用户意图聚类的数字资源推荐方法

综合用户背景与资源特点,基于用户的协同过滤更适合高校图书馆在信息推荐中的应用。对其由于馆藏数字资源空间增大而导致推荐系统性能下降以及数据稀疏性问题,提出一种用户意图聚类的方法。通过运用K—means算法,对资源类别的意图特征值相似用户进行聚类,来提高推荐的实时性,降低数据稀疏性对信息推荐造成的影响。实验结果表明,基于用户意图聚类的协同过滤算法能有效提高推荐质量。     

基于查询意图聚类的实时搜索建议

对于搜索引擎返回的结果太多且较少考虑用户个性差异等缺陷,提出根据用户查询意图,实时给予多个主题的搜索建议,帮助用户更准确地描述所需信息,修正查询词与真实意图之间的差距,提高检索效率。同时运用K-means算法,对资源类别的意图特征值相似用户进行聚类,缩小查找目标对象最近邻居的范围,提高搜索建议的实时响应速度。实验结果表明,该方法是可行的。     

用户查询意图的获取与采访质量优化

针对目前采访工作中的读者需求信息调研存在的问题,提出运用数据收集技术,获取用户在检索过程中的查询意图、关注对象,使采访人员能够更加全面地对读者的需求倾向以及兴趣特点进行分析,为采访工作提供科学的决策依据,优化采访质量的控制,从而进一步完善馆藏资源建设,最大限度地满足教学和科研需要.