基于兴趣度的Web用户聚类方法

现有的Web用户聚类方法都是通过对用户喜好页面的访问模式分析来建立用户聚类,没有充分考虑时间意识、用户兴趣、用户访问模式之间的关系与影响.针对这一问题,在时间意识的Web用户聚类基础之上,提出了基于兴趣度的Web用户聚类方法.通过对日志文件中的用户访问模式进行分析,计算用户兴趣度.结合渐进遗忘算法,对用户兴趣爱好进行调整与更新,并在此基础上对用户进行聚类.实验表明,本方法能够更好地分析用户访问模式,更准确地计算用户兴趣,具有更好的聚类效果.     

用户兴趣空间的Web页面聚类

文章基于日志挖掘，提出一种在用户兴趣空间中进行Web页面聚类的算法。算法的基础是用户访问频率矩阵A。A的行对应页面向量，列对应用户向量，A中元素是用户对页面的访问频率。对A中的行做聚类可以对页面进行相关聚类，对A中的列做聚类可以对兴趣相似的用户进行聚类。文章认为A中的这两种聚类是一对对偶问题。文章基于A和A中这两种聚类在权重之间的对偶关系，提出了用户兴趣空间的概念。用户兴趣空间突出了用户的共同兴趣，是一个正交空间。实验结果表明，与在A中直接做页面聚类相比较，用户兴趣空间中的页面聚类取得了较好的效果。     

一种基于Web文本聚类的用户兴趣发现模型的研究

研究了一种基于Web文本聚类的用户兴趣发现方法．他通过Web文档信息获取，文本的形式表示，以及Web文本聚类方法最终提取用户兴趣知识，并给出了一个设计模型。     

基于加权矩阵聚类的Web日志挖掘算法

Web服务器日志中记录了用户的浏览模式,为了从中提取出具有相似访问模式的用户群,对其提供个性化服务,提出一种针对Web日志的分析方法。通过构建UserID-URL关联矩阵,引入加权关联矩阵,提出一种基于加权矩阵的聚类算法——多标记传播算法。实验表明,该算法在Web日志挖掘中进行用户聚类和页面聚类是高效可靠的。     

一种基于页面聚类的 We b概念化建模新方法

Web结构优化技术在降低访问延迟、提高访问效率上具有重要作用。由此提出根据用户访问路径建立Web层次模型（WHM）,利用页面相似度合并同层相似页面,从而构建Web概念化模型（WCM）。实验及分析表明, WCM模型能够在适度聚类的情况下清晰地展现Web结构。此外,将WCM模型应用于预取系统,该模型所采用的聚类算法在预取效率方面明显优于传统方法,具有可行性和高效性。     

感知Web服务质量的测度研究

确定各种网络服务或应用服务的SLA(服务等级协约)参数是实施SLA管理的前提之一。基于Web服务的实现机理以及用户浏览习惯，定义了两个易于测量的Web服务内在性能测度：平均响应延迟和交付速率。在两个实验中，分别在不同时间不同上网条件下访问特定Web站点一段时间，在客户方被动测量相关Web流量、计算上述两测度值，同时记下用户当时感知服务质量的主观评价值。对两次观测数据分别进行线性回归分析，发现两测度相结合确实能够反映用户访问Web站点时的感知服务质量。     

Web站点的安全机制分析及常用防范措施

通过对Web站点安全机制的剖析，从用户访问控制、文件访问权限和II)地址访问控制等方面尽可能全面地阐述增强Web站点网络安全性的途径。     

一种基于用户访问模式优化网站结构的算法

提出一种算法，通过挖掘Web日志中的关联规则，发现用户访问兴趣间的关联度和站点拓扑结构的不一致，并结合网站既有的拓扑结构，对于通常在用户的某次浏览过程中同时被访问．但在网站拓扑中相距较远的内容页面集，增加页面间的直接链接，最终实现网站系统结构的调整、优化，提高网站的访问效能。     

融合停留时间的隐Markov个性化推荐模型

静态模型在推荐系统中往往将用户的兴趣偏好看作是固定不变的,而在一定程度上与实际并不符合.为此,基于隐Markov动态模型提出一种融合停留时间的类时齐隐Markov个性化推荐模型(ctqHMM).该模型用隐含状态变量的转移来模拟Web用户的兴趣变迁,并用停留时间来描述用户对某一偏好感兴趣的程度和所推荐页面的重要性.然后,提出一种基于该模型平稳分布的用户聚类方法,并将其用于推荐系统中.在真实的Web服务器访问记录数据上的实验证明,类时齐隐Markov模型具有更好的推荐性能.     

