移动信息服务中用户兴趣建模研究

本文充分考虑到移动设备的特点,对移动环境下用户兴趣模型的建立和更新方法进行了详细论述。通过爬取用户已下载浏览的WAP页面,分析用户对Wap页面的兴趣度,挖掘用户兴趣。基于ODP建立用户兴趣领域本体,采用基于领域本体的加权关键词用户兴趣表示方法。该模型能准确描述移动用户的兴趣及其动态变化过程,为移动个性化服务打下基础。     

个性化信息检索中用户兴趣建模与更新研究

个性化信息检索系统的实时性关键在于如何动态更新用户兴趣模型。针对原有方法的不足,改进用户兴趣模型的描述与更新方式。首先根据网页文档的特征改进TF-IDF(Term Frequency-Inverse Document Frequency)算法,以此作为用户兴趣特征词的权重,同时通过引入领域本体,将用户兴趣特征项进行语义扩展,并根据用户浏览行为,改进其用户兴趣主题计算方式,并在此基础上提出用户兴趣模型的更新与遗忘机制。实验对比结果表明,该方法能够捕捉用户兴趣的变化,进一步提高个性化信息检索的准确度与用户满意度。     

面向新闻推荐的用户兴趣模型构建与更新

针对新闻推荐系统中用户兴趣模型构建与用户兴趣漂移问题,提出了一种面向新闻推荐的用户兴趣模型构建与更新方法。首先采用向量空间模型与bisecting K-means聚类算法构建了原始用户兴趣模型;然后以艾宾浩斯遗忘曲线为基础构造了遗忘函数,并以此对用户兴趣模型进行时间加权,从而达到对用户兴趣模型更新的目的。实验以基于用户的协同过滤推荐、基于物品的协同过滤推荐为baseline,实验结果表明所构建的原始用户兴趣模型推荐性能更优,在◢F◣值上提升了4%,更新后的模型与原始模型相比◢F◣值提高了1.3%。     

基于本体用户兴趣模型的个性化推荐系统

针对传统个性化推荐系统用户兴趣模型创建和更新的不足,无法准确地感知用户特定背景下的语义信息和用户兴趣随着时间的变化,基于用户兴趣本体提出一种新用户兴趣模型,并通过激活扩展理论描述该用户兴趣模型的更新算法。同时,改进了推荐算法,结合协同过滤进行个性化推荐。实验结果表明,该模型能够有效反映用户兴趣,新的推荐算法在MEA、多样性、冷启动处理、稳定性方面都具备很高的性能。     

一种基于领域本体的用户建模方法

针对当前大多数个性化服务系统的不足,以旅游领域为背景,提出了一种新的基于本体的用户模型构建方法,利用领域本体中的概念、实例和属性描述用户兴趣特征,实现了在语义层次上理解用户兴趣。实验表明,该方法能有效提高用户模型的质量。     

基于本体的个性化信息检索技术研究

针对传统的采用关键词的信息检索方式在个性化方面的不足,提出了一种根据领域本体的个性化信息检索模型.首先获取用户的特征信息,接着利用用户的特征信息构建基于本体的用户兴趣模型,在检索过程中通过领域本体概念和用户兴趣模型对检索请求进行分析并对其进行扩展,获得符合检索意图的结果,在此基础上按兴趣度大小处理后将最终个性化信息检索结果反馈给用户.通过搭建关于本体的个性化检索原型系统,仿真结果验证了改进模型的有效性.     

