基于Creator的三种建模绘制算法研究

在视景仿真的建模过程中,模型的绘制算法是一个十分重要的因素。好的模型绘制算法能够帮助用户快速而且有效地建模。为了帮助用户了解和使用建模绘制算法,针对著名的视景仿真建模软件MultigenCreator的三种建模绘制算法,在阐述其计算机图形学原理的基础上,重点分析了其在建模过程中的表现形式,讨论了其各自的优劣性和组合应用的方法。实践证明,绘制算法的采取,必须视数据库文件的大小和组织形式而定。该算法对使用Creator建模有一定的指导意义。     

基于Creator的三种建模绘制算法研究

在视景仿真的建模过程中,模型的绘制算法是一个十分重要的因素.好的模型绘制算法能够帮助用户快速而且有效地建模.为了帮助用户了解和使用建模绘制算法,针对著名的视景仿真建模软件MultigenCreator的三种建模绘制算法,在阐述其计算机图形学原理的基础上,重点分析了其在建模过程中的表现形式,讨论了其各自的优劣性和组合应用的方法.实践证明,绘制算法的采取,必须视数据库文件的大小和组织形式而定.该算法对使用Creator建模有一定的指导意义.     

个性化服务中的用户建模技术

作为个性化服务的基础和核心,用户建模的质量直接关系到个性化服务的质量.文章将用户建模的过程分为5个关键模块:输入、输出、建模时间、建模的对象、建模算法,并围绕这5个方面,对用户建模当前的研究现状、所面临的关键议题进行了系统的论述.其中,输入模块为用户模型的建立提供了必要的数据源,输出模块则描述用户模型的表示方式,建模时间描述了建模的时间长度和更新方式,建模的对象描述了对谁进行建模,建模算法则描述了几种典型的建模方法.最后对用户建模的技术发展进行了展望.     

基于生成对抗模型的序列推荐算法

针对传统序列推荐算法时间信息和项目内容信息运用不充分的问题,该文提出基于生成对抗模型的序列推荐算法。通过生成对抗模型将序列建模与时间、内容信息建模分离,充分挖掘用户项目交互的序列信息和项目内容信息。运用卷积神经网络作为生成对抗模型的生成器,捕获用户项目交互的序列模式。运用注意力机制作为生成对抗模型的判别器,捕获交互序列的时间信息和项目内容信息。针对传统序列推荐算法时间信息建模不充分的问题,提出一种改进的时间嵌入方式,充分建模用户项目交互关于时间的周期性模式。利用生成对抗模型同时建模用户的稳定偏好和动态偏好,提升推荐系统的用户体验,并在公开数据集MovieLens-1M和Amazon-Beauty上与现有的优秀算法做比较。实验证明,该文所提出的算法在评价指标HR@N和NDCG@N上较基线方法均有一定提升。     

基于用户兴趣三维建模的个性化推荐算法

针对推荐系统中用户的个性化需求,提出一种基于用户兴趣三维建模的个性化推荐算法.通过分析用户行为数据,从兴趣广度、兴趣深度和兴趣时效3个角度分析用户的兴趣构成,对用户兴趣进行三维建模,并在此基础上,逐步添加维度,设计用户之间兴趣相似度的三级计算方法.在真实推荐系统数据集上的实验结果表明,用户兴趣三维模型比一维模型、二维模型更能准确地表征用户兴趣,基于用户兴趣三维建模的个性化推荐算法能够提高个性化推荐的准确率.     

基于用户浏览行为的用户模型调整算法研究

个性化信息服务越来越成为信息检索领域中研究的热点。针对用户模型构造问题,文章结合手工定制建模与自动分析建模技术;并改进文档特征向量的权重计算方式,提高特征向量表示文档的能力;并结合用户浏览行为的页面反馈度计算,提出了一种用户模型智能调整算法。模拟实验表明,该结构和算法能够有效地提高检索结果的准确度,并且具有良好的可适应性。     

基于张量相似度的推荐方法研究

传统推荐方法中将用户建模为向量的建模方式只关注用户单方面偏好，为了弥补此种建模方法的局限性，提出一种将用户建模为矩形的张量建模方法。构建了一个基于融合协同过滤与序列推荐算法的推荐模型，该模型集成了Fastformer模型和键值记忆网络对用户张量进行建模；结合用户张量与目标物品的距离及偏置项对用户张量与目标物品的相似度进行计算。在MovieLens和CiaoDVD数据集上对该模型进行实验验证，实验结果表明，该模型能够关注用户多方面偏好并在推荐结果的精准度上优于基线方法，特别是在HR与NDCG评价指标上分别比现有基线方法平均提高了1.4%、1.95%。     

论坛社区用户时空特征建模与挖掘

用户建模是提供个性化服务的基础工作.结合数据挖掘在论坛社区系统中的运用,把言论行为建模为数据记录,提出基于时空特征属性的用户模型(spatiotemporal feature based user model)表示和挖掘算法.不同于传统的基于文本特征的用户模型,SFBUM提供了量化的用户在时间和空间维度上行为特征的描述,并通过实验表明该模型的稳定性以及在社区用户角色分类上的运用.     

