基于用户近期兴趣视图的个性化推荐

提出了一种基于用户近期视图进行个性化推荐的方法。通过对用户浏览行为的捕获,形成用户近期视图反应用户的这种近期兴趣变化,以此为用户提供及时准确的个性化信息推荐。并用实验验证了利用此方法进行个性化推荐具有比较理想的效果。     

个性化搜索引擎中用户兴趣模型的构建方法

在分析个性化搜索引擎的基础上,提出一种构建用户兴趣模型的方法.该方法综合考虑用户注册兴趣及浏览行为,将用户兴趣分为长期兴趣和短期兴趣并通过兴趣树进行存储.遗忘机制的引入保证模型能够及时准确地反映用户兴趣.模拟实验表明,本文提出的用户兴趣模型能够有效地提高检索效率,使搜索结果更好地满足用户个性化需求.     

基于用户兴趣行为模型的个性化广告推荐研究

随着移动互联网和网络终端的快速发展,产品的营销方式发生了重大变化,在互联网上投放广告已成为商家的重要宣传和销售渠道。然而,在线广告能否进行准确推荐是困扰产品厂家和广告代理商的一个主要问题。文章通过分析在线广告的非结构化特征和搜索用户行为数据,提出一种基于用户兴趣行为模型的个性化广告推荐方法,该方法可以通过主题模型提取用户的兴趣偏好,并基于最近邻算法和用户行为生成广告推荐列表。实验结果表明,基于最近邻算法和用户行为的个性化广告推荐方法可以推荐个性化广告,并且比基于内容的推荐方法具有更好的性能。     

个性化服务中用户兴趣模型相关技术的研究

因特网的出现给人们利用信息带来的极大便利,然而随着信息资源的不断增多,人们利用信息的效率却在不断降低,这就是通常所知的信息过载或者信息迷向问题,介绍了现在比较流行的个性化推荐技术,并对其中核心的建立用户兴趣模型的问题及其涉及的相关技术进行了详细介绍。     

个性化检索系统中用户兴趣模型的研究

个性化检索服务已成为提高信息检索查准率的有效途径。论文针对用户兴趣模型的构建,在传统TFIDF算法的基础上,提出了一种基于文档结构和网页兴趣权重的TFIDF算法,并给出了用户兴趣模型的更新算法。实例分析表明,基于该文算法的用户兴趣模型能够改善用户兴趣的捕获情况。     

基于本体用户兴趣模型的个性化推荐系统

针对传统个性化推荐系统用户兴趣模型创建和更新的不足,无法准确地感知用户特定背景下的语义信息和用户兴趣随着时间的变化,基于用户兴趣本体提出一种新用户兴趣模型,并通过激活扩展理论描述该用户兴趣模型的更新算法。同时,改进了推荐算法,结合协同过滤进行个性化推荐。实验结果表明,该模型能够有效反映用户兴趣,新的推荐算法在MEA、多样性、冷启动处理、稳定性方面都具备很高的性能。     

个性化信息检索系统中用户兴趣模型的建立

个性化检索系统通过收集和分析用户信息来学习用户的兴趣和行为,从而实现对用户的个性化的信息推荐服务。而用户兴趣模型正是用户和兴趣的信息模型,用户兴趣模型直接影响到个性化的信息服务。     

基于用户浏览行为分析的用户兴趣获取

从用户的浏览行为可以反映用户的兴趣出发,分析了用户的浏览行为与兴趣之间的关系,提出了五种用户最小浏览行为组合,并在此基础上对其中三种行为进行转化,得到影响用户兴趣的关键的两种行为,并给出这两种行为与用户兴趣度之间的定量关系。结合对网页内容的挖掘,获取用户的兴趣。通过实验对文中的研究结果进行验证,实验结果证明,所采用的方法是合理和有效的,分析出的用户兴趣基本上可以正确反映用户的实际兴趣。     

个性化信息过滤系统中用户兴趣模型建立和更新

提出了一种新的用户兴趣模型的建立和更新方法.该方法通过web内容挖掘和用户行为分析建立用户模型,而通过移动时间窗口更新用户模型.实验表明,该用户兴趣模型能有效提高检索精度,提高个性化信息服务的效率.     

