基于WEB日志挖掘的网站个性化服务研究

论述了基于Web日志挖掘的网站个性化服务，提出了利用Web日志挖掘的个性化服务中频繁访问路径的挖掘及用户聚类和页面聚类。利用这些算法推动Web站点从“站点为中心”向“用户为中心”的发展，即站点不但要针对用户共同感兴趣的信息服务，更要有针对每个用户的个性化服务。     

一种适合检索词推荐的K-means算法最佳聚类数确定方法

从嵌入式NSTL文本推荐系统的检索词推荐需求入手,分析原有方法的不足,引入共词分析方法和分化理论,提出一种新的最佳聚类数确定方法,改进最小类间距离和平均类内距离的计算方法,强化聚类结果的推荐效果,同时使推荐效果可以随着样本数据的变化而动态调整。最后,运用实验验证该方法的有效性。
     

基于多Agent的智能推荐算法设计*

引入移动Agent技术，提出一种面向E-Learning的集成群Agent与Web服务的分布式智能推荐系统模型，其能有效地帮助学员找到所需的信息。构造MASWSIRS的体系结构，说明系统的工作流程；详细阐述了MASWSIRS的各主要功能模块的实现算法，包括系统整体实现算法、系统聚簇算法及推荐算法。     

基于混合隐Markov链浏览模型的WEB用户聚类与个性化推荐

针对传统的Markov链模型不能有效的表征长串访问序列所蕴含的丰富的用户行为特征(用户类别特征、访问兴趣迁移特征)的缺点,提出混合隐Markov链浏览模型.混合隐Markov链模型使用多个不同的模型来区分不同类别用户的浏览特征,并为每个类别的用户设置了能跟踪捕捉其访问兴趣变化的类隐Markov链模型,能更好地对WWW长串访问序列的复杂特征进行建模,在真实WWW站点访问日志数据上的用户聚类实验与个性化推荐实验的结果表明,混合隐Markov链模型与传统的Markov链模型相比,具有更理想的聚类性能和推荐性能.     

基于Web访问挖掘的个性化智能推荐服务

通过对使用基于关联规则挖掘方法和聚类用户事务方法进行分析、比较,总结它们的优缺点,认为这两种获取用户个性化模式的方法都可实现提供个性化主动信息服务的目的。     

基于高校图书馆Web日志挖掘的分析与研究

以长江大学图书馆主页服务器Web日志文件为例,介绍了Web日志分析流程、Web日志格式,分析了Web日志挖掘的数据预处理过程,最后给出了应用实例。     

提高个性化推荐精度的定制Web日志方法

文章通过对个性化推荐和数据建模理论研究,分析了普通的Web日志格式采集到的数据无法满足个性化用户分析、预测和推荐精度需要的局限性。提出定制Web日志数据建模的过程及方法,建立了定制Web日志模型原型。通过应用数据挖掘技术的关联分析、分类和聚类实验,实验结果表明,通过定制Web日志的方式采集的数据质量能够很好地满足发现关联规则、内容分类和用户聚类的需求,从而提高个性化推荐的精度。同时,定制的Web日志数据还具有简化数据预处理、多用途的优点。     

基于Web日志和缓存数据挖掘的个性化推荐系统

针对当前推荐系统中存在的问题,提出一个基于Web日志和缓存数据挖掘的个性化推荐系统.系统依据Web日志挖掘用户兴趣页面时综合考虑了访问次数、浏览时间和页面长度.通过对Web日志和缓存数据挖掘得到的兴趣页面的有效分类,构造不同用户的兴趣模型.系统能依据用户兴趣模型实现内容过滤推荐,同时也能通过比较不同用户的兴趣模型实现协作过滤推荐.经模拟实验测试表明,本文提出的推荐方法是可行并且有效的.     

