融合用户兴趣漂移特征的个性化推荐研究

[目的/意义]基于社交网络用户短期兴趣和长期兴趣,挖掘用户不同时间窗口下长短期兴趣,能够提高用户兴趣发现的准确性,解决推荐系统不能适应用户兴趣变化的问题。[方法/过程]通过对社交网络用户兴趣的研究发现,社交网络用户兴趣可以分为短期兴趣和长期兴趣,据此构建融合用户兴趣漂移特征的个性化推荐模型。采用时间窗口的方法挖掘用户短期兴趣,利用遗忘曲线跟踪用户长期兴趣变化。在此基础上对用户进行聚类,根据用户聚类结果为用户推荐兴趣相似用户。并以微博真实数据为例进行实证。[结果/结论]融合用户兴趣漂移特征的个性化推荐模型能够较准确地发现用户兴趣漂移特征,满足用户个性化信息需求。[局限]仅使用"微博"这一应用广泛的网络社交平台进行实证,未能从多个网络社交平台进一步验证模型的可行性和准确性。     

融合用户社交与情境信息的虚拟知识社区个性化知识推荐研究

[目的/意义]通过融合用户社交与情境信息,构建虚拟知识社区个性化知识推荐模型并开展个性化知识推荐算法的设计,能够在一定程度上完善虚拟知识社区个性化知识推荐方法的理论体系,具有一定的理论价值和应用价值。[方法/过程]首先构建出基于用户社交与情境信息的虚拟知识社区个性化知识推荐模型,然后利用改进的最大团算法设计出虚拟知识社区个性化知识推荐算法,最后通过选取某虚拟知识社区的用户数据进行实例分析实现精准的个性化知识推荐。[结果/结论]在利用融合用户社交与情境信息进行虚拟知识社区个性化知识推荐过程中,通过对某虚拟知识社区的实例分析,表明其个性化知识推荐结果的精准度得到了显著的提升。     

基于用户属性—关系相似度的好友推荐模型研究

[目的/意义]挖掘潜在好友关系并进行精准的好友推荐服务,已成为社交网络领域研究的热点,基于用户属性-关系相似度的好友推荐模型研究旨在增强用户忠诚度以及在线社区活跃度,提升社区的信息服务准确性和效率。[方法/过程]通过融合用户链接关系与属性特征,提出用户属性-关系相似评价体系;采用因子分析法,计算得出各项目权重以及综合得分;据此构建社交网络相似度矩阵,基于派系划分方法,对用户进行划分分区,最终实现好友推荐服务。[结果/结论]实验结果表明,运用派系划分的基于用户属性-关系推荐模型在推荐列表长度受限情况下的整体表现较优,有效提高推荐精准度。     

社会化标注系统中个性化信息推荐多维度融合与优化模型研究

[目的/意义]在社会化标注系统自组织运行的基础上，构建个性化信息推荐的多维度融合与优化模型，进而在大数据环境下，为用户提供精准的个性化信息推荐服务，从而进一步丰富个性化信息推荐的理论体系以及拓展个性化信息推荐的研究方法。[方法/过程]首先，对每一种个性化信息推荐方法的优点和不足进行深入分析；然后，将基于图论（社会网络关系）、基于协同过滤以及基于内容（主题）3种个性化信息推荐方法进行多维度深度融合，构建个性化信息推荐多维度融合模型；最后，对社会化标注系统中个性化信息推荐多维度融合模型进行优化，从而解决个性化推荐过程中用户"冷启动"、数据稀疏性和用户偏好漂移等问题。[结果/结论]通过综合考虑现有的基于图论（社会网络关系）、基于协同过滤以及基于内容（主题）的个性化信息推荐方法各自的贡献和不足，实现3种方法之间的多维度深度融合，并结合心理认知、用户情境以及时间、空间等优化因素，最终构建出社会化标注系统中个性化信息推荐多维度融合与优化模型。     

融入用户反馈的网络知识社区好友推荐模型构建研究

[目的/意义]从用户相似度计算和用户反馈双重视角出发,进行高质量用户推荐,有利于提高网络知识社区个性化推荐水平。[方法/过程]首先基于爬虫工具和Python包进行用户属性数据采集和分析,以计算用户之间的背景、社交关系、博文信息的综合相似度;然后再计算用户核心度,基于相似度矩阵和核心用户排名形成待推荐列表;最后引入用户反馈机制,并根据用户的正负反馈结果确定最佳Top-k好友。[结果/结论]融入用户反馈的好友推荐模型能够提高推荐用户的质量,有效地提高好友推荐水平,也验证了好友推荐是一个逐步修复的过程。     

心理账户视角下在线健康社区用户非替代性时间分配行为研究

[目的/意义]非替代性时间分配行为是指个体对计划的时间不愿挪作他用的现象，引入心理账户理论分析在线健康社区用户该行为的规律，有助于预测用户行为与优化信息服务。[方法/过程]爬取丁香园论坛慢病区用户行为以及统计学特征信息，依据时间的非替代性从“来源—用途”构建在线健康社区用户发回帖时间分配框架，分别从发帖行为、回帖及其单次持续使用行为数据识别时间心理账户，进而分析其非替代性时间分配行为规律。[结果/结论]在线健康社区用户回帖行为具有非替代性时间分配行为规律，源于工作用于政策了解与就业寻求以及源于休息用于求医问诊与药物使用的时间不会挪作他用，但发帖及单次持续使用行为的时间分配没有非替代性。     

