基于内容过滤推荐的农业信息推荐模型研究

针对专门的农业知识库，使用基于内容过滤的推荐方法，建立了农民用户兴趣模型和文档特征模型。在用户兴趣模型和文档特征模型中，针对特征项在不同表空间的分布情况，以及HTML文档结构对特征项权重的影响，通过改进传统特征项提取算法，提高了推荐模型的精度。结果表明，随着用户数的增加，农业信息推荐模型的查准率和查全率不断加大，说明模型的精确度不断提高。     

基于Item-Based协同过滤农业高校图书个性化推荐算法研究——以河北农业大学为例

针对高校用户对图书的个性化需求,运用用户对图书的评分,构建了基于Hadoop和Mahout的图书推荐系统。通过Hadoop中分布式文件系统(HDFS)和Map/Reduce计算模型的应用,发现当Hadoop中节点数不断增加时,计算时间不断减少,实时响应效率得到了提高;通过对Mahout中传统的Item-Based聚类协同过滤推荐算法进行改进,利用MAE值对传统和改进后的协同过滤算法进行比较,发现图书推荐的精度进一步提高。总体来说,推荐系统改善了传统单机运行内存严重不足和推荐结果不精确的问题。     

基于项目评分预测与用户多相似度的协同过滤推荐算法

根据项目之间的相似性预测用户对未评分项目的评分,解决协同过滤推荐的数据稀疏性问题。在此基础上,分别从用户评分、用户属性、用户历史行为等角度对用户的相似度进行衡量,并综合各种相似度用来计算目标用户的最近邻居。最后,综合利用项目评分预测和用户多相似度,提出一种改进的协同过滤推荐算法。     

基于用户评论的农业新技术推荐模型设计与应用展望

近年来,推荐系统的应用取得了飞速进步。大数据、人工智能技术的出现为农业信息化的加速发展提供了广阔的空间和前景。为提升农业领域内推荐技术的应用,满足农业用户的信息获取需求,对传统协同过滤推荐算法进行了一定的改进,重点体现在融合了K-means算法以及BIRCH算法进行聚类分析,通过搭建HowNet极性词典解决传统协同过滤方法过度依赖用户具体评分的问题,并提出了一种个性化推荐模型,利用相关数据源,进行模型验证。实验结果表明,该模型运行稳定,可以达到精准推荐农业技术信息的目的。     

基于本体的农业信息服务个性化推送研究

本体论已经引入到农业领域,并在农业知识工程、农业信息处理等方面取得了一定研究进展。通过分析现有推荐技术和本体论理论,将本体论引用到农业信息服务个性化推送中,构建基于本体的农业信息服务个性化推送模型,对研究农业农村信息服务方法和推广农业农村服务信息具有重要意义。     

基于云计算的农业信息整合安全模型研究

利用云技术整合农业数字资源是未来发展趋势,本研究中为确保农业信息的云安全,提出了一种网络安全模型,并通过仿真验证网络安全模型的合理性。     

基于Kruskal算法和主成分分析的农业经济信息评价

为了解县域单元内部乡镇之间农业经济信息的空间格局及结构,以山东省禹城市11个乡镇为研究对象,重点选取了反映农业经济信息的农业机械总动力等9项指标,运用主成分分析的统计方法,建立了农业经济信息的主成分载荷矩阵,计算了农业经济信息主成分综合得分,从计算机学科图论的角度人手,结合Kruskal求解最小生成树算法从定量的角度分析了禹城市11个乡镇农业经济信息的综合潜力状况,利用Kruskal算法和主成分结合的方法对乡镇单元尺度进行农业经济信息分析,确定最佳的区位优势、分类和组合,以便于农业的集约化和耕作的合理化,较好地配置农业的产业结构,为农业可持续发展和实现合理的农业地域分工提供科学依据。     

基于改进蚁群算法的农业运输车辆路径优化研究

针对农产品在运输过程中运输时间长易变质等问题,合理规划果蔬运输车辆的配送路径。在基本蚁群算法的基础上,提出适合求解路径规划的改进型算法,同时提出了自适应调整的方案,提高跳出局部优解的能力以及算法的全局收敛性。仿真试验结果验证了改进型算法的可行性和高效性,从而达到运输车辆路径优化的目的,为提高农产品的运输效率、降低成本、提高收益提供了理论依据。     

基于RSS技术的移动化农业信息服务系统研究

作者根据农村互联网发展的现状,依托RSS为核心技术,同时结合移动互联网技术、页面信息抽取技术、个性化用户模型等技术,设计了支持移动设备的个性化农业信息服务系统,力求可以通过移动设备完整、及时、低成本地将农业信息传送给农户。     

安徽省农业总产值预测研究——基于DE-ROLLING的改进GM(1,1)模型

以安徽省农业总产值为应用背景,选择国家统计局的数据作为基础数据,分别采用GM、DEGM、RGM和DERGM四种模型对2011年至2017年安徽省农业总产值进行预测,并与实际总产值进行比较。得出四种模型的平均绝对百分误差（MAPE）分别为1.8257%、1.8023%、1.5367%和0.9252%,数值结果显示RGM的预测精度比GM和DEGM的精度都要高,说明滚动机制的应用能够提高GM（1,1）模型的预测精度;DERGM模型的预测精度是最高的,其MAPE的值为0.9252%,说明同时融入差分进化算法（DE）和滚动机制的GM（1,1）模型的性能得到大幅度提高。采用DERGM对2018—2020年安徽省农业总产值和全国农业总产值进行预测,得出2020年安徽省农业总产值将达到2 611.6亿元,所占全国农业总产值的比重约为3.80%。