一种挖掘用户浏览模式的新方法

提出了页面兴趣度的概念,并把它用一个三元组(页面的访问时间,页面的大小,页面访问次数)表示.这个概念准确地反映了用户对页面的访问情况.在此基础上建立了以引用网页URL为行、浏览网页URL为列,页面兴趣度为元素值的网站访问矩阵.通过对该矩阵计算得到用户浏览偏爱路径.实验表明该算法能准确地反映用户浏览兴趣.     

融合长短期记忆网络与广义矩阵分解的神经协同过滤模型

在实现推荐的过程中,用户对项目的浏览和关注的时间顺序是推荐算法中重要的数据信息,同一用户在不同时间对项目的喜好不同对推荐结果也有着一定的影响.本文在神经协同过滤模型的框架下,提出将长短期记忆网络和广义矩阵分解进行融合,同时捕捉用户的短期偏好和长期偏好.利用长短期记忆网络对时序数据的强拟合能力,学习用户的短期偏好信息,捕捉序列的长依赖关系,通过广义矩阵分解学习用户的长期偏好信息,从而优化推荐算法,提高推荐性能.通过MovieLens-1M数据集进行试验后,结果表明,本文提出的新模型在收敛速度和推荐性能方面都有提升.     

从Web日志中挖掘用户浏览偏爱路径

Web日志中包含了大量的用户浏览信息，如何有效地从其中挖掘出用户浏览兴趣模式是一个重要的研究课题．作者在分析目前用户浏览模式挖掘算法存在的问题的基础上，利用提出的支持一偏爱度的概念，设计了网站访问矩阵，并基于这个矩阵提出了用户浏览偏爱路径挖掘算法：先利用Web日志建立以引用网页URL为行、浏览网页URL为列、路径访问频度为元素值的网站访问矩阵．该矩阵为稀疏矩阵，将该矩阵用三元组法来进行表示．然后，通过对该矩阵进行支持一偏爱度计算得到偏爱子路径．最后进行合并生成浏览偏爱路径．实验表明该算法能准确地反映用户浏览兴趣，而且系统可扩展性较好．这可以应用于电子商务网站的站点优化和个性化服务等．     

基于频繁的Markov链预测模型*

预取技术通过在用户浏览当前网页的时间内提前取回其将来最有可能请求的网页来减少实际感知的获取网页的时间.传统的Markov链模型是一种简单而有效的预测模型,但同时存在预测准确率偏低,存储复杂度偏高等缺点.通过提出一种算法来减小存储空间,最后通过证明能有效减小存储空间.     

基于Web日志挖掘用户的浏览兴趣路径

提出一种基于Web日志发现用户浏览偏爱路径算法。引入了支持-兴趣度概念。建立用户访问矩阵以表示用户浏览网页行为,并获得访问矩阵的海明距离矩阵。通过对距离矩阵与相似度阈值的计算获得偏爱路径的候选2项子路径,再利用支持-兴趣度对候选集做进一步的过滤,最后进行合并并生产浏览偏爱路径。实验表明该算法可以有效地反映用户的浏览兴趣。     

网站浏览路径预测

用户浏览因特网网站点击某个链接后,该链接的网页往往需要一段时间才能传送到用户端.为了缩短用户的等待时间,利用网站服务器的空闲CPU时间,对用户下一个HTTP请求进行预测,以便预处理下一个网页是一种可能途径.使用已分类的网页信息、用户配置文件和网站日志进行预测,介绍并且分析了16种预测算法.实验结果证明某些算法是比较有效可信的.     

基于智能推荐的电子商城购物系统设计

为提高网络购物的个性化体验,设计和实现了一个基于智能推荐的电子商城购物系统.为达到用户网页浏览行为的分析与预测,推荐算法结合了基于用户和基于项的协同过滤算法,系统构建用户具有偏序结构的关键浏览路径层次图.数据分析结果表明,改进后的推荐算法有助于提升推荐系统的性能,从而满足用户个性化需求.     

从Web日志中挖掘用户兴趣路径算法改进

引入一种挖掘用户兴趣路径的算法,并对其进行有意义的改进。算法的主要思想是：首先利用Web日志建立以引用网页URL为行、浏览网页URL为列的两个网站访问矩阵,分别采用访问次数和平均到网页中字符数的访问时间为元素值。然后,通过对矩阵进行路径兴趣度计算得到兴趣子路径,最后进行合并生成用户兴趣路径集。     

基于Web访问信息的用户兴趣迁移模式的研究

针对用户浏览网页的兴趣会随时间而变化这一现象,设计了一种网络用户兴趣迁移模式的挖掘模型。把用户的访问兴趣通过隐马尔可夫模型抽象成一种时间序列,以此反映用户兴趣的序列性,进而利用GSP算法从用户兴趣序列中挖掘出用户兴趣的迁移模式。实验证明该方法是有效的,从时间属性上更深层次地描述了用户兴趣的变化情况。     

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.