基于用户反馈的混合型垃圾邮件过滤方法

针对目前垃圾邮件过滤技术仅依赖单一邮件特征实施邮件分类、对邮件特征变化的适应性较差等局限,提出一种基于用户反馈的混合型垃圾邮件过滤方法。以用户社会网络关系为基础,借助用户反馈机制分别实现对基于内容与基于身份标识的邮件分类知识的动态更新;在此基础上采用贝叶斯模型,实现邮件的内容特征与发件人身份标识特征在邮件分类中的有机结合。实验结果表明,与传统的过滤方法比较,所提方法在邮件特征动态变化的环境下能够获得更好的邮件分类效果,邮件分类的总体召回率、查准率、精确率均能达到90%以上。所提方法能够在保证邮件分类性能的同时,有效提高邮件分类对邮件特征变化的适应性,是已有垃圾邮件过滤技术的重要补充。     

基于隐式反馈的个性化信息过滤方法

如何为用户提供更为满意的、符合其个性化的信息过滤,已成为一个重要的研究课题。针对这一情况,本文提出了一个基于隐式反馈的个性化信息过滤的设计思路和实现方法即通过观察用户与系统交互的动作学习用户的兴趣,根据用户兴趣帮助用户过滤掉那些他不感兴趣的信息。并对其涉及的关键技术用户兴趣建模,文档的表示和信息的过滤等方面进行了详细描述,并对当前存在的问题进行了探讨。     

基于用户多兴趣的协同过滤策略改进研究

协同过滤机制利用用户之间的相似性来推荐信息,能够为用户发现新的感兴趣的内容,它作为一种行之有效的技术被应用到很多领域中.但传统的协同过滤算法不能反映用户的多个兴趣及兴趣更新情况.基于此不足,在用户聚类协同过滤算法的基础上进行了改进,其基本思想是在基于用户聚类的基础上研究用户多兴趣的表示.针对用户兴趣偏好及更新情况引入基于时间的数据阈值、兴趣类型和用户项目兴趣权重的概念和公式.在此基础上将它们有机结合,融人基于用户聚类的协同过滤算法的推荐过程中.实验表明,改进后的算法比传统协同过滤算法在推荐准确度上有明显提高.     

基于内容过滤的个性化搜索算法

传统信息检索技术满足了人们一定的需要,但由于其通用的性质,仍然不能满足不同背景、不同目的和不同时期的查询请求.提出了一种基于内容过滤的个性化搜索算法.利用领域分类模型上的概率分布表达了用户的兴趣模型,然后给出了相似性计算和用户兴趣模型更新的方法.对比实验表明,概率模型比矢量空间模型更好地表达了用户的兴趣和变化.     

基于反馈日志分析的图像检索相关反馈方法

基于内容的图像检索是多媒体数据库研究的重要内容之一。近年来,采用用户相关反馈方法提高检索效率的研究已成为新的热点,用户相关反馈是一种交互式的渐进过程,如何提高反馈效率,减少交互次数是该技术面临的主要问题,提出一种通过对相关反馈历史数据进行在线分析从而加快反馈过程的新方法,对10000幅图像数据库的实验表明,与传统相关反馈技术相比,新方法对检索效果有明显改善。     

基于分类的协同过滤图书推荐系统应用研究

随着社会的发展,图书馆图书的总量呈数量级增长,人们面对大量的图书和文献资料变得无从选择,而传统的 图书检索技术并不能向读者提供主动式、个性化的检索结果。推荐系统是一种智能化系统,它把用户对目标对象的选择、评价 等大量信息通过特定的算法进行处理,根据处理结果形成推荐列表向用户进行推荐,以此提供决策参考。文章将就基于分类 的协同过滤图书推荐系统展开研究和探讨。     

基于内容的推荐与协同过滤融合的新闻推荐方法

针对基于内容的新闻推荐方法中用户兴趣多样性的缺乏问题和混合推荐方法存在的冷启动问题,提出一种基于内容与协同过滤融合的方法进行新闻推荐。首先利用基于内容的方法发现用户既有兴趣;再用内容与行为的混合相似度模式,寻找目标用户的相似用户群,预测用户对特征词的兴趣度,发现用户潜在兴趣;然后将用户既有兴趣与潜在兴趣融合,得到兼具个性化和多样性的用户兴趣模型;最后将候选新闻与融合模型进行相似度计算,形成推荐列表。实验结果显示,与基于内容的推荐方法相比,所提方法的F-measure和整体多样性Diversity均有明显提高;与混合推荐方法相比,性能相当,但候选新闻无需耗时积累足够的用户点击量,不存在冷启动问题。     

