一种基于查询上下文的个性化检索模型研究

个性化检索是信息检索领域研究的热点。要实现个性化检索必须收集用户兴趣。用户兴趣不能一概而论,针对不同的查询,用户的兴趣应该不同。选取与当前查询相关的检索历史构建查询上下文,通过查询上下文对检索结果进行重新排序。实验证明,个性化检索性能有所提高,提高的因素来自于最临近的几次检索历史,而更长的历史数据会使系统的运行效率下降,同时还会带来嗓音。
     

面向用户的个性化信息检索

提出了面向用户的个性化信息检索系统模型,并分析其工作原理,最后通过实例分析证明此系统模型相比其它系统而言确实有利于提高查准率和查全率。     

基于用户视角的交互式查询扩展研究

传统的查询扩展方法,不能从根本上消除用户查询意图与检索结果之间的语义偏差和用户查询的歧义性问题,而交互式查询扩展可以有效地帮助用户更快捷、精确地从海量的网络资源中找到所需信息,为用户提供更满意的搜索结果。综合运用文献调研和问卷调查法,从用户使用及需求情况、使用原因、评价及建议等维度对交互式查询扩展进行实证分析。提出操作方式简单化、查询扩展个性化、交互显示人性化、检索结果精确化、检索环境移动化是交互式查询扩展的研究重点和主要发展方向。     

基于用户兴趣的个性化检索

目前检索工具的设计大都面向所有用户,而不考虑用户个人的兴趣偏好。本文提出一种基于用户兴趣的个性化检索方法。该方法自动学习用户查询的历史记录,构建用户兴趣模型,以此推导用户新提问的真正意图。实验结果表明,该方法更适宜涉及多个类别的关键词的信息检索,可提高信息检索的查准率。     

一种面向微博的查询扩展方法

运用查询扩展中的局部反馈技术和伪文档反馈技术,提出一种面向微博的查询扩展方法。将候选词分为3个层级进行考察,分别为主题-词语层、文档-词语层和词语-词语层,对应3个层次提出权重计算方法和相似度计算方法。最后,通过实验对方法进行分析比较,实验结果显示,综合考虑主题-词语权重和文档-词语权重得到的扩展词更能满足用户的需求。     

个性化服务中用户兴趣建模与更新研究

目的:为了使用户兴趣模型更好地被推荐系统理解,实现个性化服务.方法:引入领域本体,对特征项语义进行扩展,构建电影领域本体.根据信息论思想,改进相似度的计算方法,构建基于本体的用户四元组多兴趣细粒度表示模型和相应更新机制.结果:随着用户欣赏同类电影的数量的不断增加,用户兴趣模型能进行累加学习,推荐的准确性不断提高.当用户的兴趣爱好发生转移时,用户兴趣模型能随着用户兴趣的转移合理地"遗忘"掉用户过去的爱好,而积累用户新近感兴趣的电影主题.结论:实验表明该用户兴趣模型能够准确及时地跟踪用户多种兴趣及其变化,保证用户模型的可靠性.     

基于语义扩展的个性化知识推荐系统

构建个性化知识推荐系统是数字图书馆实现个性化信息服务的有效手段,推荐服务的关键在于完整地理解用户偏好并能准确作出判断。提出了一种基于语义扩展的知识推荐方法,通过分析读者文献检索、浏览的行为提取读者偏好,利用扩展激活模型建立读者偏好档案,据此对文献资源进行匹配和分级,从而向读者提供个性化的知识推荐服务。     

基于语义计算的查询扩展优化研究

查询扩展技术是指在原有查询的基础上加入与用户输入的检索用词相关联的新词,组成新的更长、更准确的查询,用于弥补用户查询信息不足的缺陷.为了提高文本检索的效率,纳入网络检索环境下的用户个人偏好,在查询扩展技术中引入语义计算是一个重要研究方向.文章从语义计算的角度提出了基于语义关联树的查询扩展算法,通过动态生成语义关联树,有效降低词相似度矩阵计算工作量.通过控制语义关联树的层次结构及复杂度,灵活高效的生成不同语义空间模型.实验证明,该算法能有效提高文本检索的准确率.     

