网站个性化服务的研究

利用Web数据挖掘技术，对用户未来的访问进行预测和推荐，是实现网站柔性个性化服务的研究方向之一．笔者通过对网站个性化服务相关技术的研究，改进了对Web服务器用户访问日志信息进行聚类分析的关联数据竞争聚类(competitive agglomeration for relation data，CARD)算法，并在此基础上构建了相应的实验模型．CARD算法是CA算法的一种改进算法，适合于处理没有明显特征的Web数据．试验是建立在真实的Web日志上的，实验证明该算法具有较好的聚类效果和适用度．     

一种基于Web用户访问模式的矩阵聚类算法研究

针对用户访问Web资源时难以获取感兴趣信息的状况,通过分析用户需求,采用优化的矩阵聚类算法,对用户群和页面进行聚类,以理解用户的行为,发现用户的访问模式,从而改善Web服务质量。实验结果表明该方法是可行的,能够更准确的反映网站的访问情况;根据发现用户访问的Web页面的浏览模式,进一步分析和研究Web日志记录中的规律,从而改进Web站点的性能和组织结构,以便Web站点能实现个性化服务。     

基于竞争凝聚的个性化网页推荐

为了提高网站访问效率并得到有价值的个性化网页推荐,针对Web日志的新特性,提出了一种新的基于竞争凝聚的聚类算法.新算法对K-paths聚类算法进行了扩展和改进,按照路径的相似性进行聚类,采用竞争凝聚的思想,自动确定最佳的聚类数目.由于算法考虑了用户的访问兴趣,个性化网页推荐不打扰用户且不需要用户注册信息.利用关联规则得到个性化网页推荐集.用户推荐集和页面推荐集的结合大大提高了推荐效果,具有较好的扩展性.实验结果表明,与其他聚类方法相比该算法具有更高的推荐精度.     

基于Web日志的用户访问模式挖掘

随着数据挖掘和万维网技术的结合,使得从收集到的访问 Internet网页的网站日志记录中执行数据挖掘成为可能.将数据挖掘技术应用于 Web日志记录,来发现用户访问 Web页面的模式,便形成了 Web访问模式挖掘. Web访问模式挖掘是从 Web访问日志中挖掘有用的用户访问信息,用于找出头 N个用户,头 N个被访问页面,最频繁访问时间以及关联模式、序列模式、聚类模式、分类模式和 Web访问趋势等,这对于优化站点结构、为不同类别的用户提供个性化服务,有效地实现信息获取和信息推送是非常必要的. Web访问模式挖掘是目前数据挖掘领域的热点,详细论述了 Web访问模式挖掘的概念、方法和过程.     

基于Web日志的用户访问模式挖掘

随着数据挖掘和万维网技术的结合，使得从收集到的访问Internet网页的网站日志记录中执行数据挖掘成为可能。将数据挖掘技术应用于Web日志记录，来发现用户访问Web页面的模式，便形成了Web访问模式挖掘。Web访问模式挖掘是从Web访问日志中挖掘有用的用户访问信息，用于找出头N个用户，头N个被访问页面，最频繁访问时间以及关联模式、序列模式、聚类模式、分类模式和Web访问趋势等，这对于优化站点结构、为不同类别的用户提供个性化服务，有效地实现信息获取和信息推送是非常必要的。Web访问模式挖掘是目前数据挖掘领域的热点，详细论述了Web访问模式挖掘的概念、方法和过程。     

跨语言智能学术搜索系统设计与实现

学术搜索是一种行业化的搜索引擎,因其缺乏个性化、智能化的服务,使得用户的学术文献检索效率低下,海量的数字学术资源得不到充分利用。本研究跨语言智能学术搜索系统的设计与实现,旨在让用户可以在尽可能短的时间内找到所需学术资源。系统的几个关键技术包括：研究混合语种文本的分词技术;研究基于机器翻译的跨语言信息检索;研究搜索结果聚类算法在不同语言文本上的性能差异问题;研究基于聚类的个性化信息检索方法以及交互式查询扩展技术。实验测试结果表明：系统具有较好的扩展性,能为用户提供良好的学术检索服务。     

基于用户浏览兴趣模糊聚类研究

聚类分析在面向电子商务的数据挖掘中具有重要的意义,网络信息提供服务亟待从用户被动接受访问到电子商务站点对用户进行主动信息推送服务。本文主要研究运用模糊聚类技术针对用户浏览兴趣度量实现用户群组划分,并进行有针对性地网页推荐、商品推荐和服务推荐。     

基于Spark的电信用户画像的研究应用

为达到精准推荐,给用户提供个性化服务的目的,通过以Spark为核心的大数据技术,对电信运营商的数据进行挖掘、分析、聚类、建模,从而发现不同用户的个性化需求。实验结果表明,此方法能够较好地对不同用户的行为进行画像,同时经过优化后的PK-means聚类方法准确率有明显提高,与传统的数据处理模式相比,运算速度得到极大提升。     

