐信任度的可靠性。根据服务实际调用情况计算出直接QoS预测值、综合直接信任度和推荐信任度,选择能满足实际需求的候选服务。实例分析表明该方法可行。 相似文献
14.
15.
协同过滤技术是个性化推荐系统中最经典的代表,但传统的协同过滤技术也面临着冷启动、数据稀疏性等弊端,加上协同过滤技术很少考虑用户兴趣随时间变化和用户特征等因素,导致推荐质量不尽如人意。在传统协同过滤的基础上,结合用户兴趣变化和用户特征两方面,提出一种改进算法的协同过滤技术,与传统技术相比推荐质量显著提高。 相似文献
16.
本文提出了一种新的P2P网络信任模型——层次化分布域信任模型HDRTM。该模型基于历史交互信息和信誉推荐,采用量化方法和合成规则方法得到的信任度对P2P网络中的节点信任进行评估,同时引入了惩罚调节因子、合成规则权重因子等加强了信任度的可靠性与真实性。对HDRTM的仿真证明能够有效抵制恶意节点,具有较好的安全性与信任性。 相似文献
17.
18.
综合用户背景与资源特点,基于用户的协同过滤更适合高校图书馆在信息推荐中的应用。对其由于馆藏数字资源空间增大而导致推荐系统性能下降以及数据稀疏性问题,提出一种用户意图聚类的方法。通过运用K—means算法,对资源类别的意图特征值相似用户进行聚类,来提高推荐的实时性,降低数据稀疏性对信息推荐造成的影响。实验结果表明,基于用户意图聚类的协同过滤算法能有效提高推荐质量。 相似文献
19.
文章模拟用户的打分过程,利用信任来改进用户评分.同时研究用户声誉在资源选择过程中的作用,与项目的声誉结合来解决同质资源泛滥的问题.实验结果显示,本文提出的基于声誉的协同过滤推荐方法能更准确地反映用户的偏好情况和资源的质量,从而提高推荐的准确率. 相似文献
20.
针对复杂网络环境不同网络交易的特点,提出了采用变权重云模型网络拓扑理论对网上交易信任度及信任度变化量化评估方法。首先构建了基于云模型的信任度评估模型的总体结构,研究标准信任云生成器网络拓扑算法,通过调整网络拓扑权重向量,提出使用标准信任云生成器系统迭代的信息相似度为定量评估参数,设置信任云信息点的响应的频率计数器从而有效降低迭代算法的运算成本,构建标准信任云逆向生成器对网上交易信息进行完整逆向跟踪评价体系。结合淘宝网真实数据进行实验仿真,仿真结果表明该算法能更真实定量地反映商家信任度,有效降低复杂虚拟的网络交易所带来的交易风险,一定程度上完善了信任度评估机制。 相似文献