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。     

基于用户感知的网络质量评估诊断方法研究与应用

在CDR数据的基础上,研究提升用户感知的方法 ,解决网络KPI无法反映用户对网络真实感知的问题,提出了基于用户感知的网络质量评估诊断方法,该方法通过多数据源,结合用户在网络中的行为特征,建立数据分析模型,通过用户的切身感受发现网络问题,为优化提供理论指导。     

基于BP神经网络的用户感知体系优化仿真

研究提高网络质量评估准确度问题。用户感知是网络质量评估的标尺,而现有无线网络优化中影响用户感知的有众多因素,和网络性能指标之间没有明显的映射关系,采用传统的数学方法很难对复杂的非线性问题定量分析,难以从网络性能指标中实现用户感知评估导致网络质量评估不准。为解决上述问题,提出一种基于BP神经网络的用户感知体系。采用具有非线性映射功能的神经网络,建立用户感知体系模型,实现用户感知的评估。通过比较验证,对用户感知度的评估达到了合理误差,并能够提升网络优化主动智能性,对网络质量评估更准确,对网络优化工作提供了设计依据。     

基于CP-nets 的偏好感知交互式遗传算法及其个性化搜索

针对用户显式评价导致用户疲劳,进而限制交互式遗传算法搜索性能的问题,研究基于用户交互行为和条件偏好网络(CP-nets)的隐式评价模式的交互式遗传算法,并将其应用于图书商品个性化搜索。首先,给出用户交互行为的数学描述,建立基于用户少量交互行为的条件偏好网络模型以拟合用户偏好;然后,利用CP-nets模型估计用户对进化个体的评价值,实施进化操作以帮助用户尽快找到满意解。在个性化搜索中的应用验证了所提出算法的有效性。     

基于情境感知的用户个性化兴趣建模

用户兴趣模型作为个性化信息推送的基础和核心,其性能的好坏直接关系到个性化推送服务的质量,如何全面了解用户动态的兴趣需求,并及时为用户提供其实时有效的兴趣,是目前用户兴趣模型研究的热点问题。本文主要利用情境感知、用户行为等多维因素建立一种M-C-W用户兴趣模型,提出结合用户显示和隐式兴趣度的计算,挖掘出用户显式兴趣和隐式兴趣的关联性,实现多维动态情境兴趣的结合。通过多角度综合计算用户的兴趣度,实时而准确地表达用户的兴趣爱好。最后,通过实验验证了该模型的有效性和可靠性。     

基于用户偏好的信任网络随机游走推荐模型

为了提高推荐算法评分预测的准确度,解决冷启动用户推荐问题,在TrustWalker模型基础上提出一种基于用户偏好的随机游走模型——PtTrustWalker。首先,利用矩阵分解法对社会网络中的用户、项目相似度进行计算;其次,将项目进行聚类,通过用户评分计算用户对项目类的偏好和不同项目类下的用户相似度;最后,利用权威度和用户偏好将信任细化为不同类别下用户的信任,并在游走过程中利用信任用户最高偏好类中与目标物品相似的项目评分进行评分预测。该模型降低了噪声数据的影响,从而提高了推荐结果的稳定性。实验结果表明,PtTrustWalker模型在推荐质量和推荐速度方面相比现有随机游走模型有所提高。     

基于卷积神经网络交互的用户属性偏好建模的推荐模型

潜在因子模型（LFM）以其优异的性能在推荐领域得到了广泛应用。在LFM中除了使用交互数据以外,辅助信息也被引入用于解决数据稀疏的问题,从而提升推荐的性能。然而,大多数LFM仍然存在一些问题：第一,LFM在对用户进行建模时,忽略了用户如何根据其特征偏好对项目作出决策;第二,采用内积的特征交互假设特征维度之间是相互独立的,而没有考虑到特征维度之间的关联。针对上述问题,提出一种新的推荐模型：基于卷积神经网络（CNN）交互的用户属性偏好建模的推荐模型（UAMC）。该模型首先获得用户的一般偏好、用户属性和项目嵌入,然后将用户属性和项目嵌入进行交互,以探索用户不同的属性对不同项目的偏好;接着将交互过的用户偏好属性送入CNN层来探索不同偏好属性的不同维度的关联,从而得到用户的属性偏好向量;接着使用注意力机制结合用户的一般偏好和CNN层得到的属性偏好,从而获得用户的向量表示;最后采用点积来计算用户对项目的评分。在Movielens-100K、Movielens-1M和Book-crossing这三个真实的数据集上进行了实验。实验结果表明,所提模型在均方根误差（RMSE）上与稀疏数据预测的神经网络分解机（NFM）模型相比分别降低了1.75%、2.78%和0.25%,验证了在LFM的评分预测推荐中,UAMC在提升推荐精度上的有效性。     

基于用户偏好的权重搜索及告警选择方法

用户在现有交互方式下选择最为严重的告警时完全依据其个人偏好,而未考虑处理不同告警所需成本的差异性问题.为此,提出一种基于用户偏好的权重搜索及告警选择方法.挖掘用户对不同严重程度告警的偏好值,针对问题的复杂性建立评估函数,并给出偏好权重的选择策略.对不同告警及其对应的用户偏好权重建立效用函数,确定需优先解决的告警,并在成本约束下完成基于用户偏好的告警选择,提高告警处理效率.实验结果表明,该方法能够合理有效地做出告警选择,与基于背包式和设定阈值的方法相比,其告警选择的表现更优.     

