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。     

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。     

基于Web的信息过滤机制

信息过滤目的在于依据用户兴趣进行动态信息搜索以满足用户的需求。文章给出了基于Web的信息过滤机制。它根据用户信息需求,建立公共模板,利用搜索引擎获取信息源;然后利用文档与用户模板的匹配机制,将相关文档推送给用户。在文档结构分析和相关反馈的基础上,提出了特征抽取和权重分配算法;将布尔模型和向量空间模型相结合,提出了文档与用户模板匹配算法。     

一种基于多实例的自适应用户模型

信息过滤中用户兴趣模型的表示是影响过滤精确度的最重要的因素之一。该文提出了一种基于多实例的自适应用户模型,它在一定程度上抑制了传统用户模型表示中同义现象对系统精确度的影响,并且使用户模型具有了关键词自动扩充和自适应能力。     

基于向量空间模型的个性化信息过滤系统研究与开发磁

论文提出了一种基于向量空间模型的用户个性化需求建模方法。对关键词权重算法作出改进,将网页分为四类逻辑段,通过计算关键词在各类逻辑段中的权重而加权得到综合权重。采用基于内容的构建原则和反馈原则,将用户模型构建分为训练阶段和自适应学习阶段。在训练阶段由用户给出的样本文档与关键词采用类重心分类算法训练得到初始用户模型;在自适应学习阶段,提出了基于 Rocchio 算法的周期性自适应学习机制,根据用户对过滤结果的评价,调整用户模型,以提高对用户个性化需求的动态追踪能力。开发了个性化信息过滤原型系统。以中国服装网为实验数据源,对比百度搜索引擎,测试系统的信息过滤性能。实验结果表明,系统索引更新及时,响应速度快,返回的信息更精确,更合理,更加符合用户的实际需求。     

基于用户特征的分步协同推荐算法*

协同过滤是解决信息过载问题的一种有效技术。然而基于内存的推荐面临着可扩展性问题,基于模型的推荐需要训练大量的参数。本文提出了基于用户特征的K-means用户聚类算法,然后用分步协同过滤框架融合基于项目和基于用户的协同过滤给每一个聚簇训练一个模型。实验结果表明本文提出的算法能极大的提高推荐精度,同时在一定程度上解决了基于模型和基于内存的推荐存在的不足。     

个性化网络信息过滤Agent的反馈评价机制

文章描述了信息过滤的作用,并介绍了一个基于Agent的万维网文档信息过滤系统。文中提出了个性化网络信息过滤Agent的结构及其实现方案,并讨论了用相关反馈评价机制更新用户兴趣模型的问题,建议用决策树从用户分类的文档集中学习用户的信息兴趣。     

基于用户兴趣反馈的智能合作过滤模型的研究

随着网络信息资源的迅速增加,如何及时准确地获取所需信息是现代网络信息过滤技术需要解决的主要问题.为了给用户提供更准确的信息,提出了一种基于用户反馈的智能合作过滤模型(Agent collaborative filtering model based on users'feedback,ACFM)和用户兴趣模型,该模型通过隐式反馈和显式反馈这两种用户兴趣反馈学习实现合作过滤.实验结果表明,ACFM在预测用户兴趣的效果和推荐搜索信息的准确率方面比传统的搜索引擎有明显改善.     

基于情感倾向的个性化信息推荐算法研究

目前,情感计算的研究在信息领域已引起越来越多的关注。同时,传统的信息推荐技术并不能满足用户的个性化需求,本文介绍的是基于情感倾向计算的个性化推荐算法。首先,将原始文本,根据用户的兴趣过滤。其次,用户表示通过用户阅读的过滤信息和选择的情感态度词。情感特征词的倾向性权重计算来建立用户的情感向量空间模型。最后,基于情感模型的文本分类,为用户做信息推荐。实验表明,该算法具有较高的精度。     

基于合作模式的文本过滤模型

文本过滤为因特网上用户提供信息服务,旨在帮助用户选择和处理自己感兴趣的文本。本文提出了基于合作模式的文本过滤模型。其基本思想是根据用户评注将用户分成若干类别,综合类别内外用户评注影响,给出了文本推荐机制,将相关文本推荐给用户。此外,利用相关反馈进行类别和参数重新调整,可以有效地改善过滤的效率。该方法不仅适用于单纯文本介质,而且还可以应用到其他非文本介质。