学习资源个性化检索系统中用户兴趣建模研究

该文在综合分析了现有个性化检索系统中用户兴趣模型表示方法以及建立与更新机制的优缺点的基础上,设计了一种基于分类知识库的,结合关键词与主题概念的用户兴趣表示方法。模型中将用户的兴趣分成短期兴趣和长期兴趣,并且对两种兴趣采用不同的建立与更新机制。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。     

基于用户浏览行为分析的用户兴趣度计算

从用户的浏览行为可以反映用户的兴趣出发,分析了用户的浏览行为与兴趣之间的关系,通过分析把能反映用户兴趣的典型浏览行为归纳为保存页面、打印页面、将页面加入收藏夹、复制页面内容、访问同一页面的次数和在页面上浏览时间这些浏览行为.针对这些浏览行为下的用户兴趣度计算做出阐述,并且在分析基于网页驻留时间和浏览次数计算网页兴趣度的算法的基础上,考虑网页大小的影响因素,使用基于浏览速度计算网页兴趣度,同时利用BP神经网络进行用户兴趣度融合.     

基于用户浏览行为挖掘的网站个性化推荐系统

文章介绍了电子商务个性化推荐系统,在此基础上提出了一种基于用户浏览行为进行数据挖掘的个性化推荐系统模型,并给出了详细的挖掘流程及实现算法.     

基于用户兴趣模型的个性化信息服务技术分析

介绍了几个基于用户兴趣模型的个性化信息服务的主要支撑技术,其中主要论述了推送技术的概念、特点、工作原理与工作流程,重点分析了推送算法的详细设计过程。     

个性化搜索引擎中的用户兴趣模型分析与研究

针对用户兴趣模型构建问题,利用用户兴趣树描述用户兴趣,采用空间向量模型的表示方法,对构建用户个性化模型进行研究,并提出一种兴趣模型调整算法。模拟实验表明,该模型能有效提高检索结果的查准率,以满足用户个性化需求。     

基于图像内容的用户兴趣模型研究

对信息主动服务（即“推”服务）中用户对图像兴趣问题进行了研究。基于分析用户对图像内容的兴趣程度、图像对图像内容的从属度和用户对图像的兴趣程度,提出了基于图像内容的用户兴趣模型,并对模型的性质和维护进行了初步分析。最后通过仿真算例演示了该模型的计算流程。     

基于用户兴趣的个性化模型研究

大多数搜索引擎没有考虑到用户的个性和兴趣,大大降低了搜索的准确性。采用Web挖掘技术对存放在Web缓存中的历史页面进行挖掘,获取用户的兴趣信息,使用最优二叉树的形式来表示用户兴趣,利用获取的用户兴趣信息来构建个性化模型,并且利用智能Agent跟踪用户的兴趣变化,不断地对用户兴趣个性化模型进行更新。     

E-Learning中个性化信息服务用户模型的研究

在网络学习中,用户模型的设计非常重要.为了更好地为用户提供个性化的学习资源服务,更准确地描述用户的兴趣,提高学习效率,设计了一种基于学科知识点有向图的用户兴趣模型.文章详细介绍了用户模型的建立、优化和知识点关联度的计算.试验结果表明,所设计的模型是可行和有效的.     

个性化信息服务中基于Tag的用户兴趣模型

随着web信息爆炸增长,个性化信息服务成为人们研究的热点,用户兴趣建模是个性化服务的关键,针对当前用户建模的缺点和tag的广泛应用,对基于tag的用户兴趣建模进行研究,首先通过实验证明tag中蕴含用户稳定的兴趣及tag分布的其他特征,然后提出加权树形结构由粗到细的粒度表示用户模型,为提高服务时效性,对用户频繁一起使用的...     

基于用户兴趣模型的推荐算法

传统的协同过滤算法虽然可以很容易地挖掘出用户的兴趣爱好,但存在数据冷启动和稀疏性问题.针对这些问题,提出一种基于用户兴趣模型的推荐算法.首先通过LDA主题模型训练数据集得到物品-主题概率分布矩阵,利用物品-主题概率分布矩阵得到用户历史兴趣模型,然后结合用户历史行为信息和物品内容信息得到用户兴趣模型,最后计算用户与候选集之间的相似度,进行TOP-N推荐.在豆瓣电影数据集上的实验结果表明,改进后的推荐算法能够更好地处理稀疏数据和冷启动问题,并且明显提高了推荐质量.     

基于语义的个性化用户兴趣模型

探讨了主动服务和个性化服务,给出了以主要特征词描述语义的用户访问历史的表示方法,建立了动态的用户兴趣模型.用户的兴趣模型表示为二层,上层是基于类兴趣的用户模型,下层是基于主要特征词兴趣的类模型.上层描述用户对各个类的兴趣度,下层描述用户对各类中的主要特征词的兴趣度.在建模过程中,通过启发式规则限制模型维度,通过行权重实现最近最新优先.