基于浏览行为和浏览内容的用户兴趣建模

面对因特网的海量信息，为了更好地实现基于用户兴趣的个性化信息服务，提出一种隐式地获取用户兴趣模型和更新用户兴趣模型的方法。这种方法不需要用户显式地提供兴趣信息，只需要用户浏览页面时的动作和浏览的内容来获取有用的信息，随后利用这些信息建立和更新用户兴趣模型。该模型能较好地描述用户的兴趣类型及兴趣度，提高个性化信息服务的效率。     

根据用户的浏览行为确定网页页面等级的方法

本文分析了用户的浏览行为特征。根据用户在页面中的滞留时间和用户对页面中的超文本链的点击情况 ,建立了计算页面等级的综合法 ,并建立了相应的数学模型     

电子商务隐式浏览输入中的用户聚类分析

针对隐式浏览输入中用户信息难以把握、推荐质量难以提高的问题,从用户心理和用户行为出发,定义用户隐式兴趣度,进而得到用户对产品种类的兴趣度,并对其中的难点进行深入剖析。最后研究基于兴趣度的用户聚类分析结果,为推荐系统中的算法研究和推荐输出研究奠定基础。     

基于关系社区发现改进的用户兴趣建模

本文着重研究了社会网络环境下的用户关系社区发现及在此基础上的用户兴趣建模问题.在阐述复杂网络中社区发现机理和研究进展的基础上,本文针对社会网络环境下用户兴趣多元化及关系社区小规模化和交叉性等特点,从模块度改进的角度进行关系社区发现算法的改进.进而从社区和个体两个层面进行了用户兴趣模型构建,提出将两者加权融合实现用户整体建模的思路.对比试验表明,基于关系社区的用户建模在在查全率方面具有优越性.     

一个新的基于协作过滤的用户浏览预测模型

本文提出了一个新的基于协作过滤的用户浏览协作预测模型———UNCPM ,它有效地解决了目前协作过滤预测方法的准确性和覆盖率低等问题。UNCPM从Web日志中获取用户浏览信息 ,系统分为两个部分 :离线构件和在线构件。离线构件用于用户浏览历史记录的K means聚类 ,并在聚类时充分考虑URL的相似分析来避免协作过滤的同义性和分散性等不足 ;在线构件用于活动用户预测。该模型可以应用在大型电子商务网站的用户浏览预测上。     

微博用户兴趣发现研究

【目的】微博用户兴趣发现对微博社交网络的个性化推荐和提升用户满意度具有重要的意义和价值。【方法】不仅通过挖掘用户自身微博数据识别出用户兴趣,而且进一步挖掘其关注用户的微博数据以及他们之间的社交联系,并通过计算用户微博与其关注用户兴趣的相似度以及用户与其关注用户间的亲密度,进一步发现用户兴趣。最后将从两方面发现的兴趣进行合并,得出用户的兴趣。【结果】基于爬取的新浪微博数据集进行实验,准确率和召回率较传统的方法提升15%以上。【局限】数据预处理中,停用词表不充分,没有实现停用词表的自动学习;需人工标注用户兴趣集计算准确率和召回率。【结论】实验结果表明,该方法明显优于传统方法,能够更加有效和准确地发现用户兴趣。     

基于用户浏览行为的数据采集及应用

 提出基于用户浏览行为的客户端数据采集的方式,有效解决Web使用记录挖掘中数据采集问题。该数据采集的方法已经应用于国家科技基础条件平台网络科技资源监测、分析及评估项目,其实用性得到很好的验证。     

基于用户兴趣度量的知识发现服务精准推荐

[目的/意义]针对当前知识发现服务中存在的个性化程度不高和推荐效果不佳等问题，提出一种基于用户兴趣度量和内容分析的推荐算法。[方法/过程]文章通过特征词分布、LDA主题分布、引文结构网络三个维度构建学术资源模型，并通过对用户行为的度量，计算用户对其浏览学术资源的兴趣度，结合学术资源模型构建用户兴趣模型。将用户兴趣模型与学术资源模型匹配，计算其相似度，得到用户对每条学术资源的兴趣值，最后将兴趣值最高的TOP-N学术资源推荐给用户。[结果/结论]通过实验检验算法的有效性和推荐准确率，结果显示，本文从实时动态度量兴趣的角度，提出的推荐算法能较好地预测用户兴趣，推荐效果显著，为实现发现服务精准推荐提供思路。     

基于效用的高校馆用户信息检索路径选择机制

印本和电子期刊已成为高校师生获取信息的主流渠道,二元并存格局的形成有其客观必然性。以此为前提,根据经济学中的边际效用价值论,依照检索用户效用需求固有的特点,分析其在信息检索过程中面临的约束条件和检索路径选择机制,从而找到提高用户效用值的路径。     

基于用户兴趣模型的个性化阅读策略研究

大数据时代,最大的挑战在于如何推荐用户感兴趣的内容与铸就高品质个性化阅读服务。为解决这一问题,需研究以用户为中心的多元化服务聚合;研究系列化、多情境、多视角的文献内容聚合方法;打造支撑内容聚合的聚类技术体系。因此,探讨了以用户为中心的服务聚合、内容聚合和技术聚合,形成了一系列聚合策略;并探讨了个性化阅读的发展前景与应用价值。     

基于N-gram的Web用户浏览模式分类算法研究

Web站点用户浏览模式自动分类可以更好地组织站点上的内容信息来满足不同用户的访问需求.Web使用挖掘技术已经在这项研究中得到了广泛的应用,但是集成Web内容挖掘的成果还不多见.本文首先给出了结合Web内容和使用挖掘技术的用户浏览模式分类的原型系统框架.系统中主要的过程是:对数据集中原始的Web服务器日志进行清理,使用Web使用挖掘技术从用户浏览会话中挖掘出有代表性的用户浏览模式,根据模式中每一个相关的页面内容抽取出一个N-gram集合,构建基于N-gram的用户浏览模式简档.最后本文对用户浏览会话作了分类实验分析,实验结果表明这个方法在N-gram=6,df=10%的情况下取得了较高的分类精确度.     

