基于Web挖掘的个性化网络教学系统的设计与实现

设计了一种基于Web挖掘的个性化网络教学系统，该系统结合Web使用挖掘、web内容挖掘和Web结构挖掘的挖掘结果为学生提供个性化的推荐服务，即使在使用数据比较少，或教学内容变化比较频繁的情况下，也能为学生提供高质量的个性化推荐服务。     

结合使用挖掘和内容挖掘的web推荐服务

随着Internet的基础结构不断扩大和其所含信息的持续增长,Internet用户越来越感觉容易在WWW服务中“资源迷向”。提高用户访问效率的方法有页面预取技术,站点动态重构技术和web个性化推荐技术等。现有的大多数web个性化推荐技术主要是基于用户使用记录的数据挖掘方法,没有或很少考虑结合页面内容—这才是用户真正感兴趣的。该文提出一种结合用户使用挖掘和内容挖掘的web推荐服务,该推荐服务根据频繁最大前向访问路径,提出含有导航页和内容页的频繁访问路径图概念,根据滑动窗口内的最近用户访问页面内容和候选推荐集中页面内容相关性,来向用户提供个性化推荐服务。经推荐质量分析,这种方法具有较好的推荐优化能力。     

一种基于Web数据挖掘的电子商务推荐系统

在对Web数据挖掘技术和电子商务推荐系统进行研究生的基础上,设计和提出了一种基于Web数据挖掘的电子商务推荐系统.该系统根据电子商务网站的基本特征,设计了用户当前兴趣表示方法和推荐算法,由于结合了Web使用挖掘和Web内容挖掘为顾客提供个性化推荐服务,从而较大提高了系统的推荐精确度,在实际应用中取得了较好的推荐效果.     

基于Web挖掘的个性化网络学习系统设计

设计了一种基于Web挖掘的个性化网络学习系统,该系统给出了Web内容挖掘、Web使用挖掘和Web结构挖掘的结果,并结合其推荐结果为学习者提供个性化的服务。并给出个性化推荐算法。     

基于轨迹挖掘模型的旅游景点推荐

针对旅游推荐系统中基于内容的推荐和基于协同过滤的推荐方法的数据稀疏性和冷启动问题,以及现有轨迹挖掘方法忽略旅游轨迹中高级语义的问题,提出基于门控循环单元轨迹挖掘模型的推荐方法.为了充分利用旅游轨迹的高级语义信息,基于循环神经网络设计轨迹挖掘表示模型,对游客的旅游轨迹进行建模,在利用游客历史轨迹建模后向游客提供个性化旅游景点推荐.在真实旅游轨迹数据集上的实验表明,相比广泛使用的基线方法,文中方法在景点推荐的准确性和质量上都有一定提高.     

电子商务中Web挖掘技术的应用探讨

随着电子商务技术的深入发展，商家在与用户交互活动中的信息也迅速膨胀，网上的海量信息为Web挖掘提供了一个广阔的应用领域，使用web挖掘技术能够发现电子商务过程中的潜在模式。文中针对几种不同特点的电子商务web挖掘系统，包括智能搜索引擎系统、网站用户访问分析系统、个性化推荐系统等都进行了探讨。     

基于Web挖掘的个性化教学推荐系统

针对学生网络学习环境设计了一种新颖的个性化教学推荐系统。该系统通过测试学生的学习风格和挖掘Web浏览日志,构造了不同学生学习风格和Web使用习惯的模型。首先利用Item-Based Top-N推荐算法对数据稀疏的学习风格测量数据进行处理,实现对学生学习风格的诊断;然后,采用AprioriAll算法挖掘Web浏览日志中序列频繁集,分析出学生Web使用的常见习惯和兴趣;最后,依据不同的学习风格和Web使用习惯实现学习内容的个性化推荐。模拟实验表明,该推荐系统的设计是可行并有效的,能够很好地符合用户的真实需求。     

基于WEB挖掘的个性化服务研究

针对用户特性向用户提供个性化服务将是web服务的发展趋势，本文从Web个性化服务的本质出发，详细地研究了实现Web个性化服务的关键技术：Web挖掘技术和信息推荐技术，并在此基础上设计了一个基于Web挖掘的个性化服务系统原型。     

一个基于关联规则的个性化方法DPARM

针对当前个性化中关联规则挖掘的一些问题,尤其是无法及时更新使用数据这一缺点,提出了一种有效的基于关联规则挖掘的个性化方法DPARM,它将用户兴趣模型的更新和在线推荐紧密结合,及时使用新的用户会话更新用户兴趣模型,从而使个性化系统能够更好反映用户访问模式的变换。使用http://www.cs.depaul.edu上的数据进行了实验,结果表明,该方法是有效可行的。     

基于多重隐语义表示模型的旅游路线挖掘

针对用户个性化旅游行为过程的挖掘与景点推荐问题,提出多重隐语义旅游路线表示模型(MLSTR-RM).MLSTR-RM考虑不同上下文对用户旅游路线的影响,高效挖掘旅游路线中丰富的隐语义.首先确定模型中不同上下文包含的隐语义信息,然后通过负采样的方式训练模型参数,最后基于MLSTR-RM模型设计个性化景点推荐方法.在真实数据集上的实验表明文中模型的有效性.     

