基于Web挖掘与相关反馈的多层次用户兴趣挖掘算法

针对现有用户兴趣挖掘算法单一的缺点，提出了基于Web挖掘与相关反馈的多层次用户兴趣挖掘算法，在充分挖掘Web内容的同时，又将用户对网页的相关性反馈引入到算法中，实现显式提交信息与自动隐式学习相结合。实验证明该算法能较好地描述用户的兴趣类型及兴趣度，为实现个性化信息检索奠定了基础。     

一种基于用户兴趣度模型的Web路径挖掘算法

针对目前在挖掘用户访问行为方面存在的准确性不高的问题,本文提出了一种用户兴趣度模型.并基于这个模型设计了一个web访问路径挖掘算法,用来更准确地挖掘用户的访问模式,实现网站的个性化服务.     

基于兴趣的Web挖掘中用户身份的识别新方法

分析了基于用户兴趣的Web挖掘中用户身份识别的重要性,以及对下一步路径填充的影响.针对目前众多的Web挖掘用户身份识别方法的缺陷,提出了一种基于兴趣的Web挖掘用户身份识别新方法.该方法通过取得用户的CPU号或网卡号,对用户的打扰为零,实现用户的个人身份识别.该方法简单易行,对Web挖掘中用户身份识别所存在的5个难题解决4个,提高了用户身份识别的准确率,为Web挖掘的准确性提供了保障.     

基于Web挖掘的用户兴趣建模方法的研究

基于用户兴趣的不同,研究如何针对用户的浏览行为来获取用户的有效兴趣数据,并根据现有用户兴趣模型存在的不足,结合Web挖掘中的相关技术,先显式构建用户兴趣模型,后隐式更新用户兴趣模型,从而实现能适应用户兴趣变化的用户兴趣模型。     

基于Web挖掘的个性化技术研究

针对用户特性向用户提供个性化服务已经成为Web技术的研究热点。Web挖掘是实现Web个性化服务的关键技术之一。研究了Web挖掘技术,阐述了Web挖掘技术存在的不足,并对应用Web挖掘技术实现个性化服务的发展前景进行了分析。     

基于用户访问记录的Web挖掘研究

从Web日志挖掘存在的困难和不足出发,结合电子商务个性化服务的特点,引入用户访问记录进行Web挖掘,提出了一种Web挖掘中数据采集与预处理的新思路,指出了该思路的实现方法和特点。提出了引入用户访问记录后的Web挖掘体系结构。     

基于XML的Web搜索推荐系统中用户兴趣模型的建立研究

本文主要介绍了基于XML的Web挖掘中用户兴趣模型的建立方法,该方法采用静态与动态相结合,对客户端用户weblog、cookies及Web收藏夹记录做分析,建立静态用户兴趣模型,并根据用户的浏览行为及反馈等动态的更新该模型。很好的解决了以往推荐系统中显式获取用户主动选择兴趣不准确,更新不及时等缺点;又弥补了隐式获取中用户兴趣捕获的不完整。     

Web访问挖掘预处理的用户识别算法

Web访问挖掘是目前网上智能信息检索和电子商务的主要研究课题之一。该文主要对Web挖掘技术中的预处理过程进行了研究,着重分析了其中的用户识别方法,并给出了一个用户识别的通用算法。     

基于WWW缓存的用户长期兴趣发现

建立用户兴趣模型是实现个性化服务的关键技术之一.利用Web挖掘的方法,针对用户的兴趣变化,结合用户浏览Web页面的日期和相应Web页面特征项的词频,来建立用户长期和短期兴趣,并且通过模拟实验,验证该方法的有效性.     

基于Web日志挖掘的用户模式识别研究

为提高聚类算法的准确性,通过先对数据集抽样,再对样本数据进行K-means聚类,选出聚类中心,然后为整个数据集中的每个簇单独设置一个阈值的方法对传统的BIRCH算法进行改进。实验表明,在同等条件下,改进后的算法相比传统的BIRCH算法精确度更高,耗时更少。     

基于聚类的隐式用户兴趣建模

随着Internet的迅速发展,人们必须面对信息爆炸的现实.描述了一种关键词向量的方式表达用户兴趣.将BIRCH聚类算法应用于用户访问的网络文档上来建立用户兴趣模型.基于Myspace用户日志,又实现了一个用户兴趣建模系统,该系统验证了提出方法的有效性.     