一种基于聚类的Markov预测模型

提出一种新的用户浏览模式的聚类算法,该算法应用马尔可夫链理论,通过对web访问日志的处理,实现了根据用户浏览序列对时间的分类,以便个性化推荐和指导不同类别的用户以不同时间段进行学习。     

基于Hadoop个性化推荐算法设计与实现

为了提升个性化推荐系统的大数据处理能力,选择基于用户聚类协同过滤的个性化推荐算法,并在Hadoop平台下实现算法的分布式并行化.离线状态下对用户物品矩阵降维,对用户进行聚类得到类别信息列表,对用户在类簇内进行推荐,并在相似度计算内引入物品贡献权重,最后对算法实现并行化得到推荐结果,实现基于用户聚类的分布式协同过滤推荐算法.最后对推荐结果进行测试分析,证明分布式个性化推荐有更好的推荐准确性和实时性.     

基于Web挖掘的个性化网络教学系统的研究

为了使基于Web的网络教学能够真正地实现个性化教学,提出了网络教学要从以网站为中心向以学生为中心转变的观点,介绍了基础Web挖掘的个性化网络教学系统的体系结构,指出了Web挖掘的基本过程和关键技术,并给出了用户兴趣度计算和个性化推荐算法.     

基于个人Web使用挖掘的个性化服务研究

以个人Web使用挖掘技术为基础，提出了一种个性化服务模型。模型详细分析了个人Web使用挖掘的数据收集、模式发现及分析、个性化服务引擎等过程，并对各过程的个性化实现过程进行了分析。最后对个性化服务的发展进行了展望。     

基于个人Web使用挖掘的个性化服务研究

以个人Web使用挖掘技术为基础,提出了一种个性化服务模型。模型详细分析了个人Web使用挖掘的数据收集、模式发现及分析、个性化服务引擎等过程,并对各过程的个性化实现过程进行了分析。最后对个性化服务的发展进行了展望。     

基于Web日志挖掘的网页推荐系统的设计

提出了一种基于Web日志挖掘的网页推荐系统。该系统采用Web日志挖掘的方法对用户的访问记录进行分析,挖掘出与用户访问的页面具有一定相关度的页面并推荐给该用户,为用户提供最合适、更具人性化的信息资源。     

迁移知识辅助的语义稀疏服务聚类方法

服务聚类能够极大的提升服务发现的能力。但是,现有服务聚类方法缺乏针对服务描述文件语义稀疏情境下的研究。针对该问题,本文首次将迁移学习技术应用到服务聚类领域以尝试解决服务聚类过程中语义稀疏的问题。通过使用一种对偶PLSA模型来融合目标领域和辅助领域语料知识,利用无监督的方式迁移知识以促进语义稀疏领域的服务聚类过程。实验结果表明,该方法能够提高针对语义稀疏情景下服务的聚类效果。与K-Means等方法相比,该方法在聚类纯度、熵指标上均具有更好的效果。     

Web挖掘在网络教学中的应用

介绍了Web挖掘的基本情况，分析了Web使用信息挖掘的步骤．提出了基于Web使用信息挖掘的个性化推荐算法，并将其运用到网络教学中，得出了个性化的网络教学体系结构．     

Web访问挖掘中事务聚类研究

Web访问挖掘可以发现用户浏览Web的目标、兴趣等行为模式,使Web变得更容易获取信息。聚类分析是Web访问挖掘系统的重要组件,聚类分析的质量决定挖掘结果的有效性。现有的三类聚类算法具有各自的缺点,本文概述了三种算法,给出了一种基于广义后缀树的聚类算法,通过实例说明了它的原理和优点。     

一种新的混合遗传聚类算法

为了有效地从W eb日志数据中提取出相似用户的浏览模式,提出了一种应用于W eb日志挖掘中用户聚类的新的混合遗传聚类算法。这种算法是遗传算法和K-中心点聚类算法的有机结合。该算法是一个具有全局最优解的聚类算法,其结果明显优于模糊聚类算法和简单遗传聚类算法。该算法能够有效地剔除噪音,得到较好的用户聚类的效果,为网站设计者优化网站结构,提高信息服务质量提供了有效的决策依据。     

基于XML的智能信息检索与聚类研究

目前Web上大多是非结构化的信息，检索主要是通过基于关键词的搜索引擎或目录浏览。近来，许多组织、团体、协会在Web上通过DTD／Schema定义XML(Extensible Markup Language)档，由于XML描述了结构化的信息，对XML文档的检索也与以往的搜索引擎不同。为此，本文设计了一个新的基于XML文档的智能信息检索原型系统XIIRC，给出了它的体系结构及功能，并对用户界面、索引机制、查询机制、检索结果概念聚类等问题进行了探讨。