基于动态网站的语义数据挖掘模型研究

WEB使用挖掘正逐渐成为WEB个性化服务领域的研究重点,它通过对用户历史使用信息的分析,实现网站的个性化服务。然而,由于动态网页对象URL结构的特殊性,导致了WEB使用挖掘在动态网站应用上的局限性。论文在基于WEB使用挖掘分析的基础上,针对动态网站数据挖掘和个性化服务,提出了语义数据挖掘模型,并详细描述该模型的挖掘流程。     

基于改进关联规则挖掘算法的图书推荐服务

针对关联规则Apriori挖掘算法存在的缺点,本文提出了一种新的改进算法,并将该算法应用于图书推荐服务模型,以满足读者的个性化信息服务需求。     

基于Web挖掘的个性化推荐模型

本文提出一种基于Web挖掘的个性化推荐模型,对web结构数据、内容数据和使用数据进行聚类分析,聚类挖掘结果通过统一的向量空间模式表示,从而为推荐模型提供一致的表示形式。由于集成了上述三种web挖掘结果,在使用数据比较少或web站点内容变化比较频繁的情况下．该模型也能提供高质量的个性化推荐服务。     

基于XML的个性化Web内容挖掘研究

基于XML的Web内容挖掘逐渐成为Web数据挖掘的重要研究课题。论文定义了用户模型,通过三种途径建立用户模型,将XML和个性化技术应用到Web内容挖掘,设计了一个基于XML的个性化Web内容挖掘系统(PWCMS),并讨论了PWCMS的关键技术及实现。实践证明,将XML和个性化技术应用到Web内容挖掘是有效的。     

时间上可持续的多兴趣偏好推荐系统

近年来, 推荐系统已经成为数据分析与挖掘、信息检索领域方向的热点. 然而, 部分推荐系统应用于用户多兴趣偏好还存在着问题: 首先用户的兴趣不唯一, 且对多个兴趣的偏好不等同; 其次用户当前的兴趣是否会在未来时间中持续. 基于此, 本文通过利用用户产生多兴趣并捕获其个性化需求的可持续性, 提出了一种MIES算法模型, 该模型能够很好捕捉到用户潜在的多种兴趣, 并注重用户兴趣的可持续, 提高了推荐的质量. 通过对比实验表明该模型有效解决了推荐系统对用户多维兴趣的捕捉和个性化兴趣的可持续性.     

基于Web挖掘的个性化教学推荐系统

针对学生网络学习环境设计了一种新颖的个性化教学推荐系统。该系统通过测试学生的学习风格和挖掘Web浏览日志,构造了不同学生学习风格和Web使用习惯的模型。首先利用Item-Based Top-N推荐算法对数据稀疏的学习风格测量数据进行处理,实现对学生学习风格的诊断;然后,采用AprioriAll算法挖掘Web浏览日志中序列频繁集,分析出学生Web使用的常见习惯和兴趣;最后,依据不同的学习风格和Web使用习惯实现学习内容的个性化推荐。模拟实验表明,该推荐系统的设计是可行并有效的,能够很好地符合用户的真实需求。     

基于本体的Web挖掘在个性化E-learning系统中的应用

针对当前e-learning系统中存在着资源利用效率低和学习内容单一、个性化不足等问题,设计一个基于本体的web挖掘的个性化e-learning系统,通过应用web挖掘和本体技术,使得该系统能根据学习者的知识结构、学习目标、学习风格、偏好等特征信息提供适应学习者的教学方法和学习资源,营造个性化的网络学习环境。实验表明本体技术能明显改善挖掘效果,提高学习资源库的管理效率,有效促进学生的网络学习,满足学生个性化学习的需求,为系统的决策分析提供了智能的辅助手段。     

关联规则算法在Web个性化服务中的研究与应用

重点研究了Web日志挖掘,提出了一个Web个性化信息挖掘模型,设计了某高校图书馆个性化服务系统My Library。系统采用关联规则挖掘算法,从服务器日志中得到用户感兴趣的隐式模式,并将该隐式兴趣集推荐给用户,从而在一定程度上实现了个性化服务。     