基于用户日志的移动搜索行为分析

认为移动搜索用户行为特征与规律的发现,对移动搜索服务的改进具有重要的参考价值。基于国内某大型学术类网站一批包含300余万条有效记录的日志数据,分析查询串、搜索时间的分布、搜索会话、移动搜索设备终端等我国移动搜索用户行为的基本特征指标。研究结果显示:与传统PC搜索相比,移动用户的查询时间分布更均匀,会话更短,使用查询推荐比例更少,移动智能终端设备用户搜索更频繁。     

基于XML的Web日志挖掘研究*

设计一个基于XML的Web日志挖掘体系结构，简要介绍XGMML和LOGML，并在此基础上讨论LOGML文档的生成方法及利用Apriori算法对日志文档进行频繁集、频繁序列和频繁子图挖掘。     

企业知识发现中的个性化Web推荐服务研究

本文主要论述企业知识发现中基于个性化服务的Web推荐构成 ,提出了基于个性化技术构建用户兴趣模型的算法。文章根据用户有无介入兴趣模型构建的学习过程区分n元预测模型、用户兴趣关联规则库及利用用户兴趣词典进行Web页面请求预测的算法。最后介绍了Agent技术在企业个性化Web推荐系统中的应用     

基于内容的Web个性化推荐技术研究

提出Web个性化的概念,讨论基于内容的Web个性化信息发布技术的一般思想,重点探索对这种思想进行改进并应用于文本文档推荐的算法模型。     

Web日志挖掘数据预处理方法研究

Web日志挖掘技术是Web数据挖掘中最重要的应用。通过对挖掘服务器日志文件的分析和研究，可以对网站的组织结构及其性能进行改进，增加个性化服务，发现潜在的读者群体。数据预处理关系到Web日志挖掘的质量。数据预处理包括数据清理、识别用户、识别用户会话、格式化，目的是分割服务器日志为多个独一无二的用户的一次访问序列，并给予了算法实现。     

一种基于智能过滤的Web个性化推荐模型

Web个性化研究的关键技术是推荐系统,其作用是根据用户模型推荐个性化内容,当前推荐技术的研究主要包括四种模式：基于规则过滤、基于内容过滤、基于协作过滤和混合过滤模式。前三种工作模式采用的是传统技术和方法,根据当前推荐系统研究的重点和热点,提出一种Web个性化应用的智能过滤推荐模式。智能过滤推荐模式组合采用以上三种工作模式的优点、避免前三种单一模式的缺点。该方法的突出特点是根据离线学习模型提取的用户偏好特征,实现在线智能推荐。     

关联推荐及其在学术资源检索网站中的应用研究

有效的关联推荐为用户的信息链式获取提供了极大的方便。结合实际项目,本文论述了应用于学术资源检索网站的关联推荐的总体框架和相似文献推荐、关联搜索词推荐、关联作者推荐、关联研究机构推荐、引证关联推荐等功能的技术实现方案,并给出了项目的实现效果。     

一种个性化信息检索服务界面的设计与实现

设计一种个性化的信息检索服务界面,介绍实现该界面的主要支撑模块,阐述数据异步处理、聚类计算方法、检索日志挖掘以及相关文献推荐技术的应用,给出界面的实现形式。在具体实现中,采用后台脱机计算和前台联机计算相结合的方式,并使用异步处理技术,减少时间延迟,保证实用性。     

图书馆读者荐购研究综述

[目的/意义] 分阶段探讨读者荐购的发展历程和发展过程中存在的问题,在此基础上探索读者荐购未来的发展趋势,为我国读者荐购服务的实践和研究提供参考。[方法/过程] 对近年来国内外有关读者荐购的研究文献进行梳理,采用文献调查法和文献计量法对这些文献进行分析,分阶段研究其发展进程,阐述每阶段研究的热点及特征。[结果/结论] 读者荐购研究已经从理论探索阶段向创新研究阶段过渡,但存在研究不平衡问题,建议未来研究方向从新技术、新方式、新平台、新模式入手,同时也应充分关注"互联网+环境下"读者需求的变化。     

图书馆书目推荐系统的研究与设计

分析了当前图书馆书目推荐系统的现状及不足,提出了一种基于运用关联规则挖掘读者借阅记录的书目推荐方式,设计了一种新的书目推荐系统的体系架构,并运用实例分析了该系统的推荐流程。