个性化信息推荐方法研究

随着信息技术和互联网的发展,人们进入了信息过量且愈发碎片化的时代。当前,个性化信息推送是用户获取网络信息的有效渠道。由于信息的更新速度快和用户兴趣更新等问题,传统的推荐算法很少关注甚至忽略上述因素,造成最终的推荐结果欠佳。为了给用户更好的个性化推荐服务,论文首次引入截取因子,提出了组合推荐算法（CR算法）。该算法的实质是将截取因子引入到基于内容的推荐算法与基于用户的协同过滤算法中,进而生成混合推荐算法。在推荐列表中,CR算法产生的推荐结果由两部分组成:一部分由混合推荐算法生成,另一部分由基于用户的协同过滤算法生成。根据信息的发布时间,决定该信息由哪类算法产生推荐:当浏览时间与当前时间的间隔不大于某个值时,采用混合推荐算法;否则,直接采用基于用户的协同过滤算法。基于真实数据的实验结果表明,CR算法优于同类算法。     

基于Agent的个性化信息过滤系统的设计与实现

针对用户个性化服务的特定需求，文中提出了一种基于Agent的个性化信息过滤系统的设计思想及其实现过程。采用基于主题的过滤和基于兴趣的过滤相结合的过滤方法对信息分两次过滤，同时利用Agent跟踪用户的浏览行为，从而提供隐式反馈。系统能够根据文本的内容自动判别文本所属主题分类，并计算待过滤信息与用户兴趣之间的相关度，最后利用用户的反馈对用户兴趣模型进行更新，从而帮助用户准确获取有用信息。     

面向个性化网站的增量协同过滤推荐方法

为了解决个性化网站中很少考虑用户检索意图，检索效果较差的问题，提出了一种有效的增量协同过滤推荐方法。该增量协同过滤推荐模型改进了最流行的推荐算法之一的协同过滤算法，并应用到个性化网站中。通过分析Web日志提取用户的浏览行为，将其归一化为用户对项目的评分值，并利用改进的相似度计算方法得到用户之间的相似度值，从中选择能够表现用户偏好的最近邻集合进行评分预测后对结果排序，将排序后的结果作为推荐列表返回给用户。最后设计增量更新算法实时有效地更新用户的历史偏好数据。实验表明，增量协同过滤推荐模型适用于个性化网站，利用该方法可以使推荐结果更加符合用户意图。     

基于协作过滤的个性化服务技术研究

随着网络的普及和发展以及网络信息量的日益增加,为广大用户提供个性化服务显得尤为必要.在对个性化服务技术相关知识进行概述的基础上介绍了协作过滤信息推荐技术的基本原理、分类、所面临的困难等,并对国内外研究现状等进行了综述.最后时基于协作过滤的个性化服务技术进一步的研究工作进行了展望.     

基于语义倾向性的文本过滤研究*

以往文本过滤的研究主要集中于主题过滤,然而随着网络的发展,倾向性文本过滤在网络信息安全方面的作用越来越大。在语义倾向性分析中,若忽略关联词和修饰词则有可能导致对极性词的倾向或强度判断失误。针对这一问题,提出了一种新的语义倾向性识别算法,用于对潜在极性词进行倾向性识别,并应用到文本过滤方面。实验表明此方法具有较高的准确率和召回率。     

基于资源的协作过滤推荐算法研究

协作过滤是当今应用最为普遍的个性化推荐算法,然而数据的稀疏性和算法的可扩展性一直是协作过滤算法所面临的两大问题。提出了一种新的推荐算法——基于资源的协作过滤算法。该算法在对资源项目依内容划分的基础上,将用户—项目评分矩阵转换为用户—资源类别评分矩阵,然后对用户聚类,在目标用户所在的簇中寻找其最近邻居并产生推荐。实验表明,该算法不仅降低了数据的稀疏性和维度,缩小了目标用户最近邻的查找范围,算法的扩展性得到了有效改善,而且提高了最近邻的准确度,推荐精度较以往传统算法有明显提高。     

