基于社会网络面向个性化需求的可信服务推荐

在当前服务计算和社会计算背景下,针对难以获取满足用户个性化需求的可信Web服务问题,给出基于社会网络面向个性化需求的可信Web服务推荐模型;设计用户个性化功能需求分解与匹配算法,并利用语义词典提高功能需求语义匹配的准确性;基于个性化功能需求、社会网络节点信任度及服务信任度,设计了一种满足用户个性化需求的可信服务推荐算法,通过对社会网络节点之间、节点与服务之间的信任相关性进行分析,提高服务协同可信推荐性能。算法分析及实验结果表明该方法是有效和可行的。     

基于用户行为的个性化搜索建模

目前的搜索算法普遍忽视了用户的兴趣行为,仅仅依靠表面的关键词来预测用户的搜索偏好,为用户提供系统"自认为"是用户所感兴趣的内容,没有更深层次地解剖用户的真实需求,没有依照用户长久以来的搜索习惯、搜索兴趣为用户定制一个个性化的搜索模型,为此,本文将提出一个针对用户行为的个性化搜索的模型,通过用户在浏览网站时候的浏览行为,例如:浏览该网页的时间、浏览网页的类型、在浏览网页时是否有进一步的行为,如:保存、复制等操作以此来丰富本文所提出的用户的个性化搜索模型,以求能够更准确地贴近用户的真实需要.     

电信企业开展个性化信息服务的研究

随着信息资源的爆炸性增长,传统的信息获取系统越来越不能满足人们的信息需求.以用户需求为核心的个性化信息服务越来越受到人们的重视,但关于个性化信息获取的特点、个性化信息服务模型及体系架构的理论和实际应用研究还有很大的欠缺.本文首先总结了以搜索引擎为代表的信息服务系统的发展现状,然后提出了基于自适应体系的个性化信息服务模型,为今后的个性化信息服务研究打下了一定的基础.     

基于多Agent的个性化动态信息服务系统的实现

本文针对用户和系统管理员在访问公共信息平台过程中对信息服务内容、种类和服务层次的不同需求，提出了一个基于多Agent的个性化动态信息服务系统．并对其中Agent行为算法进行优化。     

基于音频增强现实的博物馆交互式引导模型

现有音频增强现实(Audio Augmented Reality,AAR)服务类应用无法根据用户的交互行为进行动态调整音频引导内容,难以满足大规模人群多样化应用需求.针对此问题,构建了一个基于AAR的博物馆交互式引导模型,通过对场景、用户、导航过程三方面的定义实现音频信息的自适应推送,结合用户个人资料、行为特征、历史参观等信息匹配发现个人兴趣偏好,同时支持跟踪用户行为,动态调整兴趣特征参数,达到提供个性化的音频信息服务的目的.实验结果表明,基于该模型的原型系统具有良好的实用性,能更容易地定位展品,并增加观众对展品的兴趣.     

基于本体论的个性化影片推荐技术研究

个性化影片推荐服务是解决目前网络及家庭数字电视应用中影片资源迅速增长,用户"信息迷航"的有效方法.针对影片点播应用,给出了个性化影片推荐服务的体系结构、影片数据建模、用户兴趣偏好模型进行了研究,实现无需用户输入传统推荐方法所需相关个性兴趣信息即可返回与用户当前兴趣相关的影片推荐列表,提出了基于本体论的影片模型,并建立用户兴趣偏好模型,给出了对推荐过程中结合用户信息反馈对推荐结果进行自适应的调整算法.     

基于用户需求的高校数字图书馆个性化信息服务的研究

在网络环境下,图书馆拥有不同类型的用户,这些用户在利用图书馆信息资源时的行为表现迥异,因此图书馆的用户需求是复杂多样的。作为一种可以满足不同用户需求方式的个性化信息服务,为优化数字图书馆的服务的奠定了基础。文章着重提出了提高高校数字图书馆个性化信息服务水平的策略,旨在为高校图书馆的发展带来新的思路。     

个性化推荐在移动互联网业务中的应用

以SoLoMo为标志的新一轮商业模式带动了移动互联网时代用户的上网行为及消费方式的转变,用户对互动性、实时性服务的需求愈发迫切,服务差异化和需求个性化的期望也为数据挖掘和应用提供了新的机遇和挑战。本文从移动互联网用户的行为知识库开放平台、智能化用户模型关键技术、个性化信息推荐及应用等几个方面,探索如何构造一个共赢的移动生态产业链体系。     

基于用户反馈的兴趣模型在信息检索中的应用

兴趣模型是个性化信息服务的关键技术,介绍了基于用户反馈的兴趣模型的构造过程,并将其应用于信息检索中,通过利用反馈对检索结果集重新排序、利用反馈形成新的查询请求两种方式优化检索结果,使其能更好地符合用户的个性化需求,并说明了利用反馈对兴趣模型进行调整的原则.     

