基于序列模式的网络入侵检测系统

针对入侵检测的特点将数据挖掘技术应用于网络入侵检测系统,阐述了网络入侵检测系统的设计原理及其实现。系统的数据挖掘模块应用了序列模式挖掘中的GSP算法,并对其进行了改进,引入了主属性及兴趣度。实验表明,优化后的算法可以有效地提高检测的准确率,使系统的性能获得提升。     

基于用户特征和时间权重的协同过滤算法

为了解决传统算法中寻找最近邻居不准确和用户兴趣随时间变化而迁移的问题,提出一种基于用户特征和时间权重的协同过滤算法。文中首先把Movie Lens数据集中用户特征信息数字化,求出用户特征相似性,将其加入到修正的余弦公式中,得到一种新的用户相似度,以找到更加准确的最近邻居集;然后通过引入时间函数来反应用户的兴趣迁移,再根据预测评分公式来获得更加准确的预测评分;最后给用户生成一个较可靠的推荐结果。实验结果表明,该方法取得了较好的效果且平均绝对误差(MAE)值达到72.57%。     

基于隐马尔可夫模型的用户兴趣漂移模式发现方法

把隐马尔可夫模型引入到兴趣漂移模式发现方法中,采用概念漂移的思想处理用户兴趣的漂移,拓展了隐马尔可夫模型的应用领域,提出了基于隐马尔可夫模型的用户兴趣漂移方法,由此可以发现用户带有兴趣的漂移模式,反映用户的访问偏好.     

GSP与PrefixSpan算法的比较与分析

针对序列模式挖掘中的两种经典算法GSP算法与PrefixSpan算法执行过程及其特点进行了比较,并对这两种算法的时空执行效率进行了定性分析比较,指出了两种算法各自的适用范围,得出的结果对序列模式挖掘系统的设计有重要的参考价值。     

基于主观兴趣度的关联规则优化算法

基于兴趣度的规则优化算法通过整合用户领域知识,对规则进行了精简和优化,有效地帮助了用户发现其最感兴趣的规则.但算法仍存在兴趣度计算方式欠妥、用户含义表达受限等问题.提出对兴趣度计算方法的改进,对单模板情况下的计算进行分类讨论,解决了兴趣度计算不合理的问题.同时,新算法引入复合模板的技术,支持对规则的多维分析,丰富了用户含义的表达.通过2组对比实验验证,改进后的基于主观兴趣度的规则优化算法能导出更加合理的兴趣度排序结果,给用户提供更有价值的规则参考.     

基于用户兴趣的个性化推荐算法研究

针对协同过滤算法存在用户兴趣不易捕捉的问题,提出了一种基于用户兴趣偏移和项目自身属性特征的个性化推荐算法。利用滑动时间窗内项目属性和用户评分建立出用户兴趣偏爱因子,通过推荐项目自身属性特征给出用户对项目的偏爱度;最后结合项目偏爱度和协同过滤算法中预测评分产生推荐。实验结果表明,该算法准确反映出用户兴趣的偏移和项目自身属性特征,在推荐质量上也得到提高。     

基于用户兴趣变化的协同过滤推荐算法

协同过滤算法是在众多应用领域中最成功的个性化推荐技术之一,但传统协同过滤算法不能及时反映用户的兴趣变化,致使预测结果不准确。针对这个不足,提出一种基于用户兴趣变化的改进协同过滤算法。改进算法提出一种基于时间的权重函数,用于研究用户在不同时间段的兴趣变化,通过用户兴趣之间的相似性,最后生成推荐结果。实验结果验证了改进算法在推荐的准确性方面得到显著提高。     

基于用户兴趣的多属性效用算法的研究

针对用户兴趣提供个性化的搜索服务一直是搜索引擎系统追求的目标。提出了基于用户兴趣的多属性效用算法,该算法使用效用性算法并结合了实体多个属性偏好因子和遗忘因子,更好地表达用户的兴趣偏好并实现动态更新,提高检索的准确性,实现搜索过程的个性化服务。     

4种序列模式挖掘算法的特性研究

序列模式挖掘是数据挖掘中的一个重要研究方向，对序列模式挖掘中的4种算法（AprioriAll、 GSP、 FreeSpan 、Prefixspan）的执行过程及其特点进行了研究，并对这几种算法的时空执行效率进行了定性和定量的分析比较，指出了4种算法各自的适用范围，得出的结果对序列模式挖掘系统的设计具有一定的参考价值。     