融合类目偏好和数据场聚类的协同过滤推荐算法研究

[目的/意义]基于近邻用户的协同过滤推荐作为推荐系统应用最广泛的算法之一，受数据稀疏和计算可扩展问题影响，推荐效果不尽如人意。[方法/过程]针对上述问题，提出了一种改进的推荐算法(Category Preferred Data Field Clustering Based Collaborative Filtering Recommendation, CPDFC-CFR)。首先，该算法舍弃用户评分，利用评论情感构建用户—项目矩阵，以增强用户偏好表示能力；其次，该算法引入类目偏好和语义偏好的概念，利用类目偏好比对高维用户—项目矩阵进行降维，并在用户相似度计算中纳入评论情感偏好、项目类目偏好和语义偏好，以降低数据稀疏性；最后，该算法将数据场作为用户聚类的前置算法，把数据场输出(极大值点)作为K-means算法输入，以提升算法实时性和稳定性。[结果/结论]实验结果表明：(1)项目类目级别越低，CPDFC-CFR算法准确性(F-measure)和即时性(相似度计算次数和推荐耗时)越优；(2)与其他推荐算法相比，CPDFC-CFR算法能够有效提升推荐准确性和计算效率，对协同过滤推荐系统建设具有重...     

基于协同过滤的高校图书馆纸本资源智能推荐方法实证研究

[目的/意义]旨在为高校图书馆提高纸质资源采购质量与利用率提供参考。[方法/过程]基于用户画像的理论对不同用户进行多维度的刻画,利用机器学习中监督学习的方法,通过采用协同过滤的推荐算法对用户偏好特征做精细统计分析的定量化计算,并从用户需求的角度建立用户偏好同步变化的自适应优化在线学习的纸本资源推荐系统。[结果/结论]该研究从实证分析角度为用户实现精准的个性化纸本资源推荐服务,为高校图书馆纸质文献检索库实现智能偏好的检索功能,建立纸质文献检索库合理有效的动态更新机制,提升用户体验。     

基于梯度提升决策树的情境感知推荐模型

[目的/意义]旨在深入研究情境信息对用户偏好的影响,提高情境感知推荐的准确性。[方法/过程]提出了基于梯度提升决策树的情境感知推荐模型,根据梯度提升决策树计算情境属性权重,将其与传统协同过滤算法相融合,生成情境感知推荐结果。[结果/结论]该模型可以识别影响用户偏好的重要情景属性,为用户提供个性化推荐服务。     

基于用户兴趣融合的协同过滤推荐算法

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。     

激励机制下在线健康社区个人信息隐私保护的演化博弈分析

[目的/意义]隐私安全问题是影响用户获取健康信息与服务的重要因素,研究在线健康社区个人信息隐私保护问题,对确保用户健康隐私安全,促进在线健康社区持续发展具有重要意义。[方法/过程]在引入激励机制情况下,构建以用户和在线健康社区为博弈双方的收益矩阵,通过计算和Matlab仿真分析,得出有无激励机制情形下博弈主体行为稳定的条件以及各关键变量对博弈主体策略选择的影响程度。[结果/结论]用户和在线健康社区二者之间的策略选择受激励机制、用户隐私泄露风险、倒卖隐私收益的共同影响,通过引入合理的激励机制,提高用户隐私安全意识,完善隐私政策可有效解决隐私安全隐患。     

基于社会化标注的用户兴趣发现及个性化推荐研究

基于标签的个性化推荐应用越来越普遍,但是标签带有的语义模糊、时序动态性等问题影响着个性化推荐质量,现有研究仅从数量和结构上考虑用户与标签的关系。基于社会化标注系统的个性化推荐首先对融合社会关系的标签进行潜在语义主题挖掘,然后构建多层、多维度用户兴趣模型,提出模型更新策略,最后实现个性化推荐。采集CiteUlike站点数据进行实验分析,结果表明改进算法比传统算法更准确表达用户兴趣偏好,有效提高了个性化推荐准确率。     

基于动态特征的学者推荐研究

[目的/意义]在开放的知识交流环境中向学者推荐具有相似研究兴趣的学者有助于学者高效获取到所需的学术资源,更好地开展学术研究和学术交流。[方法/过程]首先利用LDA主题模型提取学者的科研兴趣特征,同时引入时间因子加权兴趣特征,形成学者动态兴趣矩阵,基于此使用K-means对具有相似研究兴趣的学者进行聚类分析,并在类簇内综合学者的科研能力和社交属性两个维度构建学者推荐模型。[结果/结论]以“百度学术”数据集对模型进行验证,实验结果表明该模型能够很好地发现相关学者,满足可操作性和推荐结果有效性。在学者推荐过程中引入更贴近现实的动态兴趣特征对推荐结果具有一定效果。     