一种基于词间关联规则挖掘的查询扩展方法

针对现有信息检索系统中存在的词不匹配问题,提出一种基于词间关联规则的查询扩展算法,该算法利用现有挖掘算法自动对前列初检文档进行词间关联挖掘,提取含有原查询词的词间关联规则,从中提取扩展词,实现查询扩展。实验结果表明,该算法能改善和提高信息检索系统的查全率和查准率,具有很高的应用价值,与未进行查询扩展时相比,采用本文查询扩展算法后,平均准确率提高了13.34%,与传统的局部上下文分析查询扩展算法比较,其平均准确率提高了4.87%。     

个性化搜索引擎中的用户兴趣提取技术

首先对个性化搜索进行了介绍，简要分析了个性化搜索引擎的框架模型及其各个部分的基本功能。着重介绍了用户兴趣模型的相关内容，并详细探讨了个性化搜索引擎中用户兴趣提取的概念和相关技术，最后强调了用户兴趣提取技术在个性化搜索中的重要性。     

基于本体的查询扩展与规范

研究本体支持下的智能检索问题。利用语义的层次结构和蕴涵关联量化领域概念的关联程度实现查询扩展，并采用RDF的三元组方式规范检索关键词，依据本体中的关联重构用户查询需求，以匹配策略实现智能检索。经过实例计算与分析，验证该方法的合理性，可行性及特点。     

基于Ontology的个性化检索

目前检索工具的设计大都面向所有用户，而不考虑用户个人的特殊信息需求。本文提出一种基于Ontology的个性化检索方法，该方法自动学习用户查询的历史记录，构建用户兴趣模型，以此推导用户新提问的真正意图，满足用户特殊的信息需求。该方法适用于Internet特定领域或者特定用户群、企业网等智能信息检索。     

基于关联规则挖掘的查询扩展模型研究

为了将关联规则挖掘技术更好地应用于信息检索查询扩展，通过对基于关联规则挖掘的查询扩展模型的深入研究，归纳出4类共13种查询扩展模型，理论分析和实验比较各个查询扩展模型的检索性能，试图发现一些优秀的扩展模型。     

基于Apriori改进算法的局部反馈查询扩展

提出面向查询扩展的Apriori改进算法，采用三种剪枝策略，极大提高挖掘效率；针对现有查询扩展存在的缺陷，提出基于Apriori改进算法的局部反馈查询扩展算法，该算法用Apriori改进算法对前列初检文档进行词间关联规则挖掘，提取含有原查询词的词间关联规则，构造规则库，从库中提取扩展词，实现查询扩展。实验结果表明该算法能够提高信息检索性能，与现有算法比较，在相同查全率水平级下其平均查准率有了明显提高。     

基于本体的Web用户行为语义分析

通过对用户行为进行研究，提出一个用于分析用户行为语义的用户行为本体，并使用该本体实现用户行为语义的概念知识表示以及用户行为的分类。在此本体的基础上，使用统计学的方法得到用户行为的语义。该方法对于用户行为相关研究提供一定的理论基础，并将计算结果同用户的实际情况进行比较，验证该方法的有效性。     

基于无导词义消歧的语义查询扩展

一个构造良好的查询是信息检索质量的基本保证,语义查询扩展技术解决了传统信息检索系统不能很好理解用户查询意图的问题,在提高检索查全率的同时保证了检索准确率。本文以查询关键字之间的语义关联为切入点,辅以隐式反馈技术获取消歧上下文,以WordNet本体库和WordNet Domains扩展库作为消歧数据源,使用基于局部上下文和基于图论的两类无导词义消歧方法进行查询关键字到本体概念的映射,最后基于概念词汇关联完成基于语义的查询扩展。综合WordNet本体库和WordNet Domains扩展库中的各项知识源对查询词义进行判定,保证了词义消歧的精度;采用无导词义消歧实现查询词义的快速判定,保证了信息检索的实时性;根据查询关键词的多寡分别提出两类消歧方法,满足了各种查询需求。     

特征词抽取和相关性融合的伪相关反馈查询扩展

针对现有信息检索系统中存在的词不匹配问题,提出一种基于特征词抽取和相关性融合的伪相关反馈查询扩展算法以及新的扩展词权重计算方法。该算法从前列n篇初检局部文档中抽取与原查询相关的特征词,根据特征词在初检文档集中出现的频度以及与原查询的相关度,将特征词确定为最终的扩展词实现查询扩展。实验结果表明,该方法有效,并能提高和改善信息检索性能。     

基于本体构建的协同推荐研究

通过构建领域本体,利用用户兴趣与领域本体中概念的映射关系,构建用户兴趣本体,发掘用户兴趣模式。研究用户兴趣本体相似度的计算方法,并通过用户兴趣相似度进行垂直加权,通过时间新颖度进行水平加权,从而利用改进的加权关联规则挖掘算法对用户感兴趣的领域本体中的概念进行挖掘,实现面向内容的协同推荐。     

基于相关性-兴趣度架构的关联规则挖掘的查询扩展

针对情报检索系统中存在的词不匹配问题,提出一种基于相关性-兴趣度架构的关联规则挖掘的局部反馈查询扩展算法,并论述查询扩展基本思想、扩展算法模型以及扩展词权值的计算方法。该算法主要特点是采用支持度-置信度-相关性-兴趣度框架衡量关联规则,避免产生负相关的、虚假的和无兴趣的规则,提高来自于关联规则的扩展词的质量。实验结果表明,该算法能有效地改善和提高信息检索性能, 有很高的实际应用价值和推广前景。