基于用户访问路径分析的页面推荐模型

已有的基于访问路径分析的页面推荐系统大多由离线处理和在线处理两部分组成，由于其周期性离线处理的过程较为耗时，难以适应大型网站以及内容更新频繁的网站的需要。提出了一种新的基于用户访问路径分析的页面推荐模型。该模型采用在线处理方式，利用增量图划分方法形成页面聚类，依此生成动态页面推荐。模型以Apache模块的形式实现，可适用于大型网站以及内容更新频繁的网站。实验结果表明，该模型具有较好的整体性能。     

基于用户访问序列的实时网页推荐研究

应用序列模式挖掘的网页推荐系统具有较高的准确率。但是,目前广泛应用的基于树型结构的序列模式挖掘在页面推荐前需花费大量时间来统计历史访问页面的访问次数,降低了推荐效率。本文介绍了一种智能化网页推荐系统模型,该方法无需统计每个页面的访问次数,避免了重复访问数据库,且利用用户即时访问的滑动窗口,直接在模式树中搜索相匹配的访问规则,加快了推荐速度,较好地满足页面推荐实时快速的要求,最后试验表明其具有较好的推荐效果。     

基于用户访问路径分析的网页预取模型

随着网络信息的飞速增长,互联网已成为人们获取信息的重要来源.但是,受限于网络带宽,用户往往需要忍受较长的访问延时.为了缓解这种情况,人们提出了网页预取技术,用于降低用户的访问延迟,提高Web服务器的服务质量.提出一种基于用户访问路径分析的服务器端网页预取模型.模型通过对用户访问序列进行语义分析,提取路径中蕴含的信息需求,依此进行网页预取决策.为了实现用户访问序列中潜在意图的挖掘,模型还引入了隐马尔可夫模型.性能测试实验的结果表明,该模型具有较好的整体性能.     

基于虚拟表示模型的Web页面模块化设计方法

在虚拟网页技术基础上,借鉴模块化程序设计思想,提出了Web页面模块化设计方法。将虚拟网页技术与模块化相结合,可显著改变信息的组织与存储方式,具有支持模块级的网页设计复用、快速重组、扩展与更新等显著特点。     

基于混合用户模型的二分图推荐算法

用二分图来实现个性化推荐的算法越来越受到研究者的注意。文中提出混合用户模型下的二分图推荐算法（MNBI）,针对二分图推荐算法中存在的用户多、项目少时命中效率低的情况用混合用户模型进行改进,同时对于推荐中加权的二分图边的权值用用户集的总体的加权和进行改进。该算法基本思想就是在用户很多的情况下,用混合用户模型对用户首先进行一个预处理生成一定数量的用户集,然后用用户集和项目构成用户集-项目的二分图。通过在Movielens数据集中进行测试的实验结果表明,相比NBI算法,MNBI算法推荐的命中效率有一定的提高,同时对于推荐多样性有所提高,并且在数据冷启动情况下效果较好。     

面向访问序列模式的页面推荐方法

为了提高页面推荐质量,给出面向访问序列模式的页面推荐方法。此方法采用Web访问序列模式结果进行推荐,用树形结构存储挖掘得到的Web访问序列模式,在树形结构的基础上进行页面匹配。采用可变活动窗口技术,并引入页面选择关注度和页面平均访问度概念,将页面选择关注度、页面平均访问度与规则的可信度相结合作为页面推荐度进行推荐。实验验证了面向访问序列模式的页面推荐方法的可行性和有效性,此方法可以有效地提高推荐的准确率,并具有较好的综合测度。     

基于用户兴趣感知的多关系推荐模型

由于图卷积网络（GCN）能够利用高阶邻居的协作信号来更好地学习用户和项目的嵌入，它已经广泛应用于推荐系统。但在当前基于GCN的多关系推荐模型中用户节点的嵌入学习会受到与之兴趣不相似的高阶相邻用户的干扰，导致拥有不同兴趣的用户经过多层图卷积后会得到相似的嵌入，从而产生了过度平滑问题。因此针对上述问题提出了一个基于用户兴趣感知的多关系推荐模型（IMRRM）。该模型会在用户项目异构交互图中利用轻量化的图卷积网络得到每个用户的图形结构信息。子图生成模块利用用户的图结构信息和初始特征有效地识别出兴趣相似的用户，并将相似用户及其交互项目组成一个子图。通过在子图中进行深层嵌入学习来防止兴趣不相关的高阶邻居传播更多的负面信息从而得到更精确的用户嵌入。因此IMRRM模型减少了噪声信息对用户节点嵌入学习的影响，有效地缓解了过度平滑问题来更加准确地进行多关系推荐。通过在Beibei和Taobao这两个公共数据集上实验来验证IMRRM的有效性和鲁棒性。实验结果表明，IMRRM模型在HR10上分别提高了1.98%和1.49%，在NDCG10上分别提高了1.58%和1.81%，具有较好的性能。     

