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。     

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。     

基于用户模式聚类的协同过滤个性化推荐方法

最近邻协同过滤常用的计算用户访问行为相似程度的距离函数仅是测定访问者对象在所有测试属性空间上的平均测定,而在属性集的子维空间上的相似模式并没有有效地挖掘出来,用户评分数据稀疏等问题使其推荐质量下降。针对这些问题,提出一种基于用户模式聚类的协同过滤推荐算法,该算法采用基于用户模式相似的子空间聚类方法产生聚类,并且利用模式相似度改进协同过滤,从而对用户产生个性化推荐。实验结果表明,该方法改善了推荐系统的效率和精度。     

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。     

基于用户画像和视频兴趣标签的个性化推荐

【目的/意义】用户画像深刻地描述了视频用户的个体和群体行为特征,为视频的个性化推荐服务提供参 考。【方法/过程】通过文本挖掘对爬取的视频、用户及其观影数据分析,构建单个用户画像,并通过K-Means和LDA 模型对用户聚类并提取主题,挖掘群体用户特征。基于用户画像和时间指数衰减的视频兴趣标签,并结合视频喜 爱度和协同过滤,进行视频推荐。【结果/结论】考虑时间指数衰减的个性化推荐,提高了系统对用户兴趣的感知。 结合视频喜爱度和协同过滤,推荐视频评分达0.87,有助于提高用户对网站的忠诚度和活跃度。【创新/局限】基于用 户生成内容的文本挖掘结果,进行单个和群体用户画像,并创新性采用时间指数衰减构建用户视频兴趣标签,以捕 获用户兴趣的变化。由于网络爬虫的限制,实验数据量有一定的局限性,且特征提取兴趣范围有限。     

个性化信息推荐服务中用户潜在兴趣挖掘研究

如何准确分析用户行为,向用户提供满意的网页信息,一直以来都是个性化信息推荐系统设计的目标。本文在分析现有个性化信息推荐模型的基础上,针对以往研究在推荐兴趣时仅根据语义相关度进行协助性信息推荐,而忽略用户行为规律所包含的潜在兴趣信息的不足,尝试提出一个结合Web语义挖掘和FP-tree规则发现技术的个性化信息推荐模型。该模型利用本体对语义的明确化描述,在挖掘用户行为信息时获取用户兴趣偏好的语义信息,并利用FP-tree技术根据以获取的语义信息推理出用户兴趣行为模式,从而在信息推荐时不仅能准确理解用户兴趣偏好,也能根据用户潜在兴趣规律,推荐给用户更全面的网页信息。     

基于协同过滤技术的个性化课程推荐系统研究

本文通过对个性化推荐技术涵义的叙述,提出基于个性化推荐技术中的协同过滤技术构筑个性化课程推荐系统平台,并且对系统平台的设计与实现过程进行了阐述。     

基于协同过滤的电子商务个性化推荐算法分析

个性化推荐系统是电子商务运作过程中的重要组成部分,计算机网络信息化的不断发展和当今数据的爆炸式增长,使得人们很难在海量信息中找寻出适合自身需求的数据和信息,信息过载状况时有发生。阐述了我国电子商务个性化推荐系统的作用,分析了当前主流电子商务推荐技术,对基于协同过滤的电子商务个性推荐算法进行了研究。     

基于用户的协同过滤个性化商品推荐系统研究

论文首先探讨了电子商务推荐系统的定义和作用,然后分析了电子商务推荐系统的类型,最后在此基础上对基于用户的协同过滤推荐系统的实现进行了研究。     

基于网络日志的用户兴趣模型构建

了解用户查询意图对改善搜索引擎质量起到了至关重要的作用,对具有特定兴趣的用户进行查询分析,使搜索引擎更能了解用户的真实需求。本文通过对网络查询日志进行聚类分析,将相似度大的查询词聚类,建立用户兴趣模型对用户的兴趣进行分析。根据查询词内容重合度,建立查询词图,并结合查询词的PageRank算法,提出一种基于用户查询词概率分布的评价方法,对用户感兴趣的查询词进行评价。最后,根据查询词的概率分布将最感兴趣的查询词推荐给用户。     

