改进的基于用户数据的协同过滤推荐方法

协同过滤算法中最重要的一步是寻找相似用户,但用户评分数据的稀疏以及不诚实用户等问题,使仅仅依赖用户评分数据的传统协同过滤方法寻找的相似用户不够准确。在改进的基于用户数据的推荐算法中,用到用户评分数据和用户信息两种用户数据,通过对用户信息进行量化,得到用户信息矩阵。分别使用用户商品评分矩阵和用户信息矩阵来计算用户相似值,通过综合两种相似值来计算得到相似用户,并且通过加权来修正不诚实用户问题,通过筛选推荐用户来解决用户数据稀疏性问题。实验结果表明该方法能够有效地提高推荐精度。     

用户兴趣相似性度量的关系预测算法

针对目前研究微博用户兴趣变化时,只考虑用户兴趣的易变性而忽略了用户兴趣持久性的问题,提出了基于用户兴趣相似性的用户关系预测算法。将用户兴趣分为短期兴趣和长期兴趣,用户的文本信息表征为短期兴趣,用户的标签表征为长期兴趣。根据长短期兴趣的特征,采用频率统计和多阶量化的方法度量用户兴趣度并更新用户兴趣状态。最后通过余弦相似性指标计算用户间的兴趣相似度来预测用户关系。实验结果表明,该算法能够准确描述用户兴趣,提高用户关系预测的准确性。     

基于用户体验的导医机器人设计研究

文章针对当前导医机器人用户体验差、功能性不强的现状,提出基于用户体验的产品设计方法,首先基于用户体验和用户需求获取原理来获取用户需求,其次结合用户研究方法和需求进化定律识别用户需求,最后将用户需求转化为产品设计内容,完成产品设计。通过设计实例验证,从用户的角度出发研究人机交互过程,获取用户新需求,从设计的源头保证满足用户需求,提升产品的用户体验与可用性。     

基于ART2动态聚类的协同过滤推荐方法

针对协同过滤推荐中的用户评分数据的极端稀疏性和新用户的推荐问题,本文通过用户的注册信息收集到关于用户的个人特征数据,形成用户个人特征矩阵,然后针对用户个人特征矩阵采用ART2神经网络动态聚类算法进行用户分类,找到目标用户的邻居用户,预测用户对未评分项目的评分。改善在线推荐的响应时间和推荐精度。     

融合用户自身因素与互动行为的微博用户影响力计算方法

由于微博高影响力用户在商品营销、社会舆论引导等方面起着重要的作用,因此挖掘高影响力用户成为了微博社交网络中的热点研究问题。针对微博用户影响力计算中存在交互行为与用户自身因素分析不全面的问题,提出了微博用户影响力计算方法MBUI-SFIM(Micro-blog userinfluence based on user’s self-factors and interaction computing model)。该方法考虑了微博用户直接影响力和间接影响力两个方面:在用户直接影响力计算中,通过对用户的自身因素如微博用户粉丝数、用户活跃度、近期微博质量等的分析,计算出用户的初始影响力,然后分析用户互动行为如用户的微博可见率、微博用户互动系数,计算出用户传播能力,最后将初始影响力与用户传播能力相结合,基于改进PageRank算法计算出用户直接影响力;在用户间接影响力计算中,通过对用户网络图连接结构进行分析,根据不相邻用户连接路径的不同,将用户间接影响具体分为简单路径、重复路径、复杂路径3种情况进行讨论,从而计算出用户间接影响力。实验结果表明,相比PageRank算法和MR-UIRank算法,所提算法在用户排名准确性上分别提高了14.8%和8.3%。     