基于模糊聚类的Web日志挖掘的应用研究

在Web数据挖掘研究领域中，Web日志挖掘是Web数据研究领域中一个最重要的应用方面。本文对Web日志挖掘作了系统的研究。包括对服务器上日志结构的分析和对数据预处理过程的描述。文中着重讨论了用户模糊聚类的算法，并用实例证明了模糊聚类在web用户聚类应用中的可行性。在此基础上还提出了一个Web站点的个性化服务模型，通过对Web服务器中日志的挖掘，发现具有相似访问兴趣的用户群，进而为用户作个性化的推荐。     

Coteries轨迹模式挖掘及个性化旅游路线推荐

Coterie是一种异步的组模式,要求在不等时间间隔约束下找出具有相似轨迹行为的组模式.而传统的轨迹组模式挖掘算法往往处理具有固定时间间隔采样约束的GPS数据,因此无法直接用于Coterie模式挖掘.同时传统组模式挖掘存在语义信息缺失问题,降低了个性化旅游路线推荐的完整度和准确度.为此,提出基于语义的距离敏感推荐策略（DRSS）和基于语义的从众性推荐策略（CRSS）.此外,随着社交网数据规模的不断增大,传统组模式聚类算法的效率受到了极大挑战,因此,为高效处理大规模社交网轨迹数据,使用带有优化聚类的MapReduce编程模型来挖掘Coterie组模式.实验结果证明,MapReduce编程模型下带优化聚类和语义信息的Coterie组模式挖掘,在个性化旅游路线推荐上优于传统组模式旅游路线推荐质量,且能有效处理大规模社交网轨迹数据.     

一种基于中间代理的个性化推荐系统

个性化推荐系统能很好地解决互联网中信息过载的问题,传统推荐系统存在着商家较为分散、隐私容易泄漏的问题。提出了一种基于中间代理的电子商务智能推荐系统,利用内容过滤技术进行推荐,在考虑用户隐私的基础上使用向量空间模型挖掘用户的兴趣偏好和商品的特征评价,引入时间遗忘函数以处理兴趣变化问题,根据收集的信息产生推荐序列,针对重点难点问题提出了解决方案。采用Movielens数据集进行的实验结果表明,该方法能提供较好的推荐准确度与计算性能。     

多空间交互协同过滤推荐

大数据时代,由于信息过载,用户很难从海量数据中寻找出感兴趣的内容,个性化推荐系统的诞生极好地解决了这个问题.协同过滤算法被广泛应用于个性化推荐领域,但由于模型的限制,推荐效果未能得到进一步提升.现有的基于协同过滤模型的改进方法大多都是通过引入表示学习方法来得到更好的用户表示向量和项目表示向量,或通过改进用户项目匹配函数来提升推荐能力,但此类工作都致力于从单个交互提取用户-项目交互信息.文中提出了一种多空间交互协同过滤推荐算法,将用户向量和项目向量映射到多空间,从多角度做用户-项目交互,使用两层注意力机制聚合最终的用户表示向量和项目表示向量,以进行评分预测.在公开的真实数据集上,多空间交互协同过滤模型(MSICF)与多个基线模型进行了对比实验,MSICF模型的评估优于对比的基线方法.     

WLML在Web使用挖掘中的应用

提出了一种新的用干Web日志描述的XML应用——WLML语言。实际使用中，首先从web日志文件和Web结构图中生成指定WLML格式的Web日志记录，通过对处理后的记录进行数据挖掘，达到为用户提供个性化服务的目的。     

一种面向排序的Top-N推荐算法

研究用户优化服务算法问题,应为用户提供个性化的推荐服务的系统.Top-N推荐问题,是指通过对用户历史偏好信息的挖掘,给每个用户推荐N个最可能喜好的内容.针对上述问题,提出了一种面向排序的推荐算法EIBRO-MF,通过融合系统中的显式和隐式反馈数据,建立用户喜好的偏序对关系来训练协同过滤的参数模型,最后利用优化的模型参数给出推荐结果.仿真结果表明,与传统的协同过滤算法、以及只能利用隐式反馈数据的排序算法相比,提出的算法能大幅提高推荐列表的排名精准度.     

融合主题与语言模型的个性化标签推荐方法研究

随着Web的推广和普及,产生了越来越多的网络数据。 广泛应用了 标签系统 ,以便人们使用搜索技术来组织和使用这些信息。这些数据允许用户使用关键字(标签)注释资源,为传统的基于文本的信息检索提供了方案。为了支持用户选择正确的关键字,标签推荐算法应运而生。提出了一种个性化标签推荐方法,该方法综合了用户的资源标签与标签概率模型。该模型利用了简单语言模型和隐含狄利克雷分配模型,并针对现实世界的大型数据集进行了大量实验。实验表明,该个性化方法改进了标签推荐算法,推荐结果优于传统方法。     

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.     

Web挖掘技术研究

信息时代的到来,伴随着海量数据的不断出现,web挖掘为当今海量数据处理提供了强有力的技术手段。介绍了Web挖掘的概念,给出了Web挖掘的三种分类,并针对内容挖掘、结构挖掘、使用挖掘论述了Web挖掘在搜索引擎、电子商务、疾病防治等方面的应用。提出了Web挖掘存在的问题,最后展望了Web挖掘的未来努力方向。     

基于本体的Web挖掘在个性化E-learning系统中的应用

针对当前e-learning系统中存在着资源利用效率低和学习内容单一、个性化不足等问题,设计一个基于本体的web挖掘的个性化e-learning系统,通过应用web挖掘和本体技术,使得该系统能根据学习者的知识结构、学习目标、学习风格、偏好等特征信息提供适应学习者的教学方法和学习资源,营造个性化的网络学习环境。实验表明本体技术能明显改善挖掘效果,提高学习资源库的管理效率,有效促进学生的网络学习,满足学生个性化学习的需求,为系统的决策分析提供了智能的辅助手段。