基于Web使用挖掘的个性化服务技术研究

Internet的快速增长导致了对个性化服务需求急剧增加,Web使用挖掘正成为实现个性化系统功能的思想和方法的有价值的源泉。本文讨论了基于Web使用挖掘的Web个性化技术,并针对个性化系统的功能,介绍了相关数据采集和预处理技术及其在个性化系统中的应用。     

基于Web使用挖掘的个性化系统

Web个性化在信息量巨大的互联网中显得越来越重要.针对一般聚类算法不可以用于在线预测的缺点,提出了一个实现个性化的实时聚类算法,并对个性化系统模型进行了设计,使模型不但能实时提供个性化服务,还可以根据用户的短期浏览变化对个性化服务进行调整.最后通过实验系统验证了模型的准确性.     

一种基于Web数据挖掘的电子商务推荐系统

在对Web数据挖掘技术和电子商务推荐系统进行研究生的基础上,设计和提出了一种基于Web数据挖掘的电子商务推荐系统.该系统根据电子商务网站的基本特征,设计了用户当前兴趣表示方法和推荐算法,由于结合了Web使用挖掘和Web内容挖掘为顾客提供个性化推荐服务,从而较大提高了系统的推荐精确度,在实际应用中取得了较好的推荐效果.     

个性化推荐推荐系统中基于WEB 的挖掘

Intemet的普及和应用带来了WEB上的信息爆炸,如何基于WEB挖掘技术设计有效的信息推荐算法和推荐系统成为当前的研究热点。开发了一种基于WEB使用的推荐系统WRS（Web Recommendation System）,在该系统中,提出了一种利用图形分割技术聚类用户访问模式的算法,并采用最长公共子序列算法对用户目前的行为进行识别。理论分析和实验结果表明,改进后的模型在推荐质量上有了较大提高。     

一种基于Web使用挖掘的个性化信息推荐系统实现方法

为了提高基于Web使用挖掘的个性化信息推荐的有效性和效率,提出了将顺序模式和KP混合聚类遗传算法相结合的推荐策略,在Web日志预处理的基础上,设计出了一种基于Web使用挖掘的个性化信息推荐系统RSPIBOWUM的框架结构,并给出了基于这一框架结构的实现流程。结果表明,本推荐策略可以进行有效的个性化信息推荐,提高个性化信息推荐的效率。     

一个集成个人Web使用挖掘的个性化模型

本文以个人Web使用挖掘技术为基础,提出了一个个性化服务模型。模型详细地分析了个人Web使用挖掘的数据收集、模式发现及分析、个性化服务引擎等过程,并对各过程的个性化实现过程进行了分析。最后文章对个性化服务的发展进行了展望。     

基于s-Tree算法的个性化推荐服务研究

本文提出了基于关联规则的挖掘最大频繁访问的新算法——s-Tree算法,并以此去分析用户的访问模式,挖掘出特定用户访问模式和浏览偏爱路径信息,进而优化站点结构,为用户提供“一对一”个性化的Web页面访问预测及内容推荐。     

结合使用挖掘和内容挖掘的web推荐服务

随着Internet的基础结构不断扩大和其所含信息的持续增长,Internet用户越来越感觉容易在WWW服务中“资源迷向”。提高用户访问效率的方法有页面预取技术,站点动态重构技术和web个性化推荐技术等。现有的大多数web个性化推荐技术主要是基于用户使用记录的数据挖掘方法,没有或很少考虑结合页面内容—这才是用户真正感兴趣的。该文提出一种结合用户使用挖掘和内容挖掘的web推荐服务,该推荐服务根据频繁最大前向访问路径,提出含有导航页和内容页的频繁访问路径图概念,根据滑动窗口内的最近用户访问页面内容和候选推荐集中页面内容相关性,来向用户提供个性化推荐服务。经推荐质量分析,这种方法具有较好的推荐优化能力。     

Web数据挖掘在个性化推荐服务的应用

随着Internet的迅速发展和普及,人们在网络上开展的活动也越来越多,尤其是电子商务的兴起,使得网上购物逐渐成为一种时尚.然而由于互联网上的信息量日益增长,人们面对这些庞大的信息感到无所适从,花费大量时间在搜寻信息上,因此如何为用户提供更好的服务变得非常迫切.本文以数据挖掘理论为基础,分析和探讨了关联规则挖掘算法并应用该方法实现web个性化推荐服务.     

