搜索引擎广告用户行为预测与特征分析

介绍了搜索引擎广告系统的基本运作模式。通过对广告四元组的特征提取、特征值平滑等操作, 将广告记录解析成为训练数据, 并将数据分为训练集和测试集, 使用支持向量机算法并利用训练集训练出的模型将测试集分类, 从而预测出用户的行为。通过对特征的分析, 得出对用户行为预测准确率影响最大的特征是点击率。实验证明, 在使用该模型中所有特征的情况下, 分类的准确率能够达到83. 17%。     

基于协同矩阵分解的社会化标签系统的资源推荐

应用来自Delicious的数据集, 通过对精确度和召回率等指标的测评, 研究了协同矩阵分解对社会化标签系统中资源推荐的有效性问题, 由于用户、资源、标签之间具有一定的相似性, 采用了通过同时分解三者在不同方向的潜在兴趣值, 对用户推荐其潜在兴趣方向相近的资源的方法。与协同过滤、图结构分析的结果进行了对比, 研究结果表明该方法要优于其他方法。为了证明协同矩阵分解的有效性, 对正规化、学习率、UT因子和IT 因子等各个变量也进行了参数敏感度分析。     

基于随机游走算法的社会化标签的用户推荐

利用来自Delicious的数据集,结合内容相似度的挖掘和语义关系处理,对社会化标签系统的用户推荐的算法进行了研究.具体工作为:利用标签和书签的语义关系,定义用户的内容信息,从而计算内容相似度;建立内容相似度与社会网络的用户链接关系,通过可重启的随机游走算法(RWR)结合来达成理想的效果.实验评测显示,无论是精确度还是召回率,该算法的效果都要明显优于baseline的算法.