基于兴趣度的协作过滤技术研究

随着互联网上的信息的迅速增长,协作过滤技术得到越来越广泛的应用.结合了显式和隐式计算兴趣度的方法,提出了一种新的计算用户兴趣度的方法.并在此基础上论述了基于兴趣度的协作过滤技术.该方法通过寻找相似用户群体,由相似用户群体来预测用户对某一WEB事务的喜好,并给出了相应的实现算法.实验结果表明,该方法能提供较好的协作推荐服务.     

基于兴趣度的协作过滤技术研究

随着互联网上的信息的迅速增长,协作过滤技术得到越来越广泛的应用。结合了显式和隐式计算兴趣度的方法,提出了一种新的计算用户兴趣度的方法。并在此基础上论述了基于兴趣度的协作过滤技术。该方法通过寻找相似用户群体,由相似用户群体来预测用户对某一WEB事务的喜好,并给出了相应的实现算法。实验结果表明,该方法能提供较好的协作推荐服务。     

基于加权动态兴趣度的微博个性化推荐

针对微博信息量大、用户兴趣随时间变化特征,提出一种基于加权动态兴趣度(WDDI)的微博个性化推荐模型。WDDI模型考虑微博转发特征,并引入时间因子,利用微博主题模型基于转发的狄利克雷分配(RT-LDA)对用户微博进行研究,建立用户对主题的个体动态兴趣模型。通过用户与其关注用户的相似度和交互频率获取用户的群体动态兴趣,将用户个体兴趣与群体兴趣加权结合得到加权动态主题兴趣模型。对用户接收的新微博按动态兴趣度降序排列,实现微博动态个性化推荐。实验表明,WDDI模型较之传统推荐模型,在微博服务中能够更准确地反映用户动态兴趣。     

基于概念模型的个性化搜索引擎研究

在对用户兴趣模型探讨的基础上,提出了一种基于概念的用户兴趣模型,用于区别用户兴趣的大小.讨论了基于链接的查询聚类算法,并针对该算法的不足提出了一种基于概念的聚类算法,该算法根据用户兴趣模型建立查询-概念二分图,然后计算图中查询顶点间的概念相似度,并将概念相似度最高的查询顶点进行合并以实现聚类.设计实现了一个基于Web数据挖掘的个性化搜索引擎系统,对系统的个性化查询进行了测试,并对比分析了链接聚类和概念聚类的实验结果.     

用户个性化推荐系统的设计与实现

为实现个性化服务,理解用户兴趣就成了提供服务的关键任务,因此,提出了隐性采集用户浏览内容、用户浏览时间和用户操作时间的信息方法,通过对网络爬虫程序抓取的网页进行内容清洗提取出主要内容之后,利用VSM建立文档模型,并采用SVM分类方法建立推荐库.基于从客户端采集的用户兴趣信息建模,以及根据该模型和推荐库的相似度,给用户推荐信息.此外,给出了基于该模型的推荐原型系统的实现,使用查准率来评价该系统.试验结果表明,系统较好地实现了基于用户兴趣来推荐阅读的信息.     

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。     

采用Sigmoid函数的Web服务协同过滤推荐算法

协同过滤推荐技术被广泛用于各个推荐系统,但它仍然存在着用户评分数据稀疏性问题,可能导致推荐结果不准确。针对该问题,提出了一种采用Sigmoid函数的协同过滤推荐算法。首先,分析用户兴趣与其调用服务的次数之间的关系,利用TF-IDF算法计算用户对服务内容的兴趣度;其次,定义一个Sigmoid函数,根据服务调用次数计算用户对服务功能的兴趣度;最后,基于内容兴趣度和功能兴趣度计算用户兴趣相似度完成协同过滤算法,实现个性化的服务推荐。实验证明,该方法能有效缓解数据稀疏性问题,提高了推荐质量。     