基于用户兴趣分析的网页生命周期建模

网页在其生命周期内的活跃程度会随时间发生变化。有的网页只在特定的阶段有价值,此后就会过时。从用户的角度对网页的生命周期进行分析可以提高网络爬虫和搜索引擎的性能,改善网络广告的效果。利用一台代理服务器收集的网页访问量信息,我们对网页的生命周期进行了研究,给出了用户兴趣演变的模型。这个模型有助于更好地理解网络的组织与运行机理。     

基于用户当前兴趣的网页预取方法

提出了一种基于用户历史浏览情况和当前访问兴趣来对网页进行预取的算法.算法中改进了对用户页面兴趣的计算方法,借助于滑动窗口来实现预取,并综合考虑了用户兴趣和服务器负担的平衡来进行预取.实验结果表明,该算法能够较好地完成网页预取.     

基于Web浏览内容和行为相结合的用户兴趣挖掘

通过对用户浏览的Web页面进行聚类分析,并与采用线性回归分析用户浏览行为相结合,得到了采用加权关键字矢量表示的用户兴趣模型,实验证明该模型能较好地描述用户的兴趣类型及兴趣浓度,提高个性化信息服务的效率。     

User Intention Modeling in Web Applications Using Data Mining

The problem of inferring a user's intentions in Machine–Human Interaction has been the key research issue for providing personalized experiences and services. In this paper, we propose novel approaches on modeling and inferring user's actions in a computer. Two linguistic features – keyword and concept features – are extracted from the semantic context for intention modeling. Concept features are the conceptual generalization of keywords. Association rule mining is used to find the proper concept of corresponding keyword. A modified Naïve Bayes classifier is used in our intention modeling. Experimental results have shown that our proposed approach achieved 84% average accuracy in predicting user's intention, which is close to the precision (92%) of human prediction.     

基于RSS信息源的用户兴趣模型研究

互联网迅速发展,个性化信息服务成为研究的热点之一.在个性化信息服务的研究中,用户兴趣建模是核心问题之一.本文针对 RSS 标准的信息源,从用户兴趣知识获取、用户模型表示、用户模型学习、用户模型更新这四个方面论述了基于 RSS 的用户兴趣模型构建过程中的理论、方法和技术.     

分布式Web用户兴趣迁移模式挖掘研究

提出了一个结合Web文本挖掘的分布式Web使用挖掘模型DWLMST,以及基于该模型的局部浏览兴趣迁移模式更新算法LITP和全局浏览兴趣迁移模式更新算法GITP。利用页面聚类来表示用户兴趣。通过将用户事务中的页面替代为相应的聚类号来得到用户浏览兴趣序列。从用户浏览兴趣序列中分析得到用户浏览兴趣迁移模式。算法较好地解决了Web访问信息的异地存储、实时增长等因素给模式分析过程带来的困难,同时也提高了用户浏览兴趣表示的准确性。     

基于访问兴趣的Web用户聚类方法

基于Web日志的信息挖掘具有重要的意义,比如识别兴趣相似的客户群体有利于实现推荐和个性化服务。采用了多元线性回归分析用户浏览行为,直接对兴趣相似矩阵进行λ截聚类,最后通过计算项与类的连接强度来调整聚类结果。实验结果证明了该算法具有较高的准确率和良好的扩展性。     

Web日志挖掘的用户识别算法研究

Web日志挖掘是将数据挖掘技术应用到Web服务器的日志中,发现Web用户的行为模式,以便进一步改善网站结构或为用户提供个性化的服务。文中探讨了Web日志挖掘中的用户识别算法,提出了一种多重约束条件的用户识别算法。     

基于web日志和网页特征内容的用户兴趣度计算

在电子商务网站中能够了解用户的兴趣爱好,并能恰当地推荐出用户需要的信息是一项非常重要的工作.笔者提出了一种基于web日志并结合页面特征内容及用户浏览时间的面向个性化信息推荐的用户兴趣计算方法.该方法在将网页根据特征内容分为多个主题类型的基础上,采用一种"一次会话,单一目标"的原则,可以科学的计算出用户对各主题类型和商家的兴趣度.