基于博弈论与区块链融合的◢k◣-匿名位置隐私保护方案

基于移动用户的位置服务中,通常采用位置k-匿名技术保护用户的隐私安全性。然而,用户协作构建k-匿名组中难以保证请求用户和协作用户的诚信合作行为。针对以上问题,首先基于完全信息静态博弈理论分析请求用户和诚信用户的行为策略,计算请求用户的诚信阈值,协作用户根据请求阈值与协同阈值的比较决定是否参与匿名组构建;其次,构建信誉机制将用户的近期表现与收益结合,约束参与匿名组构建的请求用户及协作用户的不诚信行为;最后,使用区块链存储博弈过程和协作用户的位置信息,当发现请求用户和协作用户的不诚信行为时,对不诚信的用户进行信誉值和收益降低的处罚。安全分析表明,该方案能有效保护用户的位置隐私,促进请求用户与协作用户的诚信合作,同时激励更多的人参与匿名组的构建。     

基于忠诚度的社交网络用户发现方法

针对社交网络中提高用户的高黏性问题,提出了一种基于用户忠诚度的用户发现的算法。该算法利用双重RFM模型对用户忠诚度进行计算,挖掘出忠诚度不同分类的用户。首先,通过双重RFM模型动态计算出用户在某一时间段的消费价值与行为价值,得到用户某一时间段的忠诚度;其次,根据用户的忠诚度,确定标度曲线,利用相似度计算找到典型的忠诚用户与不忠诚用户;最后,采用基于模块度的社区发现与独立级联传播模型,发现潜在的忠诚用户与不忠诚用户。在某社交网络的微博数据集上,实现了社会性网络服务（SNS）下用户忠诚度的量化表示,获得了基于用户忠诚度的用户发现结果。实验结果表明,所提算法能够有效挖掘出基于忠诚度的用户分类,可以为社交网站针对用户的个性化推荐及营销等,提供理论支持和实用方法。     

证券信息推送系统中用户兴趣模型研究

推送技术根据用户的兴趣来搜索、过滤信息,将用户感兴趣的信息主动推给用户,帮助用户高效率地发掘有价值的信息。本文主要研究证券信息智能推送系统中用户兴趣模型的建立,提出通过分析具有相似需求的用户的定制行为来主动给用户进行推荐的机制,建立全面的用户兴趣模型,发掘用户的兴趣信息,为用户提供个性化的服务策略和服务内容。     

用户统一管理在郑州轨道信息化建设中的研究与实现

提出一种用于地铁企业的用户统一管理方案,实现了企业信息管理过程中的用户身份库管理、用户授权管理和用户认证管理。通过对地铁企业用户的现状分析、关键需求整理和方案实施,给出用户统一管理的效果分析。实践证明,该方案有效提高了用户访问快捷性、用户管理科学性、用户授权安全性、用户审计准确性、用户同步及时性,还可以为地铁企业组织架构的频繁调整带来技术保障,同时也为用户信息统计及分析奠定了基础。     

一种基于用户行为的兴趣度模型

个性化推荐技术在电子商务系统中得到了广泛应用。针对现有的用户模型不能根据用户自身兴趣实现推荐的问题,提出了一种基于用户行为的兴趣度模型,分析用户的行为模式,结合用户的浏览内容,发现用户兴趣。在此基础上采用期望最大化算法实现用户聚类,将用户划分到对应的簇,创建用户的兴趣度模型,从而向用户进行个性化推荐。实验对比结果表明,该模型能更好地发现用户当前的购买兴趣,从而进一步提高个性化推荐精度和用户满意度。     

基于Web挖掘的用户兴趣建模方法的研究

基于用户兴趣的不同,研究如何针对用户的浏览行为来获取用户的有效兴趣数据,并根据现有用户兴趣模型存在的不足,结合Web挖掘中的相关技术,先显式构建用户兴趣模型,后隐式更新用户兴趣模型,从而实现能适应用户兴趣变化的用户兴趣模型。     

基于Web挖掘的用户兴趣建模方法的研究

基于用户兴趣的不同,研究如何针对用户的浏览行为来获取用户的有效兴趣数据,并根据现有用户兴趣模型存在的不足,结合Web挖掘中的相关技术,先显式构建用户兴趣模型,后隐式更新用户兴趣模型,从而实现能适应用户兴趣变化的用户兴趣模型。     

基于人物角色的用户建模研究

在以用户为中心的软件设计中,需要通过对用户建模来明确和分析用户,了解用户的特定需求.介绍用户建模的相关概念,阐述基于人物角色的用户建模原理、详细介绍基于人物角色的用户建模过程,指出人物角色在以用户为中心的软件设计过程中的应用.     