基于加权Slope one的协同过滤个性化推荐算法

针对传统协同过滤算法存在冷启动、数据稀疏、运行效率低下等问题,分析了较传统协同过滤算法更加高效准确的Slope one算法的优点、原理及流程,针对Slope one算法未考虑用户兴趣变化和用户相似性这两方面的问题,提出了基于用户兴趣遗忘函数和用户最近邻居筛选策略的改进方案,以期提高推荐的质量,同时采用MovieLens数据集进行了实验验证,实验对比结果佐证了本文算法确实提高了推荐准确度并且减少了响应时间。     

基于改进K近邻的垃圾邮件过滤技术

提出了一种基于K近邻（KNN）原理的快速文本分类算法。该算法不仅具有原始K近邻算法分类效果好的优点,还通过对训练样本进行压缩,消除相似度之间的比较,提高了分类效率。实验表明,该算法用于邮件过滤系统时,分类效果要优于基于朴素贝叶斯分类器的二项独立模型和多项式模型,而分类的时间复杂度与其相当,完全可以应用于实时邮件过滤。     

基于协同过滤的个性化Web服务选择方法

对传统的Web服务选择算法进行分析,并指出其在动态环境下存在的问题。为了解决该问题,提出了基于协同过滤算法的个性化Web服务选择方法,并设计了一个动态的Web服务选择架构,架构使用协同过滤算法对Web服务的服务质量(QoS)值进行预测并选择最优的Web服务以满足用户的需求。使用150万条真实Web服务的QoS数据与其他4类算法进行了对比实验,结果表明所提方法的可行性和准确性。     

一种结合基于项目和用户的个性化推荐算法

推荐系统是电子商务系统中最重要的技术之一.协同过滤技术是当今应用最普遍的个性化推荐算法.针对用户评分数据的极端稀疏性和算法的可扩展性,首先利用云模型计算项目间相似度来预测用户对未评分项目的评分,来增加用户评分数据,再根据项目分类信息将用户-项目评分矩阵转换为用户-类别矩阵,降低了评分矩阵的维度,最后利用云模型计算用户间相似度,得到目标用户的最近邻居.实验结果表明,该方法具有较小的MAE,提高了推荐系统的推荐质量.     

基于Spark的混合协同过滤算法改进与实现

针对传统协同过滤在推荐过程中存在的稀疏性、扩展性以及个性化问题,通过引入算法集成的思想,旨在优化和改进一种新型的基于Spark平台下的混合协同过滤。借鉴了Stacking集成学习思想,将多个弱推荐器线性加权组合,形成综合性强的推荐器。首先,算法基于近邻协同过滤,结合分类、流行度、好评度等对近邻相似度计算策略进行优化,旨在改善相似度的合理性以及相似度计算的复杂度,在一定程度上改善了评分稀疏性的问题;同时,该算法结合Spark分布式计算平台,充分借鉴分布式平台的优点,利用其流式处理以及分布式存储结构等特性,设计并实现一种推荐算法的增量迭型,解决协同过滤算法扩展性和实时性问题。实验数据采用UCI公用数据集MovieLens和NetFlix电影评分数据,实验结果表明,改进算法在推荐个性化、准确率以及扩展性上都有不错的表现,较以前同类型算法均有不同程度的提高,为推荐系统的应用提供一种可行的算法集成方案。     

一种基于改进的巴氏系数的协同过滤推荐算法

传统基于邻居的协同过滤推荐方法必须完全依赖用户共同评分项,且存在极为稀疏的数据集中预测准确性不高的问题。巴氏系数协同过滤算法通过利用一对用户的所有评分项进行相似性度量,可以有效改善上述问题。但该种方法也存在两个很明显的缺陷,即未考虑两个用户评分项个数不同时的情况以及没有针对性地考虑用户偏好。在巴氏系数协同过滤算法的基础上进行了改进,既能充分利用用户的所有评分信息,又考虑到用户对项目的积极评分偏好。实验结果表明,改进的巴氏系数协同过滤算法在数据集上获得了更好的推荐结果,提高了推荐的准确度。