融合用户画像与协同过滤的知识付费平台个性化推荐模型

[目的/意义]为提高知识付费平台用户感知服务质量,文章构建了融合用户画像与协同过滤的个性化推荐模型。[方法/过程]首先根据用户特性构建画像标签体系,利用TF-IDF、熵值法、k-means等方法确定用户特征标签;其次分别基于用户画像与改进后的协同过滤算法计算用户相似度,通过调和权重得到用户综合相似度;最后利用Top-N进行个性化推荐。[结果/讨论]通过知乎live付费用户信息进行验证,发现本文算法在推荐结果的准确率以及召回率上,相比其单一方法均有较大提升,且满意度高于知乎live平台。     

面向用户需求的多源在线健康社区信息多层级融合框架研究

[目的/意义]有效实现多源异构在线健康信息资源的有机融合,是开展健康信息知识型服务的重要基础。[方法/过程]首先,根据信息生成方式提炼出在线医疗健康平台中健康信息的主要特征;其次,依据用户对医疗健康信息探索实践的目标、任务与过程,将用户在线健康信息需求进行层级划分;最后,建立用户健康信息需求的响应机制。[结果/结论]在此基础上,构建面向用户需求的多源在线健康社区信息多层级融合框架,并从数据级融合、特征级融合及决策级融合逐层剖析在线健康信息多层级融合的实现路径。     

基于舆情画像的在线社交用户信息传播特征统计分析

[目的/意义]在线社交用户的信息行为对网络舆论生态环境的构建具有重要的指导意义。[方法/过程]借鉴"用户画像"的思想,提出了在线社交用户舆情画像的概念,围绕人类动力学研究视角构建了在线社交用户的舆情画像模型,最后从舆情信息传播的时间间隔分布、活跃度分布、时间间隔重标度、交互热度、阵发性和记忆性等方面对在线社交用户信息传播行为特征进行了实证分析。[结果/结论]研究结果表明,在线社交用户"舆情画像"可全面揭示其网络信息行为特征,实现对用户基本信息与舆情传播信息的有效收集、有效识别与定量分析,从而为网络舆情生态环境的完善提供参考。     

在线用户评论行为时效特征影响因素实证研究

[目的/意义]针对我国在线用户评论习惯，探索用户评论行为对评论时间的影响作用因素，对电子商务运营商探究用户评论行为规律及探索潜在用户评论时间偏好具有重要的潜在商业价值。[方法/过程]基于TAM模型抽取在线用户评论行为时间特征规律研究的影响因素并构建模型，通过抽取消费者购买行为和评论行为的时间间隔为时间序列，通过多元线性回归模型进行假设验证。[结果/结论]通过对在线评论数据的实例验证，本文所构模型能够很好地发现在线用户评论行为对评论时间的影响作用关系，对消费者评论行为的时间特征规律发现和预测具有辅助作用。     

基于混合图的在线社交网络个性化推荐系统研究

文章提出一种基于混合图的在线社交网络个性化推荐系统,将用户社会关系网络和社会化行为融入信息推荐.该系统包括模型构建、推荐流程和算法设计三部分.首先构建了用户资源混合图,并讨论了混合图的构建方法及权重设置,再在构建的混合图上采用重启动随机游走进行顶点间相似度计算,得到个性化推荐列表,进行推荐.     

基于在线健康社区用户画像的情感表达特征研究

[目的/意义]通过构建在线健康社区用户画像,解释不同用户群体的情感差异和特征,以掌握社区用户情感表达规律,推动在线健康社区的信息支持与情感支持功能建设。[方法/过程]首先,分析建立用户画像的目的,结合在线健康社区的数据特点建立包含基本信息、情感、主题和信息行为特征的用户画像概念模型。其次,确定各用户的标签属性,对标签属性进行抽取。最后,结合情感标签对用户角色进行划分,利用具有噪声的基于密度的空间聚类方法(Density-Based Spatial Clustering of Applications with Noise, DBSCAN)实现了用户画像并分析不同角色的画像特征。[结果/结论]提出的方法可以有效生成贴近用户原貌的画像并识别用户情感表达特征。通过实例分析挖掘出焦虑型、愤怒型、祈祷型、乐观型和悲哀型等5类社区用户群,各用户群体在性别、年龄、影响力、活跃度和兴趣主题方面均表现出不同的情感特征差异。     

突发公共卫生事件下在线健康社区突发话题与情感的共现关联分析

[目的/意义]在线健康社区在突发公共卫生事件的应急和管理中发挥了重要的作用,对社区中用户关注的事件话题及其情感进行分析和监测有助于社区平台创新应急服务水平,提升舆情监管部门的舆情管理水平。[方法/过程]为了实现在线健康社区突发话题与情感的共现关联分析,首先抽取话题及其特征词,计算话题突发强度;然后对用户情感进行分类与极性强度计算;接着对突发话题与情感进行共现可视化分析;最后对话题突发强度与情感表达之间的关系进行实证分析。[结果/结论]文章的研究思路与方法可以直观地观测用户交互话题的突发性以及话题—情感的演化进程;情感强度与话题突发强度存在正向弱相关关系,随着话题突发强度增强,用户表达的情感类型也会有所不同。