基于用户兴趣挖掘技术的移动校园信息推送系统研究与探索

本文主要从分析现有的校园信息发布平台出发,围绕个性化主动信息推送这一目标,研究及探索一种基于移动网络和用户兴趣挖掘技术的校园信息推送系统。针对不同的用户订制个性化的服务策略和功能模式,并通过分析用户信息和浏览行为以及用户信息订阅来构建用户兴趣模型,主动将用户可能感兴趣的信息推送给他们,并对推送结果进行反向跟踪,实现信息的"推"技术,以此构建一个全新的校园信息推送服务系统,达到信息的主动投放和精确获取的效果。     

主动信息服务系统的设计与实现

针对旅游业的现状，开发了主动信息服务系统，给出了智能信息推拉技术的特点和种类，建立了推送模型和拉模型．提出了基于智能信息推拉技术的主动信息服务系统的设计方案，给出了系统开发的流程图．采用用户兴趣模型和可信度模型相结合的分析方法采集网络信息数据，利用C#．net编程语言和Ajax技术开发了主动信息服务系统．该系统达到了平衡用户需求和信息可信的目的，具有一定的实用价值．     

网络信息检索个性化服务的研究与设计

针对目前网络信息检索个性化服务不够周全的缺点,提出并实现了一个提高服务质量的信息检索个性化服务模型。该模型主要通过用户兴趣模型的建立、多维权值排序算法MWRA的优化、自由方式推送用户信息模型的建立三大模块来实现。最后给出传统信息检索模式与新模式的实验结果。     

潜在语义索此方法在信息过滤中的应用

信息过滤是一种WEB信息服务的新技术,旨在实现网络服务器向客户端主动的信息推送,其核心技术之一是用户兴趣主题模型的表示,文章利用潜在语义索引方法构建用户兴趣主题模型,并对网上大量的中文科技文献信息进行过滤,初步实验的结果表明,该方法与信传统的向量空间方法相比,效率有明显提高。     

以用户为中心的信息推送系统的设计研究

本系统提出了针对新闻和新邮件的主动信息推送系统的设计目标、系统结构、系统实现细节等,采用MAS获取用户兴趣和获取用户所需的信息,通过人机对话完善兴趣档案,更准确地获取信息及其排序,实现真正意义上的个性化主动信息服务.     

基于情境感知的用户个性化兴趣建模

用户兴趣模型作为个性化信息推送的基础和核心,其性能的好坏直接关系到个性化推送服务的质量,如何全面了解用户动态的兴趣需求,并及时为用户提供其实时有效的兴趣,是目前用户兴趣模型研究的热点问题。本文主要利用情境感知、用户行为等多维因素建立一种M-C-W用户兴趣模型,提出结合用户显示和隐式兴趣度的计算,挖掘出用户显式兴趣和隐式兴趣的关联性,实现多维动态情境兴趣的结合。通过多角度综合计算用户的兴趣度,实时而准确地表达用户的兴趣爱好。最后,通过实验验证了该模型的有效性和可靠性。     

基于本体和多Agent的个性化主动服务模型

为了突破传统主动服务模型的性能瓶颈,更好地为用户提供满足个性化需求的服务,基于领域本体建立并维护了本体用户个性模型,提出了基于本体和多Agent的个性化主动服务模型,分析了模型的运行过程,详细描述了模型中各部分功能。在详细分析模型运行的关键技术之后,阐明了模型的推与拉协作运行机制,实现了用户感兴趣信息的主动推送和用户个性需求的快速检索。最后,基于模型思想的原型系统的实验结果表明,模型能有效提高服务的性能。     

基于Agent的信息推送系统的研究

针对用户个性化信息服务的需求,本文通过分析搜索引擎与Agent技术的原理,提出了一个基于多Agent的个性化信息推送系统的模型.该模型可分为三层,每一层都由Agent来完成相应的功能:用户接口、信息过滤、兴趣学习及信息检索.其中监测Agent是在本系统中实现个性化信息服务的关键.     

基于RSS的个性化信息服务研究

由于绝大部分Web信息都是非结构化的,使得现有的个性化服务系统在用户建模时面临着大量的信息预处理工作,并且在个性化推送方式上缺乏动态性和时效性.将个性化技术与RSS技术相结合,首先提出基于RSS技术的个性化信息服务系统的架构,该架构在建立用户兴趣模型和信息推送中揉合了RSS技术;然后给出该架构中几个关键问题的解决方法;最后通过一个试验实例,说明该架构的可行性.     

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。     

RSS个性化信息服务的用户兴趣模型实现与应用

在基于RSS数据源的用户兴趣模型研究领域,设计并实现一种由用户模型根节点、信息类别和用户兴趣子类构成的三层结构的树状用户兴趣模型,并把模型应用于农业信息领域,对农业信息化建设具有一定的应用价值。     

个性化信息检索系统中用户兴趣模型的建立

个性化检索系统通过收集和分析用户信息来学习用户的兴趣和行为,从而实现对用户的个性化的信息推荐服务。而用户兴趣模型正是用户和兴趣的信息模型,用户兴趣模型直接影响到个性化的信息服务。     

基于情景和浏览内容的层次性用户兴趣建模

用户兴趣建模是个性化服务的核心,考虑到情景信息对用户偏好的影响,对融和情景信息的用户行为日志数据进行深入研究,提出了一种基于情景信息的用户兴趣建模方法.该方法首先通过计算情景相似度来获得用户当前情景的近似情景集;对“用户-兴趣项-情景”三维模型采用情景预过滤的方法降维处理.然后根据用户浏览内容得到用户兴趣主题,分析页面内容得到每种主题的兴趣关键词,建立基于层次向量空间模型的用户兴趣模型.实验结果表明,本文提出的基于情景信息的用户兴趣模型对用户兴趣的预测误差控制在9%以内,是有效的.     