高职院校图书馆个性化服务信息系统研究

在现代信息环境下,高职院校图书馆读者的信息需求也呈献出多样化、个性化的趋势,在内容需求上,他们要求提供的信息更具有全面性和针对性,不再仅仅满足于获得信息。而通过对读者对各种图书资料的检索、借阅行为分析、归纳,从中了解每位读者对图书资料的需求情况,为读者提供与其需求相适应的个性化服务。为此,本文在总结多年来从事图书借阅行为分析经验的基础上提出了如何针对高职院校读者资料检索、借阅行为进行分析与评价,从而提炼出个性化服务的有效信息,并作为为读者提供个性化服务的依据。     

基于MAS的个性化信息检索系统的设计

结合用户建模和群建模技术,提出一种基于MAS的个性化信息检索模型,给出基于C/S的多智能体的个性化信息检索系统框架结构,详细分析各智能体的功能和技术方法,实现信息检索的个性化、智能化。     

一种基于用户浏览行为更新的兴趣模型

为了使个性化推荐系统能适应用户浏览兴趣的变化,一个关键问题就是如何动态地更新用户的兴趣模型。提出了一种新的二层树状结构模型。模型的第1级节点表示用户的兴趣类型,及其对每一兴趣类的兴趣度高低：第2级节点是用户某一兴趣类的向量空间模型表示。并通过分析Web环境下用户的浏览速度,改进了兴趣类兴趣权值计算公式,然后通过用户在这张页面上的浏览速度和页面内容与兴趣类主题的相关程度来更新模型。试验表明改进的计算公式能将兴趣估计的一致性提高到70％。     

基于用户行为认知的在线社交网络协同推荐

近年来,在线社交网络成为人们工作、生活不可或缺的信息共享与交流工具,如何对海量庞杂、大范围时空关联的用户行为信息进行认知并据此提供个性化的推荐服务,已成为在线社交网络发展重点关注的问题。为此,提出了一种基于用户行为认知的在线社交网络协同推荐框架,在对用户特征、文本信息及兴趣偏好等行为进行认知的基础上,利用协同过滤算法,实现个性化的推荐服务。实验结果验证了提出的基于用户行为认知的协同推荐策略具有较好的稳定性和实际应用效果。     

个性化搜索中一种基于位置服务的隐私保护方法

在基于位置服务的个性化搜索中,利用可信第三方服务器以及对等节点是保护用户隐私的主要方法,但在现实生活中,它们却是不完全可信的。为了解决这一问题,该文提出一种个性化搜索中基于位置服务的隐私保护方法。该方法通过转换用户的位置信息,并根据用户的查询类型生成用户模型,进而形成带有用户位置信息的查询矩阵,然后利用矩阵加密用户的查询,隐藏查询矩阵中的用户信息,最后根据安全内积计算返回相关性得分最高的前K个查询文件给用户。安全性分析表明该方法能有效地保护用户的查询隐私和位置隐私,通过分析与实验表明,该方法大幅度地缩短了索引构建时间,降低了通信开销,同时为用户提供了基于位置的个性化搜索结果,一定程度上解决了移动设备屏幕小带来的弊端。     

基于类别转移加权张量分解模型的兴趣点分区推荐

基于位置社交网络的兴趣点(POI)推荐是人们发现有趣位置的重要途径,然而,现实中用户在不同区域的地点偏好侧重的差异,加之高维度的历史签到信息,使得精准而又个性化的POI推荐极富挑战性.对此,该文提出一种新型的基于类别转移加权张量分解模型的兴趣点分区推荐算法(WTD-PR).通过结合用户连续行为和时间特征,来充分利用用户...     