人机协作的用户故事场景提取与迭代演进

敏捷软件开发中常用用户故事表达需求：用户故事讲述了具体的用户角色希望软件完成的功能.系统新版本的需求常常来自多个用户故事的整合.随着版本的迭代,不断会有新的用户故事出现.用户故事的迭代式管理和整合是敏捷开发成功的关键.为帮助开发者掌握项目的用户故事需求,提出人机协作的用户故事理解、整合和管理方法,支持需求的迭代更新.具体而言,提出用户故事元模型和带场景细粒度描述的用户故事表示,从故事描述、功能特征属性以及场景3个维度表达用户故事.便于开发者理解用户故事所表达的功能需求.提出基于元模型的用户故事理解,以及用户故事表达元素的自动提取方法.提出人机协同式用户故事整合方法,使用功能场景图辅助开发者确定用户故事间的关联关系.提出基于功能场景图的用户故事迭代更新方法.案例研究展示了方法的可行性.     

一种微博用户影响力的计算方法

针对微博中用户影响力分析这个问题,提出用户影响力的计算方法。该方法首先提出用户自身影响力以及用户被影响力的概念,并根据用户自身特征与用户粉丝情况得出其计算公式,从而可以综合考虑用户在微博中的所有信息,计算出用户影响力。实验结果表明,这种计算方法能比较好地反映用户在其粉丝中的影响力。     

认知无线网络中基于价格的频谱共享模型

为了使用户可以根据信道质量的变化动态调整带宽价格,从而改变用户收益,提出考虑用户移动性的频谱共享模型。该模型中信道质量随着用户的位置变化,主用户提出的带宽价格综合考虑所有次用户请求的带宽和信道质量的影响;同时,请求的带宽又受到带宽价格的制约,从而用户收益也随着用户位置而变化。仿真结果表明,在用户运动过程中,可以选择最佳位置使用户收益最大。     

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。     

推荐系统中典型用户群组的发现和应用

推荐系统是解决用户的个性化信息需求的一种有效工具。但随着推荐系统用户规模的扩大,需要合理地从海量用户中筛选出用户子集,并进行持续和深入的分析以改进推荐系统。因此,文中首先提出典型用户群组的概念,以期发现推荐系统中的典型用户子集,从而可正确地反映全体用户的兴趣偏好。随后提出一种典型用户群组的发现算法,通过比较候选新增典型用户对典型用户群组的贡献度,逐一扩大典型用户群组规模,最终达到较高的推荐项目覆盖率和评分准确度。最后在典型用户群组中寻找用户的最近邻,实现一种改进的协同过滤推荐算法。通过在真实数据集上的实验结果表明,与其他用户群组发现算法以及经典推荐算法相比,验证典型用户群组不仅具有较好的代表性,也能够获得更好的推荐效果。     

个性化信息检索中的用户历史分析

个性化信息检索通过挖掘用户兴趣来准确理解用户信息需求,提供高质量的检索结果。然而,用户历史是否与用户信息需求有关系这一问题缺少明确回答。本文基于真实搜索日志对用户历史与用户信息需求的关系进行了分析。当前点击代表了用户信息需求。分析结果显示,用户历史中存在与用户信息需求有关的内容,证明挖掘用户历史可以提高个性化检索性能。     

基于感知哈希与用户偏好的检索意图建模方法

针对商品检索排序问题,提出结合用户查询条件与用户浏览兴趣偏好的排序方法,目的是在不增加用户输入查询条件的前提下,提高用户对商品检索结果的满意度。根据用户提交的查询条件,对数据库中的商品进行筛选和初步排序。在此基础上,以用户的浏览行为分析用户对商品的兴趣浓度,并从用户的历史浏览记录中提取出用户的兴趣偏好模型,计算商品属性信息与用户偏好模型之间的相似度大小,对返回的排序结果进行调整优化。实验表明,基于用户兴趣偏好的排序结果更加符合用户的检索意图。