基于语义相似度的个性化信息检索方法

随着网络资源的爆炸式增长以及语义网的出现,个性化检索成为当前信息检索研究的热点.提出一种基于语义相似度的个性化信息检索方法.通过分析三种传统的语义相似度计算方法,针对三种方法的优缺点,提出一种改进的基于领域本体的语义相似度计算方法,该方法将有向边权重、概念层次差以及概念属性,引用到语义相似度的计算中.并在已有的领域本体的基础上构建用户个性化模型,使用本体来存储用户兴趣,最终应用到个性化检索中.实验结果表明,该方法有效地对用户的查询请求进行概念扩充,提高了搜索的查全率与查准率.     

个性化搜索引擎的研究与设计

个性化搜索引擎是一种通过机器主动学习用户兴趣,并根据用户兴趣帮助用户进行信息筛选的新一代智能化搜索引擎.在对第二代搜索引擎分析的基础上,运用向量空间模型,设计并实现了一个完整的可学习用户兴趣并可动态调整的个性化搜索引擎.在应用向量空间模型的过程中对经典的相似度算法进行了改进和简化,同时对于关键词的学习与提取以及个性化计算的动态调整提出了若干有益的方法.     

融合用户评分与显隐兴趣相似度的协同过滤推荐算法

协同过滤算法是推荐系统中使用最广泛的算法,其核心是利用某兴趣爱好相似的群体来为用户推荐感兴趣的信息。传统的协同过滤算法利用用户-项目评分矩阵计算相似度,通过相似度寻找用户的相似群体来进行推荐,但是由于其评分矩阵的稀疏性问题,对相似度的计算不够准确,这间接导致推荐系统的质量下降。为了缓解数据稀疏性对相似度计算的影响并提高推荐质量,提出了一种融合用户评分与用户显隐兴趣的相似度计算方法。该方法首先利用用户-项目评分矩阵计算用户评分相似度;然后根据用户基本属性与用户-项目评分矩阵得出项目隐性属性;之后综合项目类别属性、项目隐性属性、用户-项目评分矩阵和用户评分时间,得到用户显隐兴趣相似度;最后融合用户评分相似度和用户显隐兴趣相似度得到用户相似度,并以此相似度寻找用户的相似群体以进行推荐。在数据集Movielens上的实验结果表明,相比传统算法中仅使用单一的评分矩阵来计算相似度,提出的新相似度计算方法不仅能够更加准确地寻找到用户的相似群体,而且还能够提供更好的推荐质量。     

基于Web挖掘的个性化推荐算法研究

个性化推荐系统是根据用户的爱好,给用户推荐符合用户兴趣的对象的一种高级商务智能平台.论文重点探讨基于用户的协同过滤算法,介绍其基本思想和工作流程,并通过高级语言C＋＋来实现三种相似度计算方法,通过实验比较得出了最佳的计算方法,并设计实现了一个电子商务个性化推荐系统原型,对其他同类网站应用个性化推荐系统具有很好的参考价值.     

融合标签和长短期兴趣的矩阵分解推荐算法

为提高用户兴趣挖掘的准确性,实现更加精准的用户个性化推荐,提出一种融合标签和长短期兴趣的矩阵分解推荐算法。利用用户使用各标签的次数和生命周期挖掘用户的长短期兴趣,计算用户标签偏好值;利用用户标签偏好值比较用户间的兴趣,获得更加精准的用户间兴趣相似度;将用户间兴趣相似度引入矩阵分解模型,预测项目评分并进行推荐。实验结果表明,该算法挖掘出的用户兴趣比其它推荐算法准确。     

