个性化服务中用户兴趣聚类算法研究

讨论了个性化服务中用户兴趣建模对聚类算法的要求,指出经典聚类算法应用于用户兴趣聚类时的不足。在基于图论的K近邻聚类算法的基础上进行改进,提出一种基于相似度的聚类算法。实验证明,与K近邻算法相比,该算法能够显著提高聚类质量,有效区分孤立点,适用于用户兴趣聚类。     

基于潜在因子模型的跨领域信息推荐算法

互联网环境下,不同领域中多源异构信息对象的交互融合使用户面临大数据环境下的信息选择困境,传统的信息推荐算法已很难适应跨领域的信息推荐服务.综合分析了不同领域内用户对信息对象的评价数据,基于潜在因子模型抽取了不同领域中某一用户聚类集合对某一信息对象聚类集合评分模式的跨领域共性特征和单领域个性特征,进而通过传递、共享跨域共性特征信息的方式缓解了目标领域的数据稀疏性问题,提高了跨域信息推荐的准确度.     

一种改进的基于用户聚类的协同过滤推荐算法

为克服在线视频网站中出现的数据稀疏性和推荐实时性不佳的问题,本文提出一种基于用户聚类的改进算法.首先该算法以商品属性为辅助预填充矩阵空白,然后采用初始聚类中心优化的k-means算法在矩阵上对用户进行离线聚类,将兴趣点相同的用户聚集到同一类别中,最后在线寻找目标用户最近邻并产生推荐.本文采用MovieLens作为测试数据集,实验结果表明,本文算法可以有效缓解数据稀疏性及改善实时性,并在一定程度上提高推荐精度.     

基于用户兴趣和双重聚类融合的协同过滤算法的优化研究

协同过滤技术是目前应用最多的一种推荐技术,这项技术从用户提供的信息中展开发掘,按"物以类聚,人以群分"的原则产生和目标用户(或项目)相似性高的最近邻,从中预测评分,进而产生推荐。但是由于评分信息稀疏化就会造成无法适应用户兴趣,而且推荐的实时性差等问题。针对上述问题,文章提出了一种带有改进的用户-项目类型喜好相似性的计算方法完善用户兴趣改变的问题,并且结合了优化后的双重k-means聚类,使搜索最近邻的范围大大减少,从而提高了推荐算法的实时性。实验结果表明,该优化后的协同过滤推荐算法能通过时间相似性更好地适应用户兴趣的变化,推荐的精度最精确,效果更易使用户满意。     

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。     

基于阴影集的多粒度三支聚类集成

聚类集成旨在通过融合多个不同的基聚类结果得到一个统一的类簇划分.针对现实环境中的模糊和不确定性数据,本文提出了一种基于阴影集的多粒度三支聚类集成算法.算法首先使用FCM聚类产生一组有差异性的基聚类成员,并通过阴影集构造三支聚类.然后引入多粒度粗糙集构建了四个近似集合,将每一个类簇划分为一个核心域和三个边界域.最后对边界域中的数据依次划分到核心域中,无法划分的对象则留在边界域,最终得到了三支聚类集成的结果.实验结果表明,本算法在准确率、调整兰德系数和归一化互信息方面,与多种现有的聚类集成算法相比得到了更好的聚类集成结果.     

基于项目与用户的组合推荐算法研究

协同过滤技术是当前推荐系统中应用最广泛的推荐技术之一,随着系统用户规模的激增,传统的协同过滤技术存在实时性差、可扩展性差、数据稀疏性等问题。为了解决上述问题,提出了一种基于项目与用户的个性化组合推荐算法。首先,利用项目聚类对未评分项目进行评分预测,并填充用户-项目评分矩阵;再将项目聚类结果与用户行为特征相结合并对其进行用户聚类;最后,根据近邻相似性计算实现TOP-N推荐。实验表明,提出的组合推荐算法显著提高了推荐系统的准确性与实时性。     

一种基于网页浏览行为的用户兴趣度计算方法

用户兴趣度的计算是个性化服务的核心,而用户浏览网页时的行为能反映用户的兴趣。文中着重分析保存页面、收藏页面以及网页浏览速度这三种网页浏览行为,且在此基础上结合用户兴趣衰减因子,提出一种新的基于网页浏览行为的用户兴趣的计算方法,并利用K-means算法将浏览的网页内容聚类成不同主题,最后基于这三种网页浏览行为和用户兴趣衰减因子计算用户主题兴趣度。实验结果表明,提出的用户兴趣度计算方法是有效的。     

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。     

基于MDS变换聚类算法的数字电视用户特征提取

 提出利用MDS(Multidimensional Scaling)变换聚类算法提取数字电视用户的收视特征,解决了传统聚类算法因中间聚类中心无距离度量而无法应用的问题.基于实际运行的有线数字电视系统,建立了由时间、频道、节目主类别、节目子类别表述的节目特征模型及节目差异模型;提出了基于MDS聚类算法提取用户收视特征的具体步骤;基于实际用户收视记录的计算结果具有特征一致性,以提取特征为基准的节目推荐结果与用户实际的收视记录比对,具有70%准确性.     

