个性化Web推荐服务研究

本文主要论述了个性化Web推荐构成,提出了基于Web挖掘的个性化推荐服务研究中的用户聚类、Web页面聚类、n元预测模型及页面加权算法。利用这些算法得到的个性化信息可以准确把握用户兴趣模式并为用户提供“一对一”的具备自适应性的智能个性化服务。     

基于s-Tree算法的个性化推荐服务研究

本文提出了基于关联规则的挖掘最大频繁访问的新算法——s-Tree算法,并以此去分析用户的访问模式,挖掘出特定用户访问模式和浏览偏爱路径信息,进而优化站点结构,为用户提供“一对一”个性化的Web页面访问预测及内容推荐。     

基于精确序列模式的网页个性化推荐

Web个性化系统的目标是为用户提供他们想要的或需要的信息,而不必明确询问用户的需求。传统推荐系统的方法是直接收集服务器日志作为Web使用数据,通过分析用户的行为模式,挖掘出用户的兴趣、偏好,然后将系统认为是与用户相关的网页链接向用户推荐。本文应用新的方法——远程代理收集Web使用数据,为数据预处理提供了方便,并提出了精确序列模式的方法进行Web页面推荐,扩展了N—Gram,从而分别提高了网页推荐的准确率和覆盖率。     

基于时效性的Web页面个性化推荐模型的研究

Internet的快速增长导致了对个性化服务需求急剧增加。该文通过分析个性化挖掘的特点,提出了基于时效性的Web页面个性化推荐模型。该模型的挖掘算法在FP-Tree的存储结构上加入时效价值系数,并进行增量挖掘。通过实验证明,该模型挖掘出来的信息,能够更好地符合用户的真实需求。     

基于WEB挖掘的个性化服务研究

针对用户特性向用户提供个性化服务将是web服务的发展趋势，本文从Web个性化服务的本质出发，详细地研究了实现Web个性化服务的关键技术：Web挖掘技术和信息推荐技术，并在此基础上设计了一个基于Web挖掘的个性化服务系统原型。     

Web使用挖掘技术及其在个性化站点中的应用

数据挖掘与万维网(WWW)是两个热门的研究领域,因此,两者结合的产物--Web挖掘--自然也就成为了当前的热门课题.Web数据挖掘包括Web内容挖掘,Web结构挖掘和Web使用挖掘三个研究方向.文中详细介绍了Web使用挖掘的体系结构及其技术,并介绍了它们在个性化站点中的应用情况.     

Web使用挖掘在电子商务中的应用研究

电子商务是新兴的现代商业模式,Web数据挖掘是先进的信息处理技术,把Web挖掘应用于电子商务是一个十分有意义的研究方向。本文在简单介绍Web挖掘的基础上,重点介绍了Web使用挖掘及其在电子商务中的应用。并且提出了一种应用于电子商务环境,基于客户选择的,运用Web使用挖掘技术的个性化推荐方法。     

支持个性化推荐的用户分类规则挖掘的研究

提出了一种应用决策树分类技术进行用户分类的方法 ,通过对 Web会话文件的处理、赋予类标记及决策树分类过程 ,实现了根据访问模式对用户的分类 ,以便个性化推荐和指导能够针对不同类别的用户进行 ,从而提高 E- Ser-vices中个性化服务的质量 .还讨论了待分类数据集中条件属性的选择和决策属性的类标记问题 ,给出了应用分类规则进行推荐的过程     

基于Web挖掘的个性化网络教学系统的设计与实现

设计了一种基于Web挖掘的个性化网络教学系统，该系统结合Web使用挖掘、web内容挖掘和Web结构挖掘的挖掘结果为学生提供个性化的推荐服务，即使在使用数据比较少，或教学内容变化比较频繁的情况下，也能为学生提供高质量的个性化推荐服务。     

Web挖掘在个性化远程教育中的应用

基于Web挖掘，提出了一种新的个性化远程教育模型。它能充分利用用户Web访问记录，同时结合用户与站点的交互数据进行挖掘，以此来发现学习者的浏览（学习）兴趣，从而改进页面的设计，优化站点结构，更好地满足学习者的个性化需求，提升个性化远程教育的质量。     

结合使用挖掘和内容挖掘的web推荐服务

随着Internet的基础结构不断扩大和其所含信息的持续增长,Internet用户越来越感觉容易在WWW服务中“资源迷向”。提高用户访问效率的方法有页面预取技术,站点动态重构技术和web个性化推荐技术等。现有的大多数web个性化推荐技术主要是基于用户使用记录的数据挖掘方法,没有或很少考虑结合页面内容—这才是用户真正感兴趣的。该文提出一种结合用户使用挖掘和内容挖掘的web推荐服务,该推荐服务根据频繁最大前向访问路径,提出含有导航页和内容页的频繁访问路径图概念,根据滑动窗口内的最近用户访问页面内容和候选推荐集中页面内容相关性,来向用户提供个性化推荐服务。经推荐质量分析,这种方法具有较好的推荐优化能力。     