A Personalized Search Model Using Online Social Network Data Based on a Holonic Multiagent System

Personalized search utilizes user preferences to optimize search results,and most existing studies obtain user preferences by analyzing user behaviors in search engines that provide click-through data.However,the behavioral data are noisy because users often clicked some irrelevant documents to find their required information,and the new user cold start issue represents a serious problem,greatly reducing the performance of personalized search.This paper attempts to utilize online social network data to obtain user preferences that can be used to personalize search results,mine the knowledge of user interests,user influence and user relationships from online social networks,and use this knowledge to optimize the results returned by search engines.The proposed model is based on a holonic multiagent system that improves the adaptability and scalability of the model.The experimental results show that utilizing online social network data to implement personalized search is feasible and that online social network data are significant for personalized search.     

一个面向Internet的个性化信息检索系统模型

随着Internet上的信息量急剧增加,如何使用户获得有用的信息已成为信息检索系统急需解决的问题.文中提出了一个个性化信息检索系统模型(Parch).该模型结合用户访问模式和类层次结构来检索用户需要的信息.文中还提出了多个算法,这些算法综合运用数据挖掘、情报检索和机器学习等技术,较好地解决了在生成用户访问模式时人工干预较多、自适应性较差、准确性较差以及在构造类层次结构时出现计算量较大所造成聚集速度较慢的问题.     

基于情境感知的人体经络个性化信息服务研究

由于人体经络系统较为复杂,包含经络、穴位、疾病、脏腑及针灸等方面的大量知识信息,同时用户往往由于兴趣、目的及环境的不同而有不同的信息需求,用户不能有针对性地获取所需的信息。为了增强人体经络系统信息服务的个性化,提高用户的学习效率和使用兴趣,将普适计算中的情境感知计算引入到人体经络系统的个性化信息服务中,应用普适计算、图形图像等先进技术,建立起能够感知用户行为的人体经络系统,为经络的学习和研究提供一种直观便捷的有力工具,同时也为电子商务、信息检索、文献分类和多媒体推荐等领域中的个性化信息服务的研究及应用提供了新的思路。     

面向自主意识的标签个性化推荐方法研究

在标签系统中,用户使用资源以及标签的习惯受到自身自主意识的影响.当前的标签个性化推荐方法缺乏对此类自主意识信息的描述,限制了个性化推荐的效果.通过采用类似LDA的概率模型,建模了用户的资源使用以及标签使用两方面的自主意识信息,实现了面向用户自主意识的标签推荐.模型的参数使用基于吉布斯抽样的方法进行估计,为快速高效计算模型参数提供了可能.实验结果显示该方法可以提供更高质量的标签个性化推荐结果.     

Novelty‐driven recommendation by using integrated matrix factorization and temporal‐aware clustering optimization

With the rapid proliferation of information and communication technology (ICT), the vast amount of available data creates information overload. The Websites and e‐commerce applications employ several information filtering methods such as personalized recommender system to manage the information overload. The recommender system assists the users in obtaining the desired list of products based on their interest. Several existing research works focus on the novelty or unexpectedness in the recommendation list while ensuring the quality to enhance the recommendation mechanism. It is essential to balance the unexpected and useful products or services to generate the satisfactory personalized recommendations with novelty. Thus, this paper proposes a novelty‐driven movie suggestion using integrated matrix factorization and temporal‐aware clustering optimization (NOMINATE). The proposed approach determines the personalized preferences through probabilistic matrix factorization (PMF) and contextually updates the rules and extracts the user preferences based on the inherent features of both the users and movies with temporal information. The NOMINATE approach also suggests the novelty‐driven, and desired top‐N movies to the users through the K‐means, and particle swarm optimization (PSO)‐based clustering algorithm with the help of LOD source. To identify the expert users, the NOMINATE approach applies the K‐means and PSO‐based clustering algorithm to enrich the personalized features of the users. Moreover, it integrates the relevant features with the preferred set of features for each user using the LOD source and decides a set of optimal preferences of the users. Finally, the NOMINATE approach generates the top‐N recommendation list for the corresponding user through ranking method. The experiment results stipulate that the NOMINATE approach personalize the top‐N movie recommendations with high performance regarding accuracy and novelty when compared with the existing recommendation method.