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.     

Homonyms Discovery in Folksonomy Based on User Community Analysis

Due to the capability of reflecting social perception on semantic of resources, folksonomy has been proposed to improve the social learning for education and scholar researching. However, its actual impact is significantly influenced by the semantic ambiguity problem of tags. So, in this paper, we proposed a novel way of detecting homonyms, one of the main sources of tag's semantic ambiguity problem, in noisy folksonomies. The study is based on two hypotheses:1) Users having different interests tend to have different understanding of the same tag. 2) Users having similar interest tend to have common understanding of the same tag. Therefore, we firstly discover user communities according to users' interests. Then, tag contexts are discovered in subsets of folksonomy on the basis of user communities. The experimental results show that our method is effective and outperform the method finding tag contexts using all tags in folksonomy with overlapping clustering algorithm especially when various users having different interests are contained by the folksonomy.     

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.     

使用历史点击数据提高用户偏好分级性能

将文档按照用户偏好进行准确分级是搜索引擎的一个重要需求.本文通过使用条件随机场(conditional random field,简称CRF)方法为用户历史点击数据建模,提取相关信息,使最终的文档分级列表正确的反映用户的偏好.通过仿真测试,与隐马尔可夫(HMM)方法建模进行对比,证实CRF方法能更好的提高对用户偏好的分级.比较了两种方法的性能,并对实验结果进行了分析.     

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.     

一种基于用户偏好分析的查询优化方法

该文对如何满足不同兴趣用户的查询需求进行了研究,提出了一种基于用户偏好分析的查询优化方法。该方法将用户对网页的偏好转化为对本体知识库中实例的偏好;分析本体实例之间的语义关联,发现隐含的用户偏好;综合用户偏好历史,建立用户当前状态下偏好的数学模型,以预测用户对网页的关注程度。实现了相应的原型系统,实验结果表明,相对于传统的个性化搜索技术,该文提出的方法能更有效地获取用户偏好,适应用户偏好的变化,提高搜索引擎查询的准确率。     

一种基于QoE量化评估的服务选择算法

针对如何为互联网用户从多个相同或相似的服务中进行选择的问题,提出了一种新的服务选择算法:基于QoE(Quality of Experience)量化评估的服务选择算法(A Service Selecting Algorithm Based on Quantified QoE Evaluation,ASSABQ).该算法基于一种层次化评分模型,从历史评分中学习获取用户偏好,根据多种评价因素计算每个可用服务的满意度,并选择满意度最高的服务给用户.与已知算法相比,ASSABQ算法的复杂度从O(n²)下降到O(n).仿真实验结果表明,在相同应用场景下,采用ASSABQ算法得到的用户满意度比已知算法提高约10%.     

On the network utility optimal allocation of radio resources in WCDMA systems

We discuss an optimization framework for radio resource allocation in a WCDMA system supporting elastic traffic. In particular, we assume the users' preferences as driven by utility functions depending on the assigned transmission rate, and the network capacity constraints as related to interference and power limitations. In this framework, we perform the constrained instantaneous network utility maximization through a logarithmic barrier method. The obtained results are compared and discussed.     

Improvement of LDA model with time factor for collaborative filtering

Collaborative filtering (CF) is one of the most widely used Algorithm in recommender systems, which help users obtain the information they may like. We proposed a latent Dirichlet allocation (LDA) model combining time and rating (TR-LDA) for CF. We use mathematical methods to fit the Ebbinghaus forgetting curve in our method and introduce time weights based on time window to find out the impact of time on user's interests. The user's choice of items is not only influenced by his/ her interests, but also influenced by other's rating. According to the users' feedback, we find their rating distribution on items under the interests. Finally, experimental results on real data sets MovieLens 100 k and MovieLens 1 M show that the proposed Algorithm can predict the user implicit interests effectively and improve the recommendation performance.     

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。