基于用户特征的聚类方法在人机交互中的应用研究

随着网络技术飞速发展,对搜索引擎的要求也越来越高,然而对人机交互的的支持却没有充分体现出来。本文通过分析Web用户的不同检索需求,提出了以用户为中心的用户事务聚类方法,在聚类的相似性度量上,不仅考虑了用户在Web事务中对某页面的访问次数,还考虑了在该页面上的浏览时间。对用户查询请求不断进行修正后反复进行检索,从而有效提高了信息检索系统的精度和信息检索的协同工作能力,使得人机交互更加高效。     

面向Weblog的模糊协同聚类算法

面向Weblog的协同聚类算法具有同时发现用户聚类及与之对应的页面聚类的能力,已成为Weblog数据挖掘的重要研究内容。由于现有的面向Weblog的协同聚类算法大多采用硬划分方法将用户和页面分配到聚类,因此,无法很好地处理聚类边界的问题,即一个用户可能属于多个聚类,从而影响了聚类质量。该文给出了一种面向Weblog的模糊协同聚类FCOW(Fuzzy CO-clustering for Weblog)算法来解决协同聚类算法的边界问题,以提高聚类结果的质量。该算法首先利用矩阵Hadamard积运算发现Weblog中隐含的独立用户模式1={,,K}PA pa pa;其次,依据pa k所对应的页面子集将剩余用户分配到该独立模式中,从而产生协同聚类结果 {k,k}CS CP,k=1,,K;最后计算每个用户和页面与协同聚类之间的模糊隶属度,并以该隶属度作为个性化推荐的依据。实验结果表明,FCOW算法具有获得高质量聚类结果的能力。     

基于网络行为的人物心理刻画方法

随着网络用户的日益增多,许多互联网企业甚至事业部门需要使用用户画像来对不同网络用户进行心理刻画来了解用户。但用户画像算法一般存在着聚类算法的簇值必须手动指定以及无效关键字过多的问题。因此文章设计了一种新的基于网络行为的用户画像方法。该方法首先会对搜集到的用户数据进行分类;接着设计算法自动确定簇值,并将簇值代入聚类算法与分类算法后执行它们,从而在数据中提取关键字;之后使用分词算法进行标签的生成,并利用停用词过滤和关键字补遗机制来去除无效关键字;最后,使用词云算法生成用户画像文件。在采集不同用户的网络数据进行实验后,结果表明文章改进后的用户算法成功简化了聚类步骤,且无效关键字显著减少,用户画像能够更加精准地描述用户特征。     

A matching game framework for users clustering and resource allocation with wireless power transfer in a CR-NOMA network

This paper investigates the resource allocation in a massively deployed user cognitive radio enabled non-orthogonal multiple access (CR-NOMA) network considering the downlink scenario. The system performance deteriorates with the number of users who are experiencing similar channel characteristics from the base station (BS) in NOMA. To address this challenge, we propose a framework for maximizing the system throughput that is based on one-to-one matching game theory integrated with the machine learning technique. The proposed approach is decomposed to solve users clustering and power allocation subproblems. The selection of optimal cluster heads (CHs) and their associated cluster members is based on Gale-Shapley matching game theoretical model with the application of Hungarian method. The CHs can harvest energy from the BS and transfer their surplus power to the primary user (PU) through wireless power transfer. In return, they are allowed to access the licensed band for secondary transmission. The power allocation to the users intended for power conservation at CHs is formulated as a probabilistic constraint, which is then solved by employing the support vector machine (SVM) algorithm. The simulation results demonstrate the efficacy of our proposed schemes that enable the CHs to transfer the residual power while ensuring maximum system throughput. The effects of different parameters on the performance are also studied.     

基于用户分簇的认知超密集网络资源分配

针对5G时代小基站的密集部署带来的复杂干扰问题,对下行的认知无线电超密集网络下的资源分配进行了研究。为减小网络干扰,提高次用户吞吐量,提出了一种改进的基于用户分簇的资源分配算法。基于基站的覆盖范围,选出用户的强干扰基站,以用户-基站干扰关系建立用户-用户干扰图,按用户受到的平均弱干扰划分优先级对用户分簇,再为簇集群预分配频段,为每个簇分配对应频段中效用最大的信道。该资源分配算法能准确反映用户间的干扰关系,保障资源分配公平性。仿真结果表明,当用户密度与基站密度均较大时,与相同场景的已有算法相比,该改进算法有较好的抗干扰能力,能有效提高次用户的吞吐量。     