移动计算环境下远程用户体验数据挖掘方法研究

在移动计算环境下,通过对远程用户的体验数据优化挖掘,满足远程用户的个性化需求,提高对远程用户QoS服务质量;传统的数据挖掘方法采用显著特征关联信息提取算法,当远程用户体验数据之间的差异性特征不明显时,挖掘的准确性不好;提出一种基于关联用户自适应链路跟踪补偿的移动计算环境下远程用户体验数据挖掘模型,进行远程用户体验数据挖掘模型的总体设计和数据结构特征分析,对采集的远程用户体验数据进行非线性时间序列分解,对数据序列通过自相关特征匹配和特征压缩实现挖掘数据的指向性信息优化提取,采用关联用户自适应链路跟踪补偿方法实现对数据挖掘误差的控制和补偿,提高了数据挖掘的准确性和有效性;仿真结果表明,采用该挖掘方法进行移动计算环境下远程用户体验数据挖掘的准确度高,实时性较好,满足了移动远程用户的个性化需求,提高了对用户服务的针对性。     

企业内部基于角色协作的个性化搜索系统

随着信息系统的升级和Web 2.0系统的广泛应用,现代化企业的内部信息正在呈爆炸性的增长,为提高海量信息检索的精确度,该文设计一个个性化搜索系统,该系统采用分类和聚类等传统信息过滤技术,提出基于角色的协作模型。实验结果表明,新的协作模型能更有效地挖掘企业用户的个性化需求,使搜索结果更为精确。     

一种具有最大推荐非空率的关联规则挖掘方法

为了提高个性化推荐的质量,简化推荐规则生成过程中相关参数的设置,讨论了应用于个性化推荐中的关联规则的性质,定义了"推荐非空率"这一新的推荐测度以及"1-支持频繁项集"和"k最大关联规则"的概念,提出了"在1-支持频繁项集中生成k最大关联规则"的思想,设计了满足该思想且适合于不同滑动窗口深度下推荐的关联规则挖掘算法.理论分析及实验结果表明,该算法具有最大的推荐非空率、较高的推荐准确率和F-测度,并有效地简化了规则挖掘过程中阈值的设置.     

关联挖掘中的时效度研究

传统的关联挖掘算法,以支持度和置信度作为评价标准来衡量规则是否有价值。然而,这种模式不能体现出数据的时效敏感特性,如Web数据和长期积累数据。文中将首次建立一个全新的时基模型来重新估计数据规则的价值,并给出时效度(time validity)作为新的规则价值衡量标准。最后,给出了基于这个新的时基模型的一种新并行算法。这种算法使得我们在挖掘过程中使用增量挖掘,而且使得用户可以通过互操作来优化挖掘过程。     

一种基于后项不定长关联规则的Web个性化推荐方法

Web usage mining plays an important part in supporting personalized recommendation on Web and association rule uncovers the interesting relations among items hidden in data. The paper gives an idea of association rule merging-deleting based on the analysis of association rule characteristics and implements it in the rule preparation before the Web personalized recommendation. Furthermore, based on the comparisons in precision, coverage and F1 of recommendation system and the rule numbers used in three kinds of association rules, a Web personalized recommendation method based on uncertain consequent is put forward. After integrative analysis of several recommendation methods, the method given in the paper can be thought as a good selection. At last several pageweighted techniques are introduced in the paper.     

基于用户偏好特征挖掘的个性化推荐算法

为了提升社交网络个性化推荐能力,结合用户行为分布进行个性化推荐设计,文中提出基于用户行为特征挖掘的个性化推荐算法,构建社交网络的用户行为信息特征挖掘模型,采用显著数据分块检测方法对社交网络用户特征的行为信息进行融合处理,提取反映用户偏好的语义信息特征量。从情感、关键词和结构等方面根据用户行为特征组,结合模糊信息感知方法进行社交网络个性化推荐过程中的信息融合处理,在关联规则约束控制下,构建社交网络用户偏好特征的混合推荐模型,实现用户偏好特征挖掘,根据语义分布和用户的行为偏好实现社交网络的个性化信息推荐。仿真结果表明,采用所提方法进行社交网络个性化推荐的特征分辨能力较好,对用户行为特征的准确识别能力较强,提高了社交网络推荐输出的准确性。     

