基于用户偏好的垂直搜索算法

提出并研究、实现了基于用户偏好的垂直搜索算法(PVSA)。以领域特征为基本出发点,PVSA借助领域主题偏好向量、领域元数据权重因子、检索名词差异化、行业词典库更新等4项策略,有效地挖掘、表征用户的领域个性化偏好,以此为基础构建基于用户偏好的垂直搜索算法。实验结果表明了PVSA算法的有效性和可行性。     

用户-电影网中基于属性和用户偏好的推荐方法比较研究

针对经典的基于物品的协同过滤和基于用户的协同过滤没有考虑物品的属性和用户的偏好,提出了两种新的推荐方法,即基于物品属性推荐和基于用户偏好推荐,并将其应用于用户-电影网.根据推荐准确率、召回率、新颖性和多样性等度量指标,将提出的方法与经典的推荐方法进行了比较.模拟结果表明,推荐方法的性能与推荐列表长度有关,随着推荐列表长度的增加,四种推荐方法的召回率和新颖性都呈上升趋势,多样性都呈下降趋势,并且就推荐新颖性和多样性而言,提出的方法优于经典的推荐方法;就准确率而言,相对于其他三种方法的推荐准确率随推荐列表长度的增加一直呈下降趋势,基于用户偏好推荐的准确率先上升,后下降,效果较好.整体来看,提出的两种推荐方法能够高效和准确地向用户推荐合适的物品.     

一种基于用户反馈的不确定语义关系发现方法

在互联网环境下,不同数据源之间的语义异构问题,是制约来自多个数据源数据有效集成的主要挑战.现有语义匹配方法的不确定性,导致不同数据源之间的数据集成难以有效解决.为此,本文利用本体名称和本体结构信息这2个最重要的特征,在避免为用户带来过多负担的前提下,将用户引入传统的语义匹配过程,提出了基于用户反馈的语义匹配方法UF-Matcher.实验证明,本文的方法可以在不为用户带来过重负担的前提下,有效提升匹配结果的准确率.     

基于代理的用户偏好建模研究

基于移动代理系统,将马尔可夫判决过程和智能强化学习算法相结合,提出了在异构无线网络环境下对移动用户业务偏好进行智能建模的技术框架.为动态环境下用户需求的感知、量化和适配特征的研究提供了基本的数学描述,为解决用户体验的评价问题和业务与业务环境的适配问题提供了新的研究思路.     

基于用户偏好特征的微博转发预测

在线社交网络为信息的传播提供了渠道,但同时也加快了不良信息的传播速度。针对真实场景下新浪微博社交网络中的转发现象,分析了微博网络中用户之间的相互影响关系,以及微博文本内容等特征对受众用户的影响,证明了这些信息对于预测微博转发序列的有效性。提出了一种综合微博用户偏好信息及关系信息的微博转发序列预测方法,该方法使用Transformer编码器分析了微博发布之后的早期转发序列,随后,使用注意力机制处理微博文本信息和其他信息对转发过程的影响,预测下一步可能会转发的用户。从真实社交网络中提取得到微博的转发序列,共涉及14 891位用户,使用提出的方法处理该数据集,实验结果表明,所提方法的概率排名TOP500的准确率达到71%,对比当前同类型预测方法,所提方法的性能提升了约10%。     

基于隐马尔可夫模型的用户兴趣漂移模式发现方法

把隐马尔可夫模型引入到兴趣漂移模式发现方法中,采用概念漂移的思想处理用户兴趣的漂移,拓展了隐马尔可夫模型的应用领域,提出了基于隐马尔可夫模型的用户兴趣漂移方法,由此可以发现用户带有兴趣的漂移模式,反映用户的访问偏好.     

