共查询到20条相似文献,搜索用时 62 毫秒
1.
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。 相似文献
2.
由于信息传播模型是社区挖掘、社区影响力研究的基础,文中提出结合用户兴趣的信息传播模型,设计基于频繁子树的信息传播微观模式挖掘方法.首先,基于微博社交网络图表示及用户多标签建模,将微观信息传播模式转换为频繁子树挖掘问题.然后,针对微博社交网络图单节点多标签特性,设计多标签节点树的频繁子树挖掘算法(MLTreeMiner).最后,结合主题提取方法,使用MLTreeMiner挖掘信息传播模式.在人工数据集上的实验表明,MLtreeMiner能高效地对多标签节点树进行频繁子树挖掘.针对新浪微博真实数据的实验也验证方法的有效性. 相似文献
3.
4.
个性化信息检索中,设计用户兴趣模型是一个关键问题.通过分析Web环境下用户的特点和浏览行为,提出一种基于层次向量空间模型的用户兴趣建模和更新方法,以满足用户个性化的服务需求.根据用户对页面的浏览速度来计算用户的兴趣度,使模型便于实现,且更新及时、简单. 相似文献
5.
6.
7.
用户兴趣建模是个性化服务的核心,考虑到情景信息对用户偏好的影响,对融和情景信息的用户行为日志数据进行深入研究,提出了一种基于情景信息的用户兴趣建模方法.该方法首先通过计算情景相似度来获得用户当前情景的近似情景集;对“用户-兴趣项-情景”三维模型采用情景预过滤的方法降维处理.然后根据用户浏览内容得到用户兴趣主题,分析页面内容得到每种主题的兴趣关键词,建立基于层次向量空间模型的用户兴趣模型.实验结果表明,本文提出的基于情景信息的用户兴趣模型对用户兴趣的预测误差控制在9%以内,是有效的. 相似文献
8.
为了帮助用户更加高效率挖掘出有价值信息,提出一种基于用户兴趣模型的数字多媒体信息智能推送的方法,实验结果表明,所提方法的数字多媒体信息智能推送精度较高,推送时间较短,提高了用户满意度. 相似文献
9.
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。 相似文献
10.
信息系统概念建模研究框架① 总被引:1,自引:1,他引:1
信息系统概念建模是本世纪初产生的一门新学科,对信息系统的开发、引进、改造、标准化和集成具有重要的质量保证作用。针对已有研究存在的问题和未来的研究需求提出了一个研究框架,详细探讨了信息系统概念建模的涵义和范围,概念建模方法的种类和绩效评价,概念模型的内容与质量评估以及概念建模环境等方面存在的研究机遇问题,旨在为后续的概念建模研究工作提供一些参考。 相似文献
11.
防火墙自动测试对提高防火墙测试的效率具有很大的意义.在一致性测试框架上,使用TTCN-3测试语言,我们实现TTCN-3测试平台TTPlatForm,提出了一种有效解决防火墙自动测试的方法.它人工干预少,测试结构灵活,测试套开发方便. 相似文献
12.
13.
随着信息科学技术的发展,如今的软件日益复杂。在如此严峻形势下为了保证软件质量,软件测试必然要扮演越来越重要的角色,尤其对在现代的商业公司开发的大型软件。现在,自动化测试在一定程度上可以将繁琐的测试更加高效。SilkTest就是一款自动化测试软件,它的优势显而易见,但是有时也会产生一些意想不到的错误。该文将给出一些解决方法,使该软件更加高效。 相似文献
14.
介绍了利用Web自动化测试工具Selenium进行Web自动化测试的情况,通过一个具体案例来阐述自动化测试的过程,并对测试结果进行了简要分析,说明了利用Selenium进行Web应用系统的自动化测试的好处,给应用工程人员提供了指导。 相似文献
15.
16.
17.
18.
19.
针对个性化图像检索的语义鸿沟问题,提出了一种新的用户兴趣模型的构建方法。将用户兴趣模型分为长期兴趣和短期兴趣:用户的短期兴趣由图像的低层特征映射得到;用户的长期兴趣经过推理机推理,将短期兴趣映射为高层语义得到,从而弥补语义鸿沟。实验结果表明,经过用户兴趣模型过滤的图像检索结果符合用户的个性化要求,相比已有方法在查准率和查全率上取得了明显的改善。 相似文献
20.