个性化服务中基于支持向量机的用户兴趣挖掘分析

用户兴趣的准确获取是保证个性化服务质量的关键;分析用户所浏览的网页集,捕获用户兴趣、建立用户兴趣挖掘模型是目前个性化服务研究的一个重要方向.本文首先比较支持向量机与其他分类算法的性能,分析了基于支持向量机进行用户兴趣挖掘的可行性;然后在介绍支持向量机分类原理和分析分类预测理论模型的基础上构建了用户兴趣挖掘模型;最后选取中文网页分类训练集和特定用户的网页浏览记录,主要从支持向量机分类器的构造和用户兴趣预测两个方面进行了模型的实现研究.     

基于本体的用户兴趣模型在搜索引擎中的应用

用户建模已成为个性化信息服务的关键。对用户兴趣建模几种方法的优缺点进行分析对比,引进本体概念,介绍本体建模的优点、建模思路、建模流程,并利用用户兴趣树思想建立基于本体的用户个性化兴趣模型。     

基于领域本体的数字图书馆动态用户兴趣模型的构建

通过学习其他类型领域本体构建经验与教训,提出数字图书馆个性化用户兴趣领域本体的动态模型构建方案。通过分析用户的浏览方式和内容,实时获取用户兴趣信息,将用户兴趣信息与领域本体库进行反复匹配,不断修正,通过抽象总结得到用户的动态兴趣模型。     

浏览类表的用户评估——以 Information Studies Taxonomy 项目为例

Information Studies Taxonomy浏览类表的用户评估采用定性和终端用户介入的方法。评估方案包括真实环境下的浏览练习和用户访谈两道程序。浏览练习题目从终端用户中征集而来,并覆盖类表的所有分面和主题分面中的全部基本大类。浏览练习的具体操作尽量保证客观公正的评估结果。用户访谈围绕类表各个组成部分对浏览功能的支持而展开。浏览练习过程与用户访谈都有相应的软件进行录制。浏览类表评估的理论与实际例子在文献中鲜见,本项目采用的评估方法与设计思路可供借鉴。     

基于科研用户兴趣模型的知识推送服务模式研究

[目的/意义] 针对"互联网+"背景下科研用户群体知识需求的个性化和全局性特点,研究如何基于科研用户兴趣模型构建知识推送服务模式问题。[方法/过程] 通过梳理研究现状,从知识需求独特性和知识需求状态多变性两个视角进行"隐式+显式"科研用户兴趣模型与知识推送契合性分析。从个性化与全局化视角构建"隐式+显式"科研用户兴趣模型,并通过知识发掘与整合-知识推送-推送服务评价等过程为推送模式提供数据支持和决策支撑,满足科研用户特殊的知识需求。[结果/结论] 实证研究结果表明,该模式可以从个性化和全局化两个视角满足科研用户特殊需求。     

基于用户兴趣模型的智能信息检索系统技术与实现

PCSICE是一个面向Internet的智能信息检索系统。该系统采用分布式智能体技术、用户兴趣学习算法和基于使用的聚类算法 ,有效地解决了现有系统在交互方式、自适应用户兴趣等方面的不足 ,满足人们在信息浏览时的个性化要求。该系统普遍适用于Internet、远程教育等分布式系统中的信息检索     

基于社会化标签网络的细粒度用户兴趣建模

针对目前由社会化标签抽取用户兴趣模型过程中存在的问题,在借鉴社会网络分析的基础上,提出构建网站层次和用户层次的社会化标签网络对用户产生的社会化标签进行序化,进而分别得到反映主题领域的社会化标签使用文档和用户标签网络,通过两者相似度的计算形成细粒度用户兴趣模型。实验结果能够验证该模型的科学性。     

基于用户兴趣的个性化检索

目前检索工具的设计大都面向所有用户,而不考虑用户个人的兴趣偏好。本文提出一种基于用户兴趣的个性化检索方法。该方法自动学习用户查询的历史记录,构建用户兴趣模型,以此推导用户新提问的真正意图。实验结果表明,该方法更适宜涉及多个类别的关键词的信息检索,可提高信息检索的查准率。     

基于领域本体的细粒度用户兴趣建模研究

用户兴趣模型的建立和维护是个性化推荐服务系统研究和开发中的一个关键问题.细粒度兴趣通过在用户兴趣特征集中区分用户的不同兴趣主题类别来发现,是对粗粒度用户兴趣的进一步挖掘和划分.本文针对以往粗粒度用户兴趣建模存在的不足,对细粒度用户兴趣建模的概念和主要方法进行简介和评述.在此基础上,提出一种基于领域本体和近邻概念聚集的细粒度用户兴趣建模方法(FUPMo).该方法通过滑动窗口控制用户兴趣概念的计算规模,通过时间窗口和兴趣衰减函数反映用户兴趣的变化.基于军用飞机领域本体OntoAvion和小规模文档库进行的实验研究表明,该细粒度用户兴趣建模方法在应用上具备有效性.