基于混合行为兴趣度的用户兴趣模型

用户兴趣模型是个性化推荐技术的基础与核心,针对现有用户兴趣模型在模型建立阶段用户兴趣评价的不足,提出了一种基于混合行为评价兴趣度值的方法,突出了用户阅读时间的特殊性,在用户阅读时间异常的情况下利用其它浏览行为来量化用户兴趣度,并结合用户的浏览内容提出了用户兴趣模型的表示和更新机制,从而建立用户兴趣模型。实验验证了兴趣度度量方法的有效性,将测试结果与K-Means聚类模型进行比较,该模型的推荐准确度有明显提高。     

基于本体的用户兴趣模型构建研究

针对用户兴趣模型中本体构建和模型更新的难点和不足,提出一种基于本体论的用户兴趣模型构建方法,该方法通过领域本体、用户个性本体、校正本体和本体更新实现模型的构建。对于领域本体的构建,摒弃了训练、学习和聚类的方法,直接从开放目录专案获取类目。对于用户兴趣的更新,采用按照校正本体增加、淘汰和传递原理调整相结合的方式。实验结果表明,该模型较易生成,用户兴趣的准确度和更新的及时性都有所提高。     

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.     

基于用户兴趣模型的推荐算法

传统的协同过滤算法虽然可以很容易地挖掘出用户的兴趣爱好,但存在数据冷启动和稀疏性问题.针对这些问题,提出一种基于用户兴趣模型的推荐算法.首先通过LDA主题模型训练数据集得到物品-主题概率分布矩阵,利用物品-主题概率分布矩阵得到用户历史兴趣模型,然后结合用户历史行为信息和物品内容信息得到用户兴趣模型,最后计算用户与候选集之间的相似度,进行TOP-N推荐.在豆瓣电影数据集上的实验结果表明,改进后的推荐算法能够更好地处理稀疏数据和冷启动问题,并且明显提高了推荐质量.     

基于简化ODP的用户兴趣模型

通过搜集搜索引擎用户的个人兴趣偏好,个性化搜索技术能够对搜索结果中的页面进行分析并与用户的兴趣进行比较,帮助用户从中找出更为感兴趣的结果,从而提高用户的搜索效率。通过利用简化的ODP目录层次结构进行训练以建立基本的用户兴趣树型结构,并在模型使用过程中通过用户的隐式操作反馈,对用户兴趣模型进行动态更新以反映用户不断变化的兴趣偏好。这一用户兴趣建模方法以简化的ODP结构为参考框架,并以用户个人的搜索行为作为模型修正和更新的依据,实现消除词条歧义并且表达用户个人兴趣偏好的目的。     

基于浏览历史的用户兴趣提取模型

提出了一种基于用户浏览历史的用户兴趣提取模型,它隐式地收集用户信息用于个性化搜索中,即是通过对用户兴趣度的定义,在用户的浏览历史中得到一组代表用户兴趣的网页,并设计一个聚类算法,对这组代表用户兴趣的网页进行聚类操作,从而得到能代表此用户兴趣类别的词,即用户的兴趣。     

基于用户兴趣模型的数字图书馆智能检索系统

针对传统数据检索系统存在的无法根据用户兴趣为其提供精准检索的缺陷,笔者提出基于用户兴趣模型的数字图书馆智能检索系统设计。根据软件系统设计要求,结合互联网技术为用户提供的多元化数据处理技术,进行智能检索系统整体框架设计;通过设置数据库的方式实现对数据的管理及归类。实验结果表明,该设计系统检索匹配程度更高,更具实用性。     

基于语义的个性化用户兴趣模型

探讨了主动服务和个性化服务,给出了以主要特征词描述语义的用户访问历史的表示方法,建立了动态的用户兴趣模型.用户的兴趣模型表示为二层,上层是基于类兴趣的用户模型,下层是基于主要特征词兴趣的类模型.上层描述用户对各个类的兴趣度,下层描述用户对各类中的主要特征词的兴趣度.在建模过程中,通过启发式规则限制模型维度,通过行权重实现最近最新优先.     

基于本体的用户兴趣模型的更新方法

本文描述了用户兴趣变化,给出了用户兴趣模型初始化方法。基于领域本体,提出了单向激活扩散的用户兴趣模型的更新方法,最后通过一个实例说明了更新过程。     

基于海量搜索历史数据的用户兴趣模型

针对互联网搜索引擎环境中,基于海量搜索历史数据分析用户兴趣的问题,提出一种改进的用户兴趣模型。该模型根据用户搜索的历史数据,结合向量空间模型（ VSM ）和TF-IDF算法,递归地回溯出用户兴趣权重列表。为解决用户兴趣变化和时间性能的问题,该模型引入时间遗忘机制进行动态更新,并在Hadoop分布式系统架构下利用MapReduce分布式编程模型进行实现。实验结果表明,改进的用户兴趣模型的查准率和召回率都能达到50',具有较好的可行性和可用性。     

基于图像内容的用户兴趣模型研究

对信息主动服务（即“推”服务）中用户对图像兴趣问题进行了研究。基于分析用户对图像内容的兴趣程度、图像对图像内容的从属度和用户对图像的兴趣程度,提出了基于图像内容的用户兴趣模型,并对模型的性质和维护进行了初步分析。最后通过仿真算例演示了该模型的计算流程。     