一种基于用户空间相似性的兴趣点推荐算法

位置社交网络（Location Based Social Network,LBSN）的发展,为兴趣点推荐提供丰富的数据资源。基于地理影响的推荐算法是兴趣点推荐的热门研究话题,而现有的推荐算法缺乏对用户个性化行为的分析。因此,提出一种基于用户空间相似性的兴趣点推荐算法。首先,利用用户签到数据构建空间分布相似性模型;其次,引入削减因子,提高具有相同签到记录的用户权重;最后,线性融合用户及空间分布性相似性模型对Top-N兴趣点进行推荐,并进行实验验证。实验结果表明,该算法有效提高了兴趣点推荐的质量。     

基于RSS的层次结构用户兴趣模型的分析与设计

在网络迅速普及的今天,对用户的网络访问行为进行分析并建立用户兴趣模型是经实践证明的有效方法．提出了基于RSS的层次结构用户兴趣模型的建立与动态更新方案,成功地解决了兴趣模型的提取、表示和更新等问题．     

基于RSS的层次结构用户兴趣模型的分析与设计

在网络迅速普及的今天,对用户的网络访问行为进行分析并建立用户兴趣模型是经实践证明的有效方法．提出了基于RSS的层次结构用户兴趣模型的建立与动态更新方案,成功地解决了兴趣模型的提取、表示和更新等问题．     

基于多Agent搜索行为分析的用户兴趣模型

为解决传统搜索引擎个性化的局限性问题,在研究用户感兴趣搜索引擎现状基础上,通过多Agent较全面记录、分析用户搜索的行为,提出了一种新的综合用户搜索行为,构建用户感兴趣搜索引擎研究框架——基于多Agent搜索行为分析的用户兴趣模型。研究结果表明,依据用户搜索行为构建用户兴趣模型,使搜索引擎返回结果更贴近用户需求。满足用户个性化服务,提高了信息搜索的查全率和查准率。     

基于用户兴趣模型的个性化查询

为了更好地解决用户查询词的准确性,研究了如何从用户搜索的上下文所提供的个人信息和其使用过程中的隐式反馈来推断出用户的兴趣。开发了智能客户端Web搜索代理,可以进行相应的隐式反馈。实验表明,Web搜索代理可以提高搜索的准确率。     

基于用户访问兴趣的Web站点路径聚类研究

用户对Web站点的访问代表了用户对Web站点上页面的访问兴趣。这种兴趣程度可以通过用户对Web站点上页面的浏览顺序表现出来。Web站点的访问日志记录了用户访问页面的详细信息。在对Web站点的访问日志进行事务识别后,按照访问兴趣对群体用户对Web站点的访问顺序进行聚类分析,则每一个聚类集反映出该聚类集中的全体用户具有相似的访问兴趣。文中在用户访问兴趣度量中综合考虑用户访问路径、网页内容、在此页面的驻留时间、此页面浏览频度因素,提出了一种基于用户访问兴趣的路径聚类算法。最后通过实验来验证这种算法的有效性。     

用户兴趣建模的改进

基于用户兴趣模型的个性化推荐已经基本上解决了用户兴趣挖掘不足,推荐资源收敛性过快的缺点。但在二次过滤中,概念兴趣簇集中仍存在一定的兴趣冗余和兴趣表征模糊的缺点。将二次过滤的步骤进行了改进。在资源本体描述中,添加了表征各个资源的概念的权重,并引入了概念专注函数来消除兴趣冗余和兴趣表征不足的缺点。实验表明,该改进进一步提高了用户兴趣的推荐程度。     

基于Web日志挖掘的客户访问兴趣分析

数据预处理是Web日志挖掘中的一项关键技术,如何分析客户访问兴趣是Web挖掘中的一个重要研究课题。概述了Web日志挖掘的概念、方法和步骤,重点分析了数据预处理的主要步骤及其实现技术,考虑客户访问路径和浏览时间长度等因素,给出并计算分析了网站用户的访问兴趣的方法。汽修之家网站日志的实际测试结果表明了该方法的有效性。     

面向SNS用户访问行为的Web缓存预测替换

为了提高web缓存性能,在已有缓存替换算法的基础上加入预测机制,提出了一种面向社交网站(SNS)用户访问行为特征的预测替换算法.通过研究SNS的用户行为模型,引入预测对象集,减小了替换风险,提高了缓存命中率.为了验证所提算法的性能,进行了大量仿真实验,结果表明,该算法在基于SNS使用行为的缓存方面,具有提高命中率的优越性.     

TD—SCDMA系统智能天线波束形成算法的研究

TD-SCDMA系统基站端的智能天线通过波束形成能够显著减小多址干扰,改善通信质量。提出了一种加入扩频序列的协方差矩阵求逆最小二乘恒模（SMI-LSCMA）波束形成算法,该算法在SMI—LSCMA基础上利用特定用户信号的扩频序列信息来锁定该用户接收信号,这样可以使权值向量更新算法更快收敛。经过仿真验证,该算法具有较好的波束形成能力和较高的输出信噪比。