Web挖掘及个性化推荐中网站拓扑结构的获取、分析及应用

在分析了网站拓扑结构与Web使用挖掘以及个性化推荐之间关系的基础上，提出了一种超链接结构的分类方法，通过对网站结构信息的分析和处理，得到网站的拓扑结构并进行存储，从而解决了单个网站中Web使用挖掘及推荐中的若干实际问题．     

采用反馈机制的自适应Web推荐系统

Web服务的初衷是能让用户能够快捷方便地找到自己需要的资源,但是当前过量的网络资源反而增加了用户的麻烦。于是出现了结合用户对Web使用的数据挖掘应用的Web推荐系统。在传统Web推荐系统的基础上引入了反馈机制。使推荐系统在线给用户提供推荐功能的同时,对自身的推荐机制改进,更体现了个性化服务的灵活性。     

Web使用挖掘技术的分析与研究*

首先给出Web使用挖掘的定义和完整模型框架;然后对Web使用挖掘中主要步骤的最新研究进展状况作了详细的阐述和分析,其中包括数据采集、数据预处理、模式发现和模式分析;最后对未来的研究重点进行了展望.     

改进的遗传算法在Web使用挖掘中的应用

Web使用挖掘是近年来Web数据挖掘中的研究热点。针对传统遗传算法在提取关联规则问题时常采用固定染色体交叉概率和染色体变异概率,容易出现早熟、收敛速度较慢的问题,提出了改进的遗传算法,并在关联规则的提取中增加了用户页面兴趣度这一阈值,成功地运用到某商业网站服务器日志挖掘。实验证明,这种改进的遗传算法能够有效避免早熟收敛现象,是一种有效的方法。     

Web个性化推入技术与展望

对个性化服务技术中用户描述文件的表达与更新、资源描述文件的表达、个性化推荐技术及该领域的主要研究成果进行了综述。讨论了实现个性化服务的关键技术并对个性化服务技术进一步研究工作的方向进行了展望。     

基于负关联规则的Web使用挖掘技术及发展趋势

介绍了Web使用挖掘各阶段的主要工作以及相关技术,重点介绍模式发现阶段负关联规则的应用,并对将来Web使用挖掘领域的研究作了展望.     

个性化学习系统的聚类技术

基于日志的Web使用挖掘,利用用户访问页面的相关性提出用户兴趣度,并应用于远程教育中数据准备和页面的推荐过程．讨论教学过程中按需学习和因才施教的可行性,介绍聚类算法在预测推荐页面中的设计与应用．实验运行结果表明,该算法是可行和有效的．     

个性化Web推荐服务研究

本文主要论述了个性化Web推荐构成,提出了基于Web挖掘的个性化推荐服务研究中的用户聚类、Web页面聚类、n元预测模型及页面加权算法。利用这些算法得到的个性化信息可以准确把握用户兴趣模式并为用户提供“一对一”的具备自适应性的智能个性化服务。     

电子商务推荐系统中推荐模型的研究

在基于Web使用挖掘的推荐系统中,高效地预测用户的浏览模式一直是研究的热点,但是,目前仅采用关联规则挖掘技术的Web推荐系统在预测用户未来浏览模式时很难取得令人满意的结果。提出三种推荐模型以提高预测精度、减少响应时间,实验表明,通过三种推荐模型的组合能够显著改进推荐的准确率、覆盖率和匹配率。