一种支持用户风险偏好的服务评估方法

针对服务质量波动所造成的选择风险性,提出一种支持用户风险偏好的服务评估方法.首先,根据区间数理论处理缺失信息,对用户评分进行完整描述.然后,根据用户面对不确定信息的风险倾向性不同,引入风险偏好对用户进行细分,并确定用户的服务感知风险.最后,根据服务收益最大化原则,将服务属性进行划分并结合用户属性偏好度得到服务收益,权衡服务收益与用户感知风险得到综合评估结果.仿真实验表明:与其他服务评估方法相比,本方法在表达用户属性偏好的同时也清晰表达了用户的风险偏好特征,更好地体现用户个性化差异,具有更高的用户满意度.     

基于用户交互行为的群组推荐偏好融合策略

为尽可能减小群组成员对所推荐项目的不满意度,提高推荐系统的准确度,在传统推荐系统的基础上,提出一种基于用户交互行为的偏好融合策略。通过成员间协同过滤获得用户对项目的预测评分,通过组间协同过滤获得群组对项目的预测评分,再利用用户间的交互行为获得用户在群组中的权重,进而获得群组对推荐项目的最终评分。通过改进的GMAE评估模型对本融合策略进行验证和评价, 结果表明,本策略在准确度、推荐项目多样性方面较传统协同融合策略有明显提高。     

基于ResNet神经网络的情报用户隐式反馈关注度预测

针对用户在浏览态势情报后反馈少或无反馈,导致用户需求难以有效获取的问题,提出了基于ResNet50用户关注度预测方法．该方法充分挖掘用户的隐式反馈信息,通过ResNet50神经网络迁移学习方式,以用户关注度作为切入点,利用眼动追踪技术采集眼动数据,生成眼动热力图,将用户对情报的关注度预测映射为神经网络对图像的分类问题．实验结果表明,优化后预测模型的准确性得到了提升．     

在线读书社区中的用户阅读偏好及社团发现

为了揭示在线读书社区中用户阅读的学科偏好及阅读兴趣的多样性,抓取了豆瓣读书社区的数据,利用用户共同阅读关系构建图书网络,结合复杂网络理论和机器学习方法对网络进行了研究。发现图书网络中,学科之间的双向权重近乎相等;阅读哲学、政治学等人文社科的用户跨学科阅读最为广泛,而阅读矿业工程、核科学与技术等工程科技学科的用户跨学科阅读最窄;二级学科网络具有3个明显的社团,对应人文社科、工程科技和基础科学三大领域,跨学科研究的适合度由高到低依次为基础科学、人文社科和工程科技。研究结果对于图书跨学科交叉推荐具有重要意义。     

移动个性化信息服务中的用户兴趣模型挖掘

以移动终端离线浏览系统为基础，研究了利用数据挖掘的理论和方法如何得到准确描述用户兴趣的用户模型. 该方法首先对收集到的移动用户浏览新闻的行为进行分析，并且对这些新闻的内容进行聚类分析，通过挖掘算法得到用户的兴趣模型. 实验证明,该模型能较好地描述用户的兴趣，提高个性化信息服务的效率.     

移动个性化信息服务中的用户兴趣模型挖掘

以移动终端离线浏览系统为基础，研究了利用数据挖掘的理论和方法如何得到准确描述用户兴趣的用户模型. 该方法首先对收集到的移动用户浏览新闻的行为进行分析，并且对这些新闻的内容进行聚类分析，通过挖掘算法得到用户的兴趣模型. 实验证明,该模型能较好地描述用户的兴趣，提高个性化信息服务的效率.     

