网页兴趣度度量方法及其在兴趣模型中的应用研究

根据用户以往网页浏览的隐式反馈信息来推断用户兴趣,给用户推荐感兴趣的网页内容,提出了网页兴趣度度量方法及其在兴趣模型中的应用。根据用户浏览网页时的停留时间和浏览行为,通过量化的兴趣度度量算法评估出用户对网页内容的感兴趣程度,从而建立起用户兴趣模型;在用户浏览网页的过程中,动态地更新用户兴趣;最终根据归纳出的用户兴趣向用户推荐文章。实验证明提出的网页兴趣度度量方法和对应的兴趣模型是可行的。     

基于混合行为兴趣度的用户兴趣模型

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。     

基于用户浏览行为分析的用户兴趣度计算

从用户的浏览行为可以反映用户的兴趣出发,分析了用户的浏览行为与兴趣之间的关系,通过分析把能反映用户兴趣的典型浏览行为归纳为保存页面、打印页面、将页面加入收藏夹、复制页面内容、访问同一页面的次数和在页面上浏览时间这些浏览行为.针对这些浏览行为下的用户兴趣度计算做出阐述,并且在分析基于网页驻留时间和浏览次数计算网页兴趣度的算法的基础上,考虑网页大小的影响因素,使用基于浏览速度计算网页兴趣度,同时利用BP神经网络进行用户兴趣度融合.     

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。     

个性化推荐服务中用户兴趣模型研究

本文提出了一种利用用户浏览页面集的内容信息和浏览行为信息,隐式地创建用户兴趣描述文件的方法。通过对用户浏览的web页面进行兴趣度分析,并与对用户浏览网页时的浏览行为分析相合,得到了用特征矩阵表示的用户兴趣模型。并采用层次聚类算法和k-means聚类算法相结合的综合聚类算法进行聚类,得到用兴趣分类树表示的用户兴趣模型。由于采用的是隐式创建用户描述文件的方法,减少了因用户参于而带来的系统噪声,保证了所创建的用户兴趣模型的准确性。     

用于推荐系统聚类分析的用户兴趣度研究

根据推荐系统对用户（商品）聚类的要求,探讨采用用户（网页）兴趣度进行聚类分析的合理思想。通过用户浏览时间、浏览行为以及网页信息量差异等因素的对比,得出用户对某类商品的兴趣度计算方法。借助阈值的设定,定义了用户感兴趣的商品集、商品的感兴趣用户集和兴趣相似的用户集,得到了基于用户兴趣度的用户聚类的一般过程,具有一定的推广价值和借鉴意义。     

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。     

基于用户浏览行为分析的用户兴趣获取

从用户的浏览行为可以反映用户的兴趣出发,分析了用户的浏览行为与兴趣之间的关系,提出了五种用户最小浏览行为组合,并在此基础上对其中三种行为进行转化,得到影响用户兴趣的关键的两种行为,并给出这两种行为与用户兴趣度之间的定量关系。结合对网页内容的挖掘,获取用户的兴趣。通过实验对文中的研究结果进行验证,实验结果证明,所采用的方法是合理和有效的,分析出的用户兴趣基本上可以正确反映用户的实际兴趣。     

基于用户兴趣特征提取的推荐算法研究*

传统的推荐算法一定程度上降低了网络消费者的搜索成本,但难以实时提供消费者满意的推荐服务,也忽略了用户偏好动态转移性。为了提高电子商务系统的推荐质量,从用户偏好的行为特征入手,建立了网络用户的兴趣特征提取模型,并设计了相应的推荐算法。通过对用户兴趣特征提取模型的检验和用户兴趣度矩阵的建立,依据与目标用户偏好相似的邻居用户对商品的兴趣程度预测用户对未浏览商品的兴趣度,并选择兴趣度值较高的N个商品推荐给用户。实验结果表明,在用户偏好动态转移的情况下,所设计的推荐算法的推荐精度和推荐效率明显提高,提高了网络用户的     

基于用户浏览行为分析的用户兴趣获取

从用户的浏览行为可以反映用户的兴趣出发,分析了用户的浏览行为与兴趣之间的关系,提出了五种用户最小浏览行为组合,并在此基础上对其中三种行为进行转化,得到影响用户兴趣的关键的两种行为,并给出这两种行为与用户兴趣度之间的定量关系.结合对网页内容的挖掘,获取用户的兴趣.通过实验对文中的研究结果进行验证,实验结果证明,所采用的方法是合理和有效的,分析出的用户兴趣基本上可以正确反映用户的实际兴趣.     

基于节点兴趣的非结构化P2P搜索机制

针对P2P系统缺乏有效信息搜索机制的问题,提出一种基于节点兴趣的非结构化P2P搜索机制。通过挖掘每个节点的兴趣,将节点按照其相关性组成网络,使相关性高的节点在网络中距离较近。在P2P网络中进行信息搜索时,只将查询消息路由到相关兴趣的节点上,以改善搜索效率。     

Rate of Return Parity with Robot Asset Traders

Human populated experimental asset markets produce data with two major qualitative consistencies; finite price bubbles and rate of return parity. Robot traders following different behavioural rules are used to create data that is qualitatively similar to that produced by human subjects in a laboratory setting. A trend pricing component of behaviour is required for robots to generate finite price bubbles. A single arbitrageur in combination with trend pricing and simple profit maximization is required to generate rate of return parity.      