Web挖掘及个性化推荐中网站拓扑结构的获取、分析及应用

在分析了网站拓扑结构与Web使用挖掘以及个性化推荐之间关系的基础上，提出了一种超链接结构的分类方法，通过对网站结构信息的分析和处理，得到网站的拓扑结构并进行存储，从而解决了单个网站中Web使用挖掘及推荐中的若干实际问题．     

个性化推荐推荐系统中基于WEB 的挖掘

Intemet的普及和应用带来了WEB上的信息爆炸,如何基于WEB挖掘技术设计有效的信息推荐算法和推荐系统成为当前的研究热点。开发了一种基于WEB使用的推荐系统WRS（Web Recommendation System）,在该系统中,提出了一种利用图形分割技术聚类用户访问模式的算法,并采用最长公共子序列算法对用户目前的行为进行识别。理论分析和实验结果表明,改进后的模型在推荐质量上有了较大提高。     

一种改进Apriori的个性化信息推荐算法

对现有的Apriori算法进行改进,用分治策略引入哈希技术的方法完成了压缩侯选集,减少频繁扫描数据库的次数,克服了原有关联规则的数据挖掘算法生成频繁集比较大,且需要反复扫描数据库的问题。     

基于Web日志的煤矿企业网站个性化推荐服务研究

为了解决煤矿企业网站用户查找信息难的问题,提出了一种基于Web日志的煤矿企业网站个性化推荐服务模型。该模型应用关联规则对新用户进行页面推荐,应用聚类算法对老用户进行页面推荐;并结合点击网页的次数、网页的浏览时间、雅可系数与最长公共路径系数来度量用户兴趣度的方法,可为用户准确地推荐其感兴趣的页面。测试结果表明,该模型能够有效地对网页资源进行分类并进行个性化推荐。     

基于信任偏好的个性化推荐

协同过滤推荐作为主流的个性化推荐方法在实际应用中存在一定缺陷, 在一些情况下得到的推荐结果不够准确。考虑到信任与用户偏好相似性的关系, 将信任引入到推荐模型中, 并同时考虑暗示用户偏好的多维因素, 提出基于信任偏好的个性化推荐方法, 以提高推荐系统的准确性, 并用实验验证了此方法的有效性。     

面向移动应用的探索式个性化服务推荐方法

个性化推荐系统是应用系统中广泛应用的技术之一,用户兴趣偏好模型的建立与更新是个性化推荐系统的关键环节,针对移动设备位置随时变化的特点,以移动端的应用系统为研究对象,提出了一种随用户位置变化而动态更新的用户兴趣偏好模型,并对实现过程中的几个关键问题,包括用户兴趣偏好模型表示方法、用户兴趣关键字提取、用户兴趣偏好模型的建立与更新算法进行了详细描述,最后利用用户兴趣偏好模型根据协同过滤算法进行个性化推荐,并根据用户对推荐结果的评价进一步修正用户兴趣偏好模型.用户兴趣偏好模型采用基于兴趣关键字的向量空间模型表示,用户兴趣关键字由根据TF-IDF算法获得的用户隐式兴趣和用户参与的显式兴趣相结合获得,用户位置信息变化时,系统获取当前位置附近的服务,对已存在于用户兴趣关键树中的服务权值进行增强,而对不存在其中的进行遗忘以调整用户兴趣树从而更新用户兴趣偏好模型.验证表明,该方法推荐的服务更符合用户所处的位置上下文环境,并且具有高度的可达性.     

基于隐私保护的个性化推荐系统

针对传统个性化推荐系统存在的隐私容易泄露的缺点,提出一个基于代理的智能推荐系统,在向用户提供准确方便的内容推荐服务的同时保护用户隐私。在该系统中,所有用户私有信息的操作都在客户端执行,使用户隐私得到完善的保护。以嵌于RSS阅读器中的个性化广告系统为例,表明该方法能准确地推荐用户感兴趣的内容并且保护用户隐私。     

一种基于中间代理的个性化推荐系统

个性化推荐系统能很好地解决互联网中信息过载的问题,传统推荐系统存在着商家较为分散、隐私容易泄漏的问题。提出了一种基于中间代理的电子商务智能推荐系统,利用内容过滤技术进行推荐,在考虑用户隐私的基础上使用向量空间模型挖掘用户的兴趣偏好和商品的特征评价,引入时间遗忘函数以处理兴趣变化问题,根据收集的信息产生推荐序列,针对重点难点问题提出了解决方案。采用Movielens数据集进行的实验结果表明,该方法能提供较好的推荐准确度与计算性能。