协同工作环境中基于用户行为的页面推荐

Wiki被广泛应用于协同工作环境,能实现用户的协同写作,但由于Wiki页面间导航的缺失,使用户很难找到目标页面。为此,使用协同过滤技术,通过对用户历史行为的分析,建立页面之间的关联,实现页面推荐系统。该系统使用基于用户行为的隐性评分,解决了Wiki中显性评分缺失的问题,并针对Wiki中用户关系随时间变化的特点,设计基于关联规则的相似度函数。应用结果表明,该系统能帮助用户快速找到目标页面,提高用户的浏览效率。     

基于访问日志挖掘的高校综合信息门户页面推荐研究

研究基于访问日志挖掘的高校综合信息门户页面推荐。从高校综合信息门户服务器日志中获取用户日志数据,对日志数据中的“脏”数据进行预处理,通过改进的K-means聚类算法将用户浏览兴趣度数据集划分为多个具有相近兴趣度的用户集合,凭此为用户提供个性化的页面推荐。实验结果表明,在高校综合信息门户页面推荐方面具有不错的效果。     

基于时效性的Web页面个性化推荐模型的研究

Internet的快速增长导致了对个性化服务需求急剧增加。该文通过分析个性化挖掘的特点,提出了基于时效性的Web页面个性化推荐模型。该模型的挖掘算法在FP-Tree的存储结构上加入时效价值系数,并进行增量挖掘。通过实验证明,该模型挖掘出来的信息,能够更好地符合用户的真实需求。     

基于多示例学习的中文Web目录页面推荐

多示例学习为中文Web挖掘提供了一种新的思路.提出中文Web目录页面推荐这种特殊的Web挖掘任务,并且将其转化为多示例学习问题来解决.在真实世界数据集上的实验结果显示,该方法能够有效地解决该问题.     

基于多示例学习技术的Web目录页面链接推荐

在Web目录页面中,向用户推荐其感兴趣的链接有助于用户高效地访问网络资源.然而,用户往往不愿花费很多时间来标记训练样本,其提供的数据可能只能说明某个目录网页是否包含其感兴趣的内容,而不能明确标示出其感兴趣的具体链接.由于训练数据中缺乏对链接的标记,但预测时却需要找出用户感兴趣的链接,这就使得Web目录页面链接推荐问题相当困难.CkNN-ROI算法被提出用于解决该问题.实验表明,CkNN-ROI算法在解决这一困难的链接推荐问题上比其他一些算法更为有效.     

基于Web社会网络的个性化Web信息推荐模型

随着Web信息量的快速增长,个性化的Web信息推荐系统扮演着越来越重要的角色。目前,大多数Web信息推荐系统存在着个性化程度不高,时用户历史数据依赖性高,系统不具备开放性,用户偏好“走样”概率高的问题。针对这四个方面的问题,本文提出了一种新的、采用语义web技术、基于Web社会网络的个性化Web信息推荐模型,详细分析了用户偏好的获取,Web社会网络的生成以及待过滤Web信息的采集。并且,利用从实际中采集的真实数据进行了实验,证明了模型的可行性和有效性。     

网页驻留时间约束的用户访问序列挖掘

对Web用户的访问序列进行分析,可以发现用户的爱好、兴趣、习惯等因素,为Web网站的升级修正提供必要的信息支持,提出一种通过对用户访问序列进行分析的数据挖掘方法,该方法采用网页驻留时间为参数来约减会话序列中的网页数,压缩频繁访问序列的规模。实验结果表明,该算法可以降低挖掘成本,为Web用户的商业数据挖掘提供有益的借鉴。     

基于Web页面的藏文在线输入技术

Web页面藏文在线输入技术,能够在浏览器中脱离本机输入法而进行藏文输入,实现藏文网络在线文字交互,为网络系统提供了跨平台的藏文输入解决方案。阐述了基于Web页面藏文在线输入技术的工作原理及基本设计思想,介绍藏文在线输入法的组成、内码外码设计原则和输入法流程,对藏文输入法进行系统分析,给出实现模型,论述浏览器内嵌藏文字体信息技术,达到在线、即时的藏文输入。采用内嵌法和外挂法,实现藏文在线输入技术与主流网页编辑器的整合。     

用户访问模式聚类分析在网页推荐中的应用

在基于Web使用挖掘的推荐系统中,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。该文将聚类分析方法结合关联规则推荐算法,应用于Web日志文件的挖掘,以改进个性化的推荐方法。实验表明,该算法能够显著地改进推荐测度的精确率指标和综合评价指标。