基于协同过滤的论文推荐-传播平台模型研究

借鉴协同过滤个性化推荐思想,提出基于同行评价计算用户相似度的学术论文个性化推荐-传播平台模型:研究人员借助推荐-传播系统将自己或他人的学术论文推荐给与其有相似研究兴趣的网络邻居,从而可基于同行协同过滤将学术文献高效获取和研究成果主动推介结合起来。运用计算机多主体仿真方法,本文模拟并验证了推荐-传播平台的性能。     

基于模糊概念格的领先用户个性化知识推荐研究

针对创新社区日益增长的海量信息阻碍了用户对知识进行有效获取和创造的现状,将模糊形式概念分析（FFCA）理论应用于创新社区领先用户的个性化知识推荐研究。首先识别出创新社区领先用户并对其发帖内容进行文本挖掘得到用户——知识模糊形式背景,然后构建带有相似度的模糊概念格对用户偏好进行建模,最后基于模糊概念格和协同过滤的推荐算法为领先用户提供个性化知识推荐有序列表。以手机用户创新社区为例,验证了基于FFCA的领先用户个性化知识推荐方法的可行性,有助于满足用户个性化知识需求,促进用户更好地参与社区知识创新。     

高校数字图书馆用户推荐系统研究

针对在高校数字图书馆环境下应用推荐系统的相关问题进行阐述,通过系统需求分析、框架设计、最终构造出系统原型,并在实验环境下生成了一定的推荐效果。     

用户兴趣模型在图书馆个性化推荐服务中的应用

兴趣模型是图书馆信息个性化服务的关键技术,在向量空间模型的基础上,给出了层次型用户兴趣模型,介绍了在该模型下个性化推荐服务的框架,说明了利用反馈对兴趣模型进行调整的方法,并讨论了系统中涉及的关键技术.     

基于分类的用户兴趣漂移模型

针对个性化信息服务系统中如何表示用户兴趣和用户兴趣的漂移问题,提出了一种基于分类模版的用户兴趣模型构造方法.采用遗忘算法,将用户的长期兴趣和短期兴趣相结合,体现用户兴趣的漂移.     

基于协同过滤推荐技术的个性化网络教学平台研究

协同过滤推荐技术是推荐系统中最核心的技术之一,也是目前应用最广泛、最成功的技术.在本文中,研究如何将协同过滤推荐技术借鉴过来,并就冷开始问题、稀疏问题和新兴趣发现问题对现有的协同过滤推荐技术进行改进,以达到实现网络教学平台个性化的目的     

基于浏览历史的用户兴趣提取模型

提出了一种基于用户浏览历史的用户兴趣提取模型,它隐式地收集用户信息用于个性化搜索中,即是通过对用户兴趣度的定义,在用户的浏览历史中得到一组代表用户兴趣的网页,并设计一个聚类算法,对这组代表用户兴趣的网页进行聚类操作,从而得到能代表此用户兴趣类别的词,即用户的兴趣。     

基于行为分析的用户兴趣建模

了解用户的兴趣是网站实现个性化的基础.为了更好地为用户提供个性化服务,在分析用户的浏览行为特征的基础上,根据用户在页面中的滞留时间,用户对页面中的超文本链的点击情况以及页面的点击频率建立了计算用户兴趣度的模型,并提出用神经网络模型来描述它们之间的相关性,且通过实验论证了这种模型的合理性和有效性.实验结果表明这种模型能比较准确地发现用户感兴趣的页面.     

基于信息协同过滤的电子政务推荐服务系统研究

采用信息协同过滤技术构建一个面向公众的电子政务信息推荐服务系统框架。通过信息用户评价矩阵寻找相似度较高的邻居集,能够较好地把握用户的需求偏好,主动提供适合用户的信息组合。但需要解决稀疏性、冷启动、扩展瓶颈问题,以及处理好用户参与、个人隐私和系统优化问题。     

一种基于用户聚类的协同过滤个性化图书推荐系统

综合协同过滤技术和聚类技术，提出了一种个性化图书推荐系统的具体实现方案。系统对图书馆数据库保留的大量用户图书借阅记录进行挖掘，向用户提供个性化图书推荐，为图书馆个性化服务的研究和实践提供了一种新的思路。