基于用户社区的商品推荐方法

提出一种以用户社区服务系统为基础,面向社区新用户的商品推荐方法.根据现有用户的历史行为对用户进行社区划分,得到社区划分的结果模型,对于一个新来的用户运用这个模型将其归入相应的社区中,再根据这个社区的特征有目的地为新用户进行商品推荐.文中对该方法所涉及的基于信息熵的社区发现算法以及基于网络社区的协同推荐算法等关键问题的实现思路进行了详细阐述.     

基于用户偏好特征挖掘的个性化推荐算法

为了提升社交网络个性化推荐能力,结合用户行为分布进行个性化推荐设计,文中提出基于用户行为特征挖掘的个性化推荐算法,构建社交网络的用户行为信息特征挖掘模型,采用显著数据分块检测方法对社交网络用户特征的行为信息进行融合处理,提取反映用户偏好的语义信息特征量。从情感、关键词和结构等方面根据用户行为特征组,结合模糊信息感知方法进行社交网络个性化推荐过程中的信息融合处理,在关联规则约束控制下,构建社交网络用户偏好特征的混合推荐模型,实现用户偏好特征挖掘,根据语义分布和用户的行为偏好实现社交网络的个性化信息推荐。仿真结果表明,采用所提方法进行社交网络个性化推荐的特征分辨能力较好,对用户行为特征的准确识别能力较强,提高了社交网络推荐输出的准确性。     

基于用户兴趣三维建模的个性化推荐算法

针对推荐系统中用户的个性化需求,提出一种基于用户兴趣三维建模的个性化推荐算法.通过分析用户行为数据,从兴趣广度、兴趣深度和兴趣时效3个角度分析用户的兴趣构成,对用户兴趣进行三维建模,并在此基础上,逐步添加维度,设计用户之间兴趣相似度的三级计算方法.在真实推荐系统数据集上的实验结果表明,用户兴趣三维模型比一维模型、二维模型更能准确地表征用户兴趣,基于用户兴趣三维建模的个性化推荐算法能够提高个性化推荐的准确率.     

考虑用户意图和时间间隔的会话型深度学习推荐系统

基于循环神经网络的会话型推荐系统在建模用户点击行为时,无法同时考虑用户行为之间的时间间隔和用户的主要意图.针对该问题,在现有的基于注意力机制的会话型推荐系统和仅考虑用户行为时间间隔的Time-LSTM的深度学习模型的基础上提出一个新的基于会话的推荐系统TASR.利用Time-LSTM建模时间间隔影响用户行为,并利用注意力机制捕获用户的主要意图.在两个公开数据集上的实验验证了该算法的有效性.     

考虑用户意图和时间间隔的会话型深度学习推荐系统

基于循环神经网络的会话型推荐系统在建模用户点击行为时,无法同时考虑用户行为之间的时间间隔和用户的主要意图.针对该问题,在现有的基于注意力机制的会话型推荐系统和仅考虑用户行为时间间隔的Time-LSTM的深度学习模型的基础上提出一个新的基于会话的推荐系统TASR.利用Time-LSTM建模时间间隔影响用户行为,并利用注意力机制捕获用户的主要意图.在两个公开数据集上的实验验证了该算法的有效性.     

Web挖掘个性化模型研究

本文对个性化建模技术进行了研究,提出一个基于用户兴趣挖掘的个性化模型,并将其用于个性化元搜索引擎中,为个性化分析提供依据。该模型基于客户端,将用户的访问页面作为挖掘对象,不需要用户过多的参与,自动从用户的隐式反馈中推导出用户的兴趣。模型中将用户的兴趣分时分段,分层分类的进行记录、管理,并仿照人类记忆的遗忘规律对用户兴趣进行有选择、非平等的遗忘,通过不断的更新与优化模型,使模型能准确反映用户的兴趣特征。     

地理位置和时间感知的表示学习框架

现有时空感知的表示学习框架无法对强时空语义的实际场景存在的“When”、“Where”和“What”3个问题给出一个统一的解决方案。同时,现有的时间和空间建模上的研究方案也存在着一定的缺陷,无法在复杂的实际场景中取得最优的性能。为了解决这些问题,本文提出了一个统一的用户表示框架—GTRL (geography and time aware representation learning),可以同时在时间和空间的维度上对用户的历史行为轨迹进行联合建模。在时间建模上,GTRL采用函数式的时间编码以及连续时间和上下文感知的图注意力网络,在动态的用户行为图上灵活地捕获高阶的结构化时序信息。在空间建模上,GTRL采用了层级化的地理编码和深度历史轨迹建模模块高效地刻画了用户的地理位置偏好。GTRL设计了统一的联合优化方案,同时在交互预测、交互时间预测以及交互位置3个任务上进行模型学习。最后,本文在公开数据集和工业数据集上设计了大量的实验,分别验证了GTRL相较学术界基线模型的优势,以及在实际业务场景中的有效性。     

个人数据空间管理中的任务挖掘策略

在个人数据空间管理过程中,用户需要处理大量异质数据如邮件、文档、图片等.随着用户数据在数量和种类上的增多,如何有效管理这些数据,为用户提供有效的存储及查询服务成为一个具有挑战性的问题.传统数据管理工具如文件系统、桌面搜索工具等并未给用户提供足够的管理能力.究其原因,个人数据空间是由数据、用户以及服务三要素组成.而传统数据管理工具却忽略了用户这一要素,因此仅能在存储路径或全文索引的基础上提供服务.实际上数据与用户之间具有密不可分的联系,个人数据空间中的数据正是来自于用户行为.而用户行为是由一个一个任务组成的.挖掘个人数据中的任务,可以建立起数据间基于用户行为的语义关系,进而可以为用户提供任务视角的数据管理服务以及基于任务的查询服务.正是基于这一思想,提出了基于用户行为挖掘用户任务的方法.通过分析用户行为,发现个人数据由用户行为产生的时序关系,然后根据该时序关系生成用户的任务.实验证明该方法是有效的.     

在线技术社区的用户技能与兴趣发现

在线技术社区是技术爱好者或者从业者进行技术交流、咨询和分享的重要平台。社区运营者如果能够准确掌握每个用户的技能和兴趣,对用户进行画像,将有助于为用户提供精准的推荐和个性化服务,从而增加用户的黏性和社区的活跃度。考虑到社区用户既是内容的生产者(作者)又是内容的消费者(读者),生产者体现用户技能,消费者体现用户兴趣,从而提出了一种作者—读者—话题(author-reader-topic,ART)模型,同时对用户的技能和兴趣进行建模。该模型可以将文档的作者和读者关联起来,因而能够提升话题的聚集效果,产生更准确的作者话题分布和读者话题分布。该文基于CSDN技术社区的真实数据集进行了实验对比和分析,实验结果表明,该文提出的ART模型能够有效地发现用户的技能和兴趣,明显优于现有的各种话题模型。     

一种面向个性化服务的客户端细粒度用户建模方法

用户建模是实现个性化服务的关键技术。本文分析了二类用户建模存在的问题，给出了细粒度用户模型的定义，结合用户的背景知识，提出了一种客户端细粒度用户建模方法 。采用词频方法选择的特征子集和改进的k近邻分类器构成用户模型。本文的细粒度用户建模方法不需要用户的频繁交互．也不必对用户兴趣作推测，具有更好的系统亲和力
和性能。实验表明，当特征个数为40时，构建的细粒度用户模型的分类精度可达90％以上；在细粒度用户模型中，大量的特征对用户模型没有意义。