基于前项不定长关联规则个性化推荐算法的研究

为了提高个性化推荐的质量,简化推荐规则生成过程中相关参数的设置,讨论了应用于个性化推荐中的关联规则的性质。提出了一种新的存储结构FSTree,并在这种存储结构上探讨了基于前项不定长的关联规则挖掘算法,通过实验证明了该算法的准确率和综合测度。     

基于信息流的实时电子商务推荐策略

针对企业对实时个性化推荐的需求,基于信息流的表达、生成和分析对顾客访问记录进行了深层次挖掘,研究了电子商务系统实时个性化推荐策略。提出了包含信息流定义、信息流评价、知识匹配、网站动态组织等算法在内的个性化推荐算法。基于J2EE技术完成了包含客户端、服务器端和存储系统在内的实时动态个性化推荐系统的结构设计。实例表明,随着训练次数的增加推荐准确度呈升高的趋势,并优于关联规则法。     

一种支持个性化Web推荐的聚类分析

提出基于关联的聚类分析方法,挖掘具有相似访问兴趣的用户访问模式,分离不相关的用户模式,并提出基于关联的聚类算法。实验证明,该算法大量减少不相关的用户访问模式,提高个性化推荐质量。为进一步研究个性化推荐技术奠定基础。     

A hybrid recommendation approach for a tourism system

Many current e-commerce systems provide personalization when their content is shown to users. In this sense, recommender systems make personalized suggestions and provide information of items available in the system. Nowadays, there is a vast amount of methods, including data mining techniques that can be employed for personalization in recommender systems. However, these methods are still quite vulnerable to some limitations and shortcomings related to recommender environment. In order to deal with some of them, in this work we implement a recommendation methodology in a recommender system for tourism, where classification based on association is applied. Classification based on association methods, also named associative classification methods, consist of an alternative data mining technique, which combines concepts from classification and association in order to allow association rules to be employed in a prediction context. The proposed methodology was evaluated in some case studies, where we could verify that it is able to shorten limitations presented in recommender systems and to enhance recommendation quality.     

基于相似度和信任度的关联规则微博好友推荐

针对关联规则个性化好友推荐中规则挖掘效率及推荐有效性不高的问题,首先提出基于散列及位图的改进关联规则算法BHA。该算法通过引入散列技术,减少了频繁2项集挖掘所需的时间;利用位图及相关性质,压缩无关候选项,减少了数据集所需的遍历次数。另外,在BHA的基础上,提出基于相似度及信任度的推荐算法STA,利用出、入相似度定义信任度,有效解决了新浪微博未提供显示信任关系的问题,同时弥补了相似度推荐未考虑用户间远近层次关系的缺陷。采集新浪微博用户数据进行实验,在关联规则挖掘效率的对比上,BHA挖掘所需的平均时间仅为改进AprioiriTid算法的47%;在好友推荐的有效性上,推荐算法STA较SNFRBOAR算法在准确率及召回率上分别提升了15.2%和9.8%。实验结果表明,STA能够有效降低规则挖掘所需的平均时间,并使实际好友推荐的有效性得到提升。     

基于关联规则挖掘的个性化智能推荐服务

为了解决WWW上的“信息过载”和“资源迷向”问题,该文提出了基于关联规则挖掘的个性化智能推荐服务。个性化智能推荐服务系统包括两个主要部分:离线部分和在线部分,在离线方式下,执行对WEB服务器的访问log文件的分析挖掘,获取用户事务模式,再采用支持度过滤方法获取频繁的用户事务模式,然后,生成聚集树。在在线方式下,针对当前滑窗的用户访问操作路径,采用基于聚集树的关联规则挖掘,获取匹配当前滑窗的用户访问操作路径的关联规则集,生成推荐的候选集。实现在线个性化智能推荐服务。试验结果显示,该文提出的方法是有效的和可行的。