基于社会正则化的推荐算法研究

社会网络中包含大量的社会信息,如何从这些社会信息中发掘对用户有用的信息已成为学者和专家的研究热点。本文提出一种基于社会正则化的推荐算法:把改进的矩阵分解技术应用到社会化推荐中;利用社会网络中用户间的朋友关系来优化对用户的建模,学习更好的用户特征空间模型;利用社会网络中的标签信息建立用户和物品的关系,并利用这种关系来优化用户-物品的建模。实验结果表明,改进后的推荐算法的精确度高于传统的推荐算法,有效地解决了社会信息冗余问题。     

引入兴趣稳定性的时间敏感协同过滤算法

针对物品流行偏置现象,将物品流行度引入到用户兴趣中建模,提出了基于物品流行度的用户兴趣特征相似度模型。针对传统模型没有考虑到用户兴趣稳定性和难以实时捕获用户兴趣问题,在计算用户兴趣相似度过程中引入时间敏感和兴趣稳定性,提出了引入时间敏感的用户兴趣稳定性的相似度模型。最后,融合权重因子将两种相似度模型线性加权,提出了一种新颖的IPSTS算法模型。实验表明,该算法相比传统协同过滤算法在平均绝对误差（MAE）和均方根误差（RMSE）上均有明显降低的同时也能挖掘出长尾物品,缓解了物品流行偏置现象。     

基于用户兴趣的元搜索结果合成算法研究

元搜索引擎将为用户提供更全面的搜索结果信息,但在庞大的搜索结果中快速找到自己感兴趣的结果并非易事.针对查询结果合成问题,提出了一种基于用户兴趣的结果合成方法,在摘要法计算用户查询与查询结果相关度的基础上引入了词条等级和用户兴趣,实现了元搜索引擎的个性化.通过程序实现此算法,分别与单个搜索引擎以及其他几种结果合成算法比较,证明此算法保证了搜索结果的查全率,又提高了查准率,大大改善了用户检索效果和效率.     

A Novel Approach Based on Multi-View Content Analysis and Semi-Supervised Enrichment for Movie Recommendation

Although many existing movie recommender systems have investigated recommendation based on information such as clicks and tags, much less efforts have been made to explore the multimedia content of movies, which has potential information for the elicitation of the user’s visual and musical preferences.In this paper, we explore the content from three media types (image, text, audio) and propose a novel multi-view semi-supervised movie recommendation method, which represents each media type as a view space for movies.The three views of movies are integrated to predict the rating values under the multi-view framework.Furthermore, our method considers the casual users who rate limited movies.The algorithm enriches the user profile with a semi-supervised way when there are only few rating histories.Experiments indicate that the multimedia content analysis reveals the user’s profile in a more comprehensive way.Different media types can be a complement to each other for movie recommendation.And the experimental results validate that our semi-supervised method can effectively enrich the user profile for recommendation with limited rating history.     

基于支撑向量机的自适应信息推荐算法

提出一种新的基于支撑向量机的自适应主动推荐算法，该算法将用户模型按照层次化方式组织成领域信息和原子需求信息，考虑多用户同类信息需求，采用支撑向量机对领域信息结点中的原子需求信息进行分类协同推荐。然后再针对每一领域信息节点中的原子信息需求进行基于内容的过滤，最后将所有领域信息需求获得的推荐集按照一定的重要度等级进行推荐．本文所提算法克服了采用单一方法的弊端而使得推荐质量得到了很大的改善，基于标准测试集的测试结果表明该算法在查全率和查准率方面表现出了优越的性能，尤其适合大规模用户的自适应主动信息推荐。     

Learning for automatic personalization in a semantic taxonomy-based meta-search agent

Providing highly relevant page hits to the user is a major concern in Web search. To accomplish this goal, the user must be allowed to express his intent precisely. Secondly, page hit rating mechanisms should be used that take the user’s intent into account. Finally, a learning mechanism is needed that captures a user’s preferences in his Web search, even when those preferences are changing dynamically. To address the first two issues, we propose a semantic taxonomy-based meta-search agent approach that incorporates the user’s taxonomic search intent. It also addresses relevancy improvement issues of the resulting page hits by using user’s search intent and preference-based rating. To provide a learning mechanism, we first propose a connectionist model-based user profile representation approach, which can leverage all of the features of the semantic taxonomy-based information retrieval approach. A user profile learning algorithm is also devised for our proposed user profile representation framework by significantly modifying and extending a typical neural network learning algorithm. Finally, the entire methodology including this learning mechanism is implemented in an agent-based system, WebSifter II. Empirical results of learning performance are also discussed.     