基于用户兴趣相似性的节点移动模型

针对现实生活中人们的社交关系和兴趣爱好对节点进行社会活动的驱动作用,提出了一种基于用户兴趣相似性的节点移动模型。该模型将节点对活动的感兴趣程度抽象为一个兴趣概率矩阵,利用皮尔逊相关系数计算节点的兴趣相似群体。仿真实验表明,该模型在一定时间范围内节点的相遇时间间隔和相遇持续时间的互补累积分布函数近似服从幂律分布,更加接近真实数据集统计结果得到的曲线,同时也表明了节点在进行夜间活动时,具有很强的时空规律性。     

基于隐式反馈的自适应用户兴趣模型

针对现有用户兴趣模型在模型建立以及更新阶段漂移策略的缺陷,设计了一种改进的基于隐式反馈的自适应用户兴趣模型。并将该模型与遗忘策略模型、滑动时间窗口模型和固定比例模型,做了精确率的对比实验,实验结果显示该模型的性能优于其他三个模型。     

一种新的可扩展用户浏览兴趣表示模型

在分析Web使用挖掘中现有用户浏览兴趣表示方法的特点和不足基础上,针对现有方法表示用户浏览兴趣准确性不高的缺点,提出了一种新的可扩展用户浏览兴趣表示模型（SIM）,并且给出了SIM的数据结构、SIM表示用户浏览兴趣的方法。以真实数据进行了实验分析,实验结果表明,SIM与现有方法相比有效地提高了表示用户浏览兴趣的准确性。     

基于文本聚类与兴趣衰减的微博用户兴趣挖掘方法

微博平台隐含潜在的用户信息,通过微博数据挖掘用户兴趣具有重要的社会意义。结合用户兴趣与微博信息的特点,提出了一种文本聚类与兴趣衰减的微博用户兴趣挖掘（TCID-MUIM）方法。首先,通过基于词林的同义词合并策略弥补建模时词频信息不足的弊端;其次,利用二次Single-Pass不完全聚类算法将用户微博划分为多个簇,将簇合并为同一文档以弥补微博文本短小难以挖掘主题信息的问题;最后,通过LDA模型建模,并考虑用户兴趣随时间变化的问题,引入时间因子,将微博—主题矩阵压缩为用户—主题矩阵,获取用户兴趣。实验表明,较之传统建模方法与合并用户历史微博为同一文档的建模方法,TCID-MUIM方法挖掘的用户兴趣主题具有更好的主题区分度,且更贴合用户的真实兴趣偏好。     

基于遗忘曲线的微博用户兴趣模型

为解决微博用户兴趣漂移问题,以人类记忆学中遗忘曲线为基础,提出一种微博用户兴趣模型,利用用户历史信息预测当前兴趣。在预测过程中,用户关注某信息的时间距离当前时间越远,该信息越容易被遗忘,其对用户当前兴趣的影响越小;用户关注某一领域的信息越多,印象越深刻,对该领域的兴趣度越高。这两点与人类对知识逐渐遗忘和重复学习的过程具有高度相似性,因此该模型预测准确性更高。实验结果表明,该模型能较好地预测微博用户兴趣,召回率可达85.3％,实用性较强。     

基于Web的用户可扩展兴趣表示模型

首先分析了向量模型度量用户会话的兴趣特征（SI）和聚类的兴趣特征（CI）方法的不足,在此基础上,提出了一种可扩展兴趣表示模型（SIM）,给出了它的数据结构,以及使用SIM表示SI和CI的方法,并分析了这种表示方法的性能优点,最后,通过实验,以实际数据验证了使用SIM表示SI和CI的优越性。     

一种基于用户兴趣的微博实体链接方法*

本文针对微博内容较短、歧义较大的问题,利用概率主题模型对用户的兴趣进行建模,提出了一种基于用户兴趣的微博实体链接方法。具体地,本文首先利用现有的主题模型从知识库的大量数据中训练实体与上下文词汇的语义关联,然后提出用户兴趣主题模型来建模用户对实体的兴趣以及微博的语义,并完成实体链接的任务。此外,本文在真实数据集上进行了大量实验和分析,取得了87.6%的实体链接准确率,实验结果表明,与现有方法相比,该方法通过用户兴趣的建模更好地刻画了微博的语义,因而也取得了更高的实体链接准确率。     

基于马尔科夫模型的用户兴趣转移建模

为解决在社交网络平台中的用户内容个性化推荐问题,提出一种微博用户兴趣转移模型。用户的不同兴趣在其生活以及社交网络平台中的内容所占比例趋于稳定,且在社交网络平台中用户下一时刻的内容受到用户当前内容的影响。提出基于LDA(潜在狄利克雷分布)主题模型推断用户主题分布、确定用户兴趣,在新浪微博系统上,基于马尔科夫模型的状态转移原理构造用户兴趣的转移模型,挖掘用户兴趣之间的转移概率,实现对用户微博内容进行预测。在真实数据集上验证了该模型的合理性和有效性,其推荐准确率达到78%。     

基于用户兴趣的PageRank算法改进策略

随着互联网海量信息的不断涌现,根据用户的兴趣提供相关查询结果,是现有搜索引擎要考虑的一个问题,PageRank算法是基于链接的排序算法,已在Google搜索引擎广泛应用,但其忽略了用户个性化需求。采用网页预分类技术,来表示用户查询的兴趣度,进一步提出改进传统的PageRank算法,从而能适当提高用户在使用搜索引擎方面的个性化需求。