基于网页模糊分类的用户兴趣度分析方法

了解用户的兴趣是电子商务网站实现个性化的基础,该文提出了一种分析用户兴趣度的新方法,该方法首先根据网站主索引页上的超链接将网站上的网页模糊分类,并通过对Web日志的统计,得出各交叉页的模糊度,然后综合考虑用户浏览网页的时间长度、点击网页的次数,利用模糊综合评判得出用户对于各网页分类的兴趣度,再与各网页分类的平均兴趣度水平作对比,从而发现用户的兴趣所在,实验表明该方法是有效的。     

Average Interest Rate Caps

There exist a number of approximation methods for the price of average rate options, when the underlying asset is a currency or equity. Realistic pricing models for average interest rate caps based on interbank offered rates have not yet been published. In this paper we propose to adapt the methods of Levy (1992), Vorst (1992) and Rogers and Shi (1995) for average rate options to price average interest rate caps, and we compare their computational efficiencies. All three methods are very fast, compared to the Monte Carlo simulation. Two of them are fast enough for on-the-fly calculations. The underlying interest rate model we use is consistent with the observed term structure of the interest rate. Hence, the models developed here are suitable for practical implementation.     

基于关联规则的股票预测方法研究

近年来证券市场迅速发展,股票信息爆炸式增长,如何从庞大的数据信息中找到有用的知识为投资者的投资行为提供指导,已成为一个重要的学术研究方向。股票市场的预测方向多种多样,主要包括股价趋势、循环周期和持续时间等。从关联规则挖掘技术入手,引入主观兴趣度约束和客观兴趣度约束,挖掘股票收益率信息,实现对股价趋势的预测。同时对比实际股票数据结果,测试挖掘规则的准确率。     

基于背景和内容的微博用户兴趣挖掘

微博用户兴趣挖掘是个性化推荐、社群划分的基础工作.在深入分析微博网络特点的基础上,给出了能够揭示微博网络多模性的描述模型,对面向微博网络的后续研究具有参考价值.根据微博网络的特点,提出了基于背景的用户静态兴趣表示及挖掘方法,以及基于微博的用户动态兴趣表示和挖掘方法.针对微博网络中缺少背景信息、发表微博很少的大量不活跃用户,提出了基于关注的用户兴趣挖掘方法.以新浪微博为例,选取了时尚、企业管理、教育、军事、文化这5个领域进行用户兴趣挖掘及相似度计算的实验分析和比较,结果表明,与主流的兴趣挖掘方法相比,该微博用户兴趣的表示和挖掘方法可以有效地改善微博用户兴趣挖掘的效果.     

基于用户兴趣三维建模的个性化推荐算法

针对推荐系统中用户的个性化需求,提出一种基于用户兴趣三维建模的个性化推荐算法.通过分析用户行为数据,从兴趣广度、兴趣深度和兴趣时效3个角度分析用户的兴趣构成,对用户兴趣进行三维建模,并在此基础上,逐步添加维度,设计用户之间兴趣相似度的三级计算方法.在真实推荐系统数据集上的实验结果表明,用户兴趣三维模型比一维模型、二维模型更能准确地表征用户兴趣,基于用户兴趣三维建模的个性化推荐算法能够提高个性化推荐的准确率.     

Managing value-at-risk for a bond using bond put options

This paper studies a strategy that minimizes the Value-at-Risk (VaR) of a position in a zero-coupon bond by buying a percentage of a put option, subject to a fixed budget available for hedging. We elaborate a formula for determining the optimal strike price for this put option in case of a Vasicek stochastic interest rate model. We demonstrate the relevance of searching the optimal strike price, since moving away from the optimum implies a loss, either due to an increased VaR or due to an increased hedging expenditure. In this way, we extend the results of [Ahn, Boudoukh, Richardson, and Whitelaw (1999). Journal of Finance, 54, 359–375] who minimize VaR for a position in a share. In addition, we look at the alternative risk measure Tail Value-at-Risk.     

基于用户扩展兴趣的微博推荐方法

为解决微博用户兴趣提取不准确的问题,提出一种基于用户扩展兴趣的微博推荐方法。该方法将用户个体兴趣与关联兴趣结合为用户扩展兴趣进行微博推荐。其中,用户个体兴趣从用户标签、发布微博及交互微博中提取;用户关联兴趣通过用户与其关注用户间的关注关系强度、交互频繁程度和个体兴趣相似度获取。最后,计算用户扩展兴趣与待推荐微博的相似度,对相似度降序排列产生推荐列表。实验结果表明,新方法较传统方法更具有效性和准确性。