基于用户兴趣模型的个性化查询

为了更好地解决用户查询词的准确性,研究了如何从用户搜索的上下文所提供的个人信息和其使用过程中的隐式反馈来推断出用户的兴趣。开发了智能客户端Web搜索代理,可以进行相应的隐式反馈。实验表明,Web搜索代理可以提高搜索的准确率。     

一种面向用户反馈的智能分析与服务设计方法

针对用户评论数据,提出了一种面向用户反馈的智能分析与服务设计方法。该方法选取了IOS平台多个App的用户评论数据,对其进行智能挖掘和分类,分析其中的潜在需求。首先,分析用户需求类别,将划分的10个需求进行具体定义。其次,对用户数据进行爬取、清洗和标注,形成软件分类数据集。通过实验检验TextCNN、BiLSTM＿Attention和BERT对用户评论数据智能分类的效果,将分类结果进行优先级排序。最后,将该方法封装成一种可重用的智能服务供使用者远程调用。实验结果表明：TextCNN模型综合效果最好,在单一指标Precision上,BERT模型效果最好;BERT模型利用并行计算优化训练过程,使其可拓展到大规模项目,在数据量大、精确性要求比较高的情况下,推荐BERT模型;反之,在应对数据小、时限紧的情况时,推荐TextCNN模型。     

基于任务链的产品设计实例反馈方法

为实现产品实例对设计过程的支持,提高产品开发效率与质量,提出面向用户的实例反馈方法.通过建立基于设计任务链的实例反馈模型,将知识由静态描述拓展到动态描述,运用概念捆绑和用户意图分类方法剔除因描述的不严密所产生的干扰信息,将直观的样本实例反馈为任务链信息,利用匹配任务链节点的关联分析获得新的关联任务,进而重构获得满足用户需求的产品模型,实现产品设计的实例反馈.该方法在低压电器产品开发中得到了应用验证,通过对低压断路器设计实例分析,构建设计任务链节点的关联关系,重构断路器设计语义.     

基于带偏好DEA模型的长株潭城市群公路交通效率评价

从城市群公路交通系统的输入和输出角度出发, 给出城市群公路交通效率的输入输出指标体系, 建立数据包络分析 (data envelopment analysis, DEA) 模型及带偏好DEA (A-prefer-DEA, PDEA) 模型, 进而对长株潭、长三角和珠三角城市群公路交通效率进行有效计算和综合评价.传统DEA模型的评价结果表明:长株潭城市群公路交通效率为DEA弱有效, 长三角和珠三角公路交通效率为DEA有效;PDEA模型评价结果更直观, 长三角、珠三角和长株潭公路交通效率值分别为1.678 2、1.577 9和0.866 2, 长株潭公路交通效率与长三角和珠三角的差距比较明显.     

客户反馈挖掘技术研究

当前,网络中存在大量关于产品的评价和顾客反馈的数据,因此对这些数据进行挖掘和总结就变得尤其重要。对这类数据的处理主要包括抽取产品特征和分析反馈数据的情感倾向两个步骤。本文主要分析了适用于这两个步骤的技术与方法。     

一种基于用户投资偏好与产品特征的P2P网贷个性化推荐算法

互联网金融的蓬勃发展,在将普惠金融的实惠带给投资者的同时,也因理财产品的多样化,给投资者带来了挑选适合自己的网贷产品的困扰。鉴于此,系统结合P2P网贷平台投资者的个人投资偏好和平台产品的特征,设计了一种基于用户账户持续时间、活跃度及投资偏好的P2P网贷个性化推荐算法,以节约投资者决策时间,加快平台资金筹集进度。     

基于用户关系挖掘的多策略推荐算法

个性化推荐服务为解决网络信息过载问题提供了有效手段。传统的推荐方法大多只关注于如何提高推荐的准确性,而忽略了推荐多样性对用户体验的影响。文章将社会网络用户关系挖掘应用于用户偏好预测及推荐中,提出了一种基于用户关系挖掘的多策略推荐算法。采用信任传播模型挖掘用户间的信任度,计算用户偏好配置文件的余弦相似性获得用户间的相似度,并给出4种将用户信任度、相似度结合的策略,在定义用户偏好预测函数的基础上采用Topn原则为用户给出推荐结果。实验结果表明,文章方法不仅减少了数据稀疏性的影响,而且兼顾了推荐准确性与多样性指标,提高了推荐系统的整体性能。