一种基于本体论的用户兴趣模型构建方法

提出了一种基于本体论的用户兴趣模型构建方法.就是利用领域本体论,通过观察用户在浏览Web页面时所采取的动作以及用户的反馈信息,获取用户的兴趣信息,从而构建用户兴趣模型,实现个性化信息检索.     

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.     

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。     

基于用户特征和用户兴趣的推荐计算

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。     

基于用户兴趣模型的个性化信息服务技术分析

介绍了几个基于用户兴趣模型的个性化信息服务的主要支撑技术,其中主要论述了推送技术的概念、特点、工作原理与工作流程,重点分析了推送算法的详细设计过程。     

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。     

根据用户反馈建立和更新数字图书馆用户兴趣模型

为了充分发挥用户显示反馈和用户隐式反馈的优势，提出用户兴趣模型的设计方案是：根据用户注册信息建立用户兴趣初始模型，根据服务器日志统计来更新用户兴趣模型。     

基于多源用户标签的跨域兴趣融合模型研究

【目的/意义】通过对大数据环境下的多源用户兴趣特征有效融合,缓解个性化推荐中用户兴趣偏好数据的稀疏性和准确性问题。【方法/过程】考虑到多域的数据权威度、内容质量及体系结构的差异化较为明显,提出了基于多源用户标签的跨域兴趣融合模型,首先把多个域中的用户兴趣进行标签化处理,然后利用跨域用户识别和标签权重归一方法得到多个域的用户实体-标签矩阵,最后使用域权重影响系数对标签进行融合,构造具有复合权重的用户兴趣标签集。【结果/结论】使用5个来源数据域进行实验与分析,融合模型能够有效提高标签用户覆盖效果,在查全率不断提高的情况,融合域能够保持较高的标签用户查准率,有效提高用户兴趣特征的描绘效果。     

个性化用户兴趣模型的研究

随着人们对信息获取手段和效率提出越来越高的要求,传统互联网的服务模式正在逐渐向主动式、个性化、高效率的转变。个性化服务技术的出现在一定程度上解决了Internet中信息海量增长与用户获取信息手段相对简单之间的矛盾。用户兴趣建模技术作为个性化服务的核心问题,主要研究如何有效地进行用户兴趣的表示、更新、存储以及计算。     

基于领域本体的社区用户兴趣模型

本文以领域本体为理论基础,向量空间为基本方法,对Web社区环境下的用户个性化模型进行了研究,建立了Web社区环境下的用户兴趣模型,为进一步完善Web社区的个性化服务提供了一个新的基础。经过实验验证,此模型对描述用户兴趣有较高的可信度、可靠性和准确度。     

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。     

基于日志和知网的查询推荐研究

考虑到传统的基于日志的查询推荐算法受到数据稀疏问题的影响,本文在分析查询日志的基础上,构建查询词与点击URL之间的双向图,计算查询词与候选词之间的相似度。然后基于知网计算查询词与候选词之间的相似度,考虑词性和同义词因素对相似度的影响。最后将两个相似度分别赋予权重计算查询词与推荐词的相关度。实验结果表明,该方法不易受数据稀疏问题的影响,稳定性较好。     

社会化电子商务用户兴趣图谱构建的研究

以社会化电子商务用户为研究数据来源,通过采用合理有效的兴趣表达机制来构建样本用户的兴趣图谱,以实现聚类商家和用户以及实现商品精准营销的目的。通过引入改进的向量空间模型——细分树向量空间模型表达目标用户群的兴趣,并在此基础上利用复杂网络分析工具Gephi实现兴趣图谱的构建。实验结果表明,样本用户的兴趣得到了细致的划分,并且各个用户依据不同的兴趣被分在了不同的兴趣社区,构建的兴趣图谱效果较为理想。     

基于加权关键词的用户兴趣模型的构建方法

个性化服务质量的优劣取决于能否准确地获取用户兴趣模型。本文先探讨用户兴趣概念,接着讨论用户兴趣的信息采集方法,以此为基础构建基于加权关键词的用户兴趣模型,并用实例来验证使用加权关键词表示用户兴趣模型是有效的。     

智能检索系统中用户兴趣模型构建技术研究

阐述了智能检索系统中基于贝叶斯推理网络的用户访问兴趣模型的构建过程以及其所依赖的技术原理;描述了在实现智能检索系统目的下引入用户兴趣学习层的知识库组织结构以及检索模型的匹配问题;介绍了模型中基于本体论的知识组织方式以及引入贝叶斯网络来动态调整用户兴趣概念权重并建立用户兴趣模型的技术。     

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。     

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。     

基于用户兴趣的个性化搜索系统研究

针对目前常用搜索引擎在查询时返回结果数量巨大且杂乱无章的现象,在Web客户端为实现对用户的个性化信息服务设计了一种基于用户兴趣的搜索系统。利用用户的兴趣对于用户提出的搜索条件进行处理,再通过常用的搜索引擎进行查询,并将得到的结果进行二次排序,同时通过反馈信息不断更新用户的兴趣,以满足用户不断变化的需求。实验证明这样在保证了查全率的基础上,提高了查准率,从而提高了搜索效率。     

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.