基于用户空间位置评分云模型的Web服务协同过滤推荐算法

Web服务作为无形的产品,不具备真实环境下的空间地理位置坐标,针对服务推荐中无法衡量用户群体与Web服务之间的距离位置关系,造成用户相似度计算失衡,导致推荐不准确等问题,提出了基于用户空间位置评分云模型的Web服务协同过滤推荐算法.首先基于用户群体的行为数据量化Web服务的热度区域,通过空间位置量化评分描述用户对于Web服务的兴趣偏好;其次利用云模型来描述每个用户空间行为评分的整体特征,设计了云模型间相似贴近度的计算方法,基于该方法提出了一种用户差异程度系数评估算法,并作为调控系数优化了皮尔森相似度量;最后通过协同过滤找出用户感兴趣的Web服务.实验结果表明该算法使得用户行为偏好的区域划分更加精确,在推荐准确率上明显提高,为基于位置的Web服务推荐提供新颖的方案.     

基于用户兴趣模型的协同过滤推荐算法

协同过滤推荐算法是目前应用最广泛个性化推荐技术,其中用户相似度的计算方法是影响推荐算法质量的关键因素。针对传统协同过滤算法中稀疏评分数据造成的用户相似度计算不准确问题,提出一种基于用户兴趣模型的协同过滤推荐算法。该算法使用分布估计算法建立用户兴趣模型,并使用用户兴趣模型计算用户间相似度。实验表明,该算法的准确性受数据稀疏性影响较小,同时在收敛速度和推荐准确性方面有明显提高。     

服务器日志挖掘在电力业务系统功能推荐中的应用

提出了一种基于服务器日志挖掘的电力业务系统功能推荐服务,首先从电力业务系统服务器日志中获取用户日志数据,然后对含有"脏"数据的用户日志数据进行预处理,以适应数据挖掘与处理;接着由待处理的数据计算用户访问兴趣度,并基于改进的K均值聚类算法将用户访问兴趣度数据集划分为多个具有相近兴趣度的用户集合,最终为用户提供功能个性化推荐服务.实验结果证明该方法在实现电力业务系统信息推荐方面具有较好的效果.     

基于本体的个性化领域信息服务

以数字图书馆领域个性化服务为例,以空间向量模型表示用户兴趣和资源特征,并借助于构建的领域本体和“知网”知识词典对向量进行概念上的扩展,形成用户和资源特征概念空间向量,并通过向量相似度计算寻找最优的资源,从而为用户提供个性化信息服务。实验数据说明了基于概念的相似度计算比基于关键词的相似度计算具有更明显的优越性。     

网络个性化服务资源综合推荐研究

把符合用户兴趣的相关网络资源自动推送给用户,针对性的推荐资源,实现个性化服务,提高用户满意度.根据资源个性化服务分析和研究了模型建立及推荐方法,建立了用户兴趣和资源描述模型,提出了基于背景和认知过程的综合推荐方法.使用MATLAB计算机仿真.通过度量资源和用户兴趣之间的相似程度,根据用户兴趣特征寻找与其匹配的资源,或有相近兴趣的用户群,实现了用户与资源的匹配和个性化推荐目的.建立的模型和设计的综合推荐方法是町行的,降低了复杂度,增强了有效性,推荐效率得到提高.     

VRE中基于内容过滤的论文推荐算法

针对虚拟研究环境中的重要资源论文,提出了基于内容过滤的推荐算法,即根据研究者兴趣实现个性化服务,推荐所需论文.该算法采用矢量空间模型作为用户兴趣和资源描述模型,使用余弦相似度计算资源推荐度;基于效率考虑,利用朴素贝叶斯分类算法减小搜索空间.实验表明,推荐效果和效率得到了明显改善.     

基于动态网站的语义数据挖掘模型研究

WEB使用挖掘正逐渐成为WEB个性化服务领域的研究重点,它通过对用户历史使用信息的分析,实现网站的个性化服务。然而,由于动态网页对象URL结构的特殊性,导致了WEB使用挖掘在动态网站应用上的局限性。论文在基于WEB使用挖掘分析的基础上,针对动态网站数据挖掘和个性化服务,提出了语义数据挖掘模型,并详细描述该模型的挖掘流程。     

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.