基于用户兴趣的搜索引擎

随着WWW的出现和发展,Internet上出现的信息迅速增长.如何从大量的信息中获取有用的信息,正成为信息领域的关键技术.传统的搜索引擎没有考虑不同用户的兴趣,因此搜索出来的结果往往无法满足不同用户的特定需求.提出一种用户兴趣模型,能够有效表示用户兴趣,并对传统搜索引擎的搜索结果进行匹配度计算,从而将符合用户兴趣的结果返回给用户.基于这种模型开发了一个基于用户兴趣的法律领域的搜索引擎MyLaw.     

融合知识图谱和评论文本的个性化推荐模型

推荐系统的目的是解决“信息过载”的问题,然而目前的研究方法大多利用用户和商品信息对用户兴趣进行建模,没有同时利用知识图谱构建用户模型来增强推荐系统的性能,因此提出了融合知识图谱和评论文本的个性化推荐模型。首先,通过不同类型的知识图谱分别关联用户项目和用户评论文本,扩展用户的兴趣和提取评论文本中的实体;其次,通过构造用户兴趣网络得到带有用户兴趣偏好的兴趣特征;然后,通过构造画像模块和情感模块的画像网络提取到带有用户情感倾向的画像特征;利用决策层进行点击率预测。最后在Amazon数据集上进行了实验比较,对所提模型的性能进行了评估,并与目前的融合知识图谱和评论文本的推荐模型进行比较,验证了所提模型的有效性。     

基于Agent的个性化信息检索中相关度反馈的研究

本文分析了信息检索中的相关性反馈技术,对用户兴趣的反馈评价机制进行了研究。采用Agent技术,给出了一个智能Agent的相关度反馈模型;并对此模型中的用户兴趣的反馈评价机制进行了实验,通过改进的ID3算法,学习用户兴趣、更新用户兴趣模型来实现个性化的信息检索。实验证明,这种反馈评价机制是有效的,系统的查全率与查准率都有了明显的提高,能够更好地满足用户的个性化需求。     

用于推荐系统聚类分析的用户兴趣度研究

根据推荐系统对用户（商品）聚类的要求,探讨采用用户（网页）兴趣度进行聚类分析的合理思想。通过用户浏览时间、浏览行为以及网页信息量差异等因素的对比,得出用户对某类商品的兴趣度计算方法。借助阈值的设定,定义了用户感兴趣的商品集、商品的感兴趣用户集和兴趣相似的用户集,得到了基于用户兴趣度的用户聚类的一般过程,具有一定的推广价值和借鉴意义。     

A contextualized and personalized model to predict user interest using location-based social networks

The accurate determination of user interest in terms of geographic information is essential to numerous mobile applications, such as recommender systems and mobile advertising. User interest is greatly influenced by the usage context and varies across individuals; therefore, a user interest model should incorporate these individual needs and propensities. In this paper, we present an approach to model user interest in a contextualized and personalized manner based on location-based social networks. Multinomial logistic regression is employed to quantify the relationship between user interest and usage context at both the aggregate and individual levels. The proposed approach is tested in a real-world application using Foursquare check-ins issued between February and June 2014 in the three major cities of Chicago, Los Angeles and New York. Results demonstrate the capability of the contextualization process for capturing contextual influences on user interest, and that such influences can be observed at a fine-grained scale at the individual level through the personalization process. The proposed approach therefore enables contextualized and personalized estimation of user interest, thereby contributing useful information to follow-up mobile applications.     

基于用户信任和兴趣的概率矩阵分解推荐方法

传统协同过滤推荐算法存在数据稀疏性、冷启动、新用户等问题.随着社交网络和电子商务的迅猛发展,利用用户间的信任关系和用户兴趣提供个性化推荐成为研究的热点.本文提出一种结合用户信任和兴趣的概率矩阵分解（STUIPMF）推荐方法.该方法首先从用户评分角度挖掘用户间的隐性信任关系和潜在兴趣标签,然后利用概率矩阵分解模型对用户评分信息、用户信任关系、用户兴趣标签信息进行矩阵分解,进一步挖掘用户潜在特征,缓解数据稀疏性.在Epinions数据集上进行实验验证,结果表明,该方法能够在一定程度上提高推荐精度,缓解冷启动和新用户问题,同时具有较好的可扩展性.     

基于文本聚类与兴趣衰减的微博用户兴趣挖掘方法

微博平台隐含潜在的用户信息,通过微博数据挖掘用户兴趣具有重要的社会意义。结合用户兴趣与微博信息的特点,提出了一种文本聚类与兴趣衰减的微博用户兴趣挖掘（TCID-MUIM）方法。首先,通过基于词林的同义词合并策略弥补建模时词频信息不足的弊端;其次,利用二次Single-Pass不完全聚类算法将用户微博划分为多个簇,将簇合并为同一文档以弥补微博文本短小难以挖掘主题信息的问题;最后,通过LDA模型建模,并考虑用户兴趣随时间变化的问题,引入时间因子,将微博—主题矩阵压缩为用户—主题矩阵,获取用户兴趣。实验表明,较之传统建模方法与合并用户历史微博为同一文档的建模方法,TCID-MUIM方法挖掘的用户兴趣主题具有更好的主题区分度,且更贴合用户的真实兴趣偏好。