基于混合行为兴趣度的用户兴趣模型

用户兴趣模型是个性化推荐技术的基础与核心,针对现有用户兴趣模型在模型建立阶段用户兴趣评价的不足,提出了一种基于混合行为评价兴趣度值的方法,突出了用户阅读时间的特殊性,在用户阅读时间异常的情况下利用其它浏览行为来量化用户兴趣度,并结合用户的浏览内容提出了用户兴趣模型的表示和更新机制,从而建立用户兴趣模型。实验验证了兴趣度度量方法的有效性,将测试结果与K-Means聚类模型进行比较,该模型的推荐准确度有明显提高。     

基于农业本体的用户兴趣模型研究

为了有效解决传统用户兴趣模型查不全,查不准等问题,引入农业本体技术构建用户兴趣模型。该模型能在语义层次上理解用户的兴趣,因而在检索时能获取较满意的查全率和查准率,能更好的体现农户的个性化需求。     

基于领域本体的跨系统个性化服务用户模型

目前大多数个性化服务系统采用关键词或关键词向量空间模型表示用户个人偏好,该方法严重制约了用户模型在不同系统间的共享和重用。针对上述问题,提出一种基于领域本体的用户模型,给出其形式化描述,通过引入个性化兴趣度实现用户个人偏好的量化,介绍该模型在群体用户建模中的应用过程。实验表明,该用户模型能准确反映用户兴趣且更新能力和可扩展性较强。     

基于本体的用户兴趣模型的更新方法

本文描述了用户兴趣变化,给出了用户兴趣模型初始化方法。基于领域本体,提出了单向激活扩散的用户兴趣模型的更新方法,最后通过一个实例说明了更新过程。     

Keyword clustering for user interest profiling refinement within paper recommender systems

To refine user interest profiling, this paper focuses on extending scientific subject ontology via keyword clustering and on improving the accuracy and effectiveness of recommendation of the electronic academic publications in online services. A clustering approach is proposed for domain keywords for the purpose of the subject ontology extension. Based on the keyword clusters, the construction of user interest profiles is presented on a rather fine granularity level. In the construction of user interest profiles, we apply two types of interest profiles: explicit profiles and implicit profiles. The explicit profiles are obtained by relating users’ interest-topic relevance factors to users’ interest measurements of these topics computed by a conventional ontology-based method, and the implicit profiles are acquired on the basis of the correlative relationships among the topic nodes in topic network graphs. Three experiments are conducted which reveal that the uses of the subject ontology extension approach as well as the two types of interest profiles satisfyingly contribute to an improvement in the accuracy of recommendation.     

个性化搜索引擎中用户兴趣模型的构建方法

在分析个性化搜索引擎的基础上,提出一种构建用户兴趣模型的方法.该方法综合考虑用户注册兴趣及浏览行为,将用户兴趣分为长期兴趣和短期兴趣并通过兴趣树进行存储.遗忘机制的引入保证模型能够及时准确地反映用户兴趣.模拟实验表明,本文提出的用户兴趣模型能够有效地提高检索效率,使搜索结果更好地满足用户个性化需求.     

基于艾宾浩斯遗忘的用户兴趣模型更新机制

用户兴趣更新是指在用户兴趣模型建立之后,对模型增加新获取的用户兴趣知识或者删除过时不用的用户兴趣知识。本文基于艾宾浩斯遗忘规律,对用户兴趣漂移和更新用户兴趣模型分别提出前验用户兴趣漂移和基于遗忘百分比更新的算法,这两个算法共同组成了用户兴趣模型的更新机制。     

Hybrid recommendation system based on semantic interest community and trusted neighbors

The accuracy of a recommendation is an important index to evaluate the performance of a recommendation system. The personalized recommendation system tends to pay too much attention to the accuracy of recommendation results and often neglects the diversity of the recommendation results. In this paper, domain ontology is used to construct the user interest model, and the integrated ontology-based semantic similarity algorithm is used to obtain the user ontology set. Then, the semantic interest community is constructed through the hierarchical clustering method. Users with a high degree of diversity are selected as trusted neighbors to construct a hybrid recommendation model with a combination of accuracy and diversity. The experimental results show that the hybrid model can improve the diversity of the recommendation system by adjusting the weight factor while having less influence on the accuracy.     