个性化推荐系统中的用户建模及特征选择

提出了一种基于向量空间模型的用户模型表示及其动态学习算法，研究了用户建模中的特征选择，提出了一种根据词性标注信息将词频法和TFIDF方法相结合的特征选择方法。实验结果表明这种动态学习算法能实时捕捉并记录用户最新的兴趣需求，从而准确地推荐出符合用户兴趣的信息，同时这种基于词性标注的组合特征选择方法的效果好于单独使用词频法或TFIDF方法。     

Extraction of user profile based on workflow and information flow

A collaborative team usually consists of team members with various domains. These members’ demands for knowledge are also different from each other. For recommending potentially useful knowledge to suitable members, their user profiles should be well managed and maintained. User profile can be input by the members, but a more intelligent way should be the automatic extraction of the user profiles. Workflow and information flow are two types of collaborative processes, which exist behind every collaborative team. This paper is mainly concerned with how to extract these team members’ user profile from the two types of contexts: workflow and information flow. This paper defines a model for the user profile. Then some methods are proposed for extracting the profile information on the basis of workflow and information flow. This study on the user profile extraction can pave the way for developing knowledge recommender systems, which can recommend proper knowledge to proper team members with a collaborative team.     

Dynamic adaptation of numerical attributes in a user profile

Recommender systems try to help users in their decisions by analyzing and ranking the available alternatives according to their preferences and interests, modeled in user profiles. The discovery and dynamic update of the users’ preferences are key issues in the development of these systems. In this work we propose to use the information provided by a user during his/her interaction with a recommender system to infer his/her preferences over the criteria used to define the decision alternatives. More specifically, this paper pays special attention on how to learn the user’s preferred value in the case of numerical attributes. A methodology to adapt the user profile in a dynamic and automatic way is presented. The adaptations in the profile are performed after each interaction of the user with the system and/or after the system has gathered enough information from several user selections. We have developed a framework for the automatic evaluation of the performance of the adaptation algorithm that permits to analyze the influence of different parameters. The obtained results show that the adaptation algorithm is able to learn a very accurate model of the user preferences after a certain amount of interactions with him/her, even if the preferences change dynamically over time.     

个性化信息检索方法研究

个性化信息检索是十分有用的检索方法,用户模型能够表示用户个人的爱好与兴趣,有许多研究工作以各种方式使用用户模型扩充问句.提出一种新的基于一元语言模型的方法.它通过对包含多个主题域的长期用户模型的学习得到相关的语义内容,对问句进行扩展后进行检索,得到更接近用户兴趣的结果,然后再与伪相关反馈模型相结合,进一步提高检索性能.通过实验证明,该方法取得了较好的效果.     

一种基于本体的个性化模式库建模方法

搜索引擎的"千人一面"为人们信息检索时带来了很大的烦恼,个性化模式库技术的引入解决了这个问题,使得搜索引擎能够很好地满足人们的个性化、智能化需求.提出一种基于本体的个性化模式库建模方法,通过树图和空间图相结合的方法来建模,在空间图中建立本体节点,并引入区间值模糊集理论,同时给出相关定义和公式,在对该方法进行理论分析的基础上,设计了一个实现算法.这种建模方法对改进传统树形建模的不足有一定益处,更利于建立、使用和完善用户个性化模式.理论分析证明,该算法具有正确性、有效性并且复杂性低的特点.     

基于地理标签的LBSN链接预测模型

为更深入挖掘用户位置信息,本文从位置语义相似性角度挖掘用户特征.利用LDA算法对用户签到信息进行位置主题建模,采用Gibbs采样算法计算LDA模型中的分布函数,并根据这些分布提出了基于签到地点语义的用户相似性特征向量.利用有监督的机器学习算法,综合LBSN的网络结构信息、签到地点信息、地点语义信息得到多维相似性特征向量来进行链接预测.在Gowalla数据集上的实验结果表明,相较于传统的链接预测算法,将基于签到信息的多个相似性特征作为辅助信息的链接预测算法显著提高了LBSN链接预测的性能.