基于对称KL距离的用户行为时序聚类方法

网络用户随时间变化的行为分析是近年来用户行为分析的热点,通常为了发现用户行为的特征需要对用户做聚类处理。针对用户时序数据的聚类问题,现有研究方法存在计算性能差,距离度量不准确的缺点,无法处理大规模数据。为了解决上述问题,该文提出基于对称KL距离的用户行为时序聚类方法。首先将时序数据转化为概率模型,从划分聚类的角度出发,在距离度量中引入KL距离,用以衡量不同用户间的时间分布差异。针对实网数据中数据规模大的特点,该方法在聚类的各个环节针对KL距离的特点做了优化,并证明了一种高效率的聚类质心求解办法。实验结果证明,该算法相比采用欧式距离和DTW距离度量的聚类算法能提高4%的准确度,与采用medoids聚类质心的聚类算法相比计算时间少了一个量级。采用该算法对实网环境中获取的用户流量数据处理证明了该算法拥有可行的应用价值。     

自适应遗传算法下的NOMA用户动态分簇

NOMA(Non-orthogonal Multiple Access,NOMA)系统中的用户分簇策略对系统性能有着极大的影响。该文主要研究NOMA下行链路的用户动态分簇问题,其目的是最大化系统总吞吐量。与大多数文章不同,该研究对簇中用户数以及簇个数都没有限制。遗传算法可用于优化NOMA网络中的用户动态分簇,但标准遗传算法存在收敛速度慢且容易陷入局部最优的问题。基于此,该文将自适应调节参数的改进遗传算法用于用户的动态分簇,来改善上述问题。仿真结果表明,该算法相比于穷举搜索能够有效降低求解复杂度,且系统性能明显优于固定簇分配算法及自适应配对策略下的系统性能。      

静态分簇下的大规模分布式天线系统用户调度算法

在大规模分布式天线系统中，静态分簇和用户调度带来的簇间干扰问题会导致系统和速率下降。针对这个问题，提出了一种两阶段贪婪用户调度算法。首先，每个簇内并行实施贪婪用户调度；然后，从全局上再次利用贪婪算法来剔除簇间干扰较大、服务质量较差的用户，使得系统和速率进一步提升。仿真结果表明，随着不同系统参数的改变，两阶段贪婪用户调度算法可有效提高系统和速率。     

非正交多址技术中利用对称矩阵的用户分组

现有非正交多址接入技术中,用户分组算法的实现首先对信道相似度门限值进行判断,选出候选成组用户;进而对候选成组用户的信道增益差进行比较,选出最优的成组用户。然而,上述分步求解算法中信道相似度门限值的设置存在一定的随机性,导致候选成组用户的选取不准确,从而影响分组结果,限制系统性能的提升。针对上述问题,提出利用对称矩阵的用户分组算法,对用户信道相似度进行非线性变换,而后将用户信道相似度和增益差线性求和构建成新的信道信息矩阵,进一步利用该矩阵的对称性进行求解。仿真分析表明该方法分组结果比设置门限的传统方法更优,在不同用户数目时系统容量均得到提升。在传统方法门限值为0.95时,所提算法系统容量在用户数为16时提升了13.4 Mb/s。     

Mobility-driven user-centric AP clustering in mobile edge computing-based ultra-dense networks

ultra-Dense Network (UDN) has been envisioned as a promising technology to provide high-quality wireless connectivity in dense urban areas, in which the density of Access Points (APs) is increased up to the point where it is comparable with or surpasses the density of active mobile users. In order to mitigate inter-AP interference and improve spectrum efficiency, APs in UDNs are usually clustered into multiple groups to serve different mobile users, respectively. However, as the number of APs increases, the computational capability within an AP group has become the bottleneck of AP clustering. In this paper, we first propose a novel UDN architecture based on Mobile Edge Computing (MEC), in which each MEC server is associated with a user-centric AP cluster to act as a mobile agent. In addition, in the context of MEC-based UDN, we leverage mobility prediction techniques to achieve a dynamic AP clustering scheme, in which the cluster structure can automatically adapt to the dynamic distribution of user traffic in a specific area. Simulation results show that the proposed scheme can highly increase the average user throughput compared with the baseline algorithm using max-SINR user association and equal bandwidth allocation, while it guarantees at the same time low transmission delay.     

结合关联规则与FCM的用户聚类改进

结合关联规则与模糊C均值聚类(Fuzzy C-Means,FCM)进行用户聚类,首先将用户访问事务集构造出页面关联矩阵,以此来计算用户浏览路径之间的相似程度,接着利用FCM算法对用户进行聚类.通过与传统聚类比较的实验证明,此方法是有效的且更符合实际.