一种自适应用户兴趣的推荐算法研究

为更好地满足了推荐系统中用户个性化推荐的需求,提高推荐系统的性能。研究了用户兴趣模型,提出了一种用户兴趣模型自动更新的方法,在数据采集过程中,通过对隐性数据的采集,动态地更新用户模型;模型使用向量空间模型的表示方法。实验结果表明,新的模型提高了计算用户最近邻居的准确性,算法在不同推荐范围都用良好的表现,并具有很好的耐久性。     

基于领域本体的用户模型的研究*

目前大多数知识管理系统采用基于关键词或关键词向量空间模型表示用户的兴趣偏好。针对该方法不包含语义信息,很难准确表示用户感兴趣的信息,并且难于扩展,提出一种基于领域本体的用户模型。该模型利用用户访问量,采用改进的相似度算法,实现用户分类建立用户模型,体现用户个人偏好。最后将该模型应用于齐齐哈尔货车快速设计系统中,应用表明该模型能准确地反映用户兴趣,且提高了信息检索效率。     

基于RSS信息源的用户兴趣建模与更新

互联网迅速发展,个性化信息服务成为研究的热点之一。RSS标准提供了结构化的信息模式,便于信息搜索和概要浏览。该文针对基于RSS标准的新闻源,根据用户点击等隐式信息,通过文本相似判定,自动聚类形成用户兴趣子类。用户模型节点、信息类别和用户兴趣子类构成了三层结构的树状用户兴趣模型。信息类别与用户兴趣子类均有对应的兴趣度。用户模型的更新是通过用户兴趣子类的更新与相关兴趣度的更新完成的。通过此模型进行信息推荐还要保证适当的信息冗余度。该模型的个性化程度高且更新效果好。     

Learning and inferencing in user ontology for personalized Semantic Web search

User modeling is aimed at capturing the users’ interests in a working domain, which forms the basis of providing personalized information services. In this paper, we present an ontology based user model, called user ontology, for providing personalized information service in the Semantic Web. Different from the existing approaches that only use concepts and taxonomic relations for user modeling, the proposed user ontology model utilizes concepts, taxonomic relations, and non-taxonomic relations in a given domain ontology to capture the users’ interests. As a customized view of the domain ontology, a user ontology provides a richer and more precise representation of the user’s interests in the target domain. Specifically, we present a set of statistical methods to learn a user ontology from a given domain ontology and a spreading activation procedure for inferencing in the user ontology. The proposed user ontology model with the spreading activation based inferencing procedure has been incorporated into a semantic search engine, called OntoSearch, to provide personalized document retrieval services. The experimental results, based on the ACM digital library and the Google Directory, support the efficacy of the user ontology approach to providing personalized information services.     

个性化搜索引擎中兴趣学习方法的研究

设计了一个兴趣学习模型,用户兴趣描述结合了短期兴趣和长期兴趣,并采用了基于遗传算法的兴趣更新策略。为了更全面地评价用户兴趣,引入了权值、文档兴趣度和遗忘因子。其中文档兴趣度利用遗传算法和BP神经网络算法得到,以便更加准确地反映用户兴趣。实验结果表明,该方法所得到的用户兴趣,其满意度在80%以上。     

基于LDA的领域本体概念获取方法研究

针对民航突发事件应急管理领域本体的自动更新问题,提出了基于LDA的领域本体概念获取方法。以文本信息作为数据源,采用NLPIR自适应分词与过滤方法获取候选术语集,设计了领域本体的LDA主题模型,通过吉布斯采样进行LDA模型训练与主题推断,实现了领域本体核心概念的相关术语提取;基于LDA主题概率分布研究了语义关系识别规则的构建方法,给出了概念及其相关术语语义关系的识别与实现过程。实验效果表明,该方法可以有效解决大规模领域本体概念的自动更新问题,为大数据环境下民航突发事件跨媒体信息的共享与推理提供了良好的数据支持。