基于线性衰减的用户兴趣建模①

针对电子商务参与者兴趣变化异常频繁的特点,提出了基于线性衰减的用户兴趣模型。根据初始注册信息和浏览行为构建了链式用户偏好表,所有用户的偏好链表组成用户兴趣模型。兴趣模型中的用户偏好值在固定时间间隔t进行线性衰减直至变为0而被淘汰。若在衰减过程中产生了用户对某项目新的评分,该项目兴趣模型中的偏好值将被更新为此评分。实验证明,基于线性衰减的用户兴趣建模方法是有效的。     

基于用户偏好特征挖掘的个性化推荐算法

为了提升社交网络个性化推荐能力,结合用户行为分布进行个性化推荐设计,文中提出基于用户行为特征挖掘的个性化推荐算法,构建社交网络的用户行为信息特征挖掘模型,采用显著数据分块检测方法对社交网络用户特征的行为信息进行融合处理,提取反映用户偏好的语义信息特征量。从情感、关键词和结构等方面根据用户行为特征组,结合模糊信息感知方法进行社交网络个性化推荐过程中的信息融合处理,在关联规则约束控制下,构建社交网络用户偏好特征的混合推荐模型,实现用户偏好特征挖掘,根据语义分布和用户的行为偏好实现社交网络的个性化信息推荐。仿真结果表明,采用所提方法进行社交网络个性化推荐的特征分辨能力较好,对用户行为特征的准确识别能力较强,提高了社交网络推荐输出的准确性。     

基于声誉与基于网络结构的用户聚类比较分析

用户聚类问题是在线用户行为分析的一个重要研究方向。基于在线评分系统,用户声誉反映的是用户对产品打分的准确程度,用户——产品二部分网络结构反映的是用户对产品的品味偏好。结合声誉度量算法,分别采用DBSCAN方法和基于模块度的贪婪算法从用户打分准确程度和品味偏好角度进行用户聚类,提出一种一致性度量指标来衡量根据用户声誉与根据网络结构得到的两种聚类结果之间的联系。两个实证数据集上的实验结果表明根据用户声誉与根据网络结构得到的两种聚类结果是不一致的,说明打分准确程度相似的用户的品味偏好并不相似。     

基于深度信念网与隐变量模型的用户偏好建模

从高维、稀疏的用户评分数据中构建用户偏好模型,存在迭代计算复杂度高、中间结果规模大和难以实现有效推理等问题。为此,提出一种基于深度信念网(DBN)和贝叶斯网(BN)的用户偏好建模方法。采用DBN对评分数据进行分类,用隐变量表示不能直接观测到的用户偏好,利用含隐变量的BN描述评分数据中蕴含的相关属性间的依赖关系及其不确定性。在MovieLens和大众点评数据集上的实验结果表明,该方法能够有效描述评分数据中与用户偏好相关的各属性间的依赖关系,其精确率和执行效率均高于隐变量模型。     

基于数据挖掘的用户安全行为分析

通过对用户网络流量进行协议投影,获得其行为的具体信息,然后采用关联规则等方法,将上面得到的信息进行统计学习,从而得到该用户所特有的行为模式。利用这种模式,可以进行网络用户的身份识别。实验结果表明,该方法为进行用户网络行为特征提取和身份识别提供了一种新思路,另外也有助于发现蠕虫或其他大规模入侵行为。     

基于ZigBee的室内空气质量感知系统的设计

物联网技术的快速发展,给人们的生活带来越来越多的应用;因此,对无线传感器网络节点部署到室内,实时采集室内环境数据,并对数据进行相应的融合和处理,分析出室内环境的动态变化情况,并且能够预测每个时间段的环境状况,并将其分析结果实时反馈给用户,提醒当前的室内环境问题;首先,采集室内的温度、湿度、PM2.5和VOCs,利用ZigBee无线通信技术作为传感器网络的通信基础,同时利用各传感器实时获取室内环境物理数据,通过多元数据的多元线性回归算法对室内环境进行有效监控和评估,通过实验对数据的分析最终在多元线性回归算法中拟合出的均方根误差RMSE为0.0495,能够预测出室内各项因素的变化情况.     

基于用户使用网络行为分析的主动网络安全模型

目前广泛使用的网络安全防护手段都是被动性的,只能防止部分网络攻击,但无法有效地应付新出现的网络攻击,并且有效地抑制“黑客”活动。基于此,该文提出了一种根据用户使用网络的行为来主动发现并抑制其非法活动的模型,并探讨了其可能的实现方法,以及该模型的有效性和存在的问题。该模型可以和被动防护手段相结合,进一步增强Internet中的网络安全问题。     

一种基于用户网络签到行为的地点推荐方法

基于位置的地点推荐服务日益强调用户的个性化需求。对此,可通过社交网站上用户与其好友之间、用户与签到地点以及地点与地点之间的关联,来从用户的网络签到行为中总结出用户的出行特点,从而提出一种基于用户网络签到行为的个性化地点推荐方法。该方法通过融合用户对地点的个人偏好程度、地点自身属性对用户的影响程度以及用户好友对地点的推荐程度,来筛选出候选地点中满足用户个性化需求的地点。实验结果验证了该方法在一定场景下的可行性和有效性。     

基于上下文多维度的移动用户偏好动态分析方法

移动用户偏好的动态分析由于引入了上下文数据,使得原有的用户-项目二维矩阵将扩展为用户-项目-上下文的三维矩阵。根据多维矩阵中低秩分解理论,可以简化数据的分析,但是其移动用户偏好动态分析的自学习方法没有充分利用多维矩阵的低秩分解性质。针对此问题,提出了基于多维度上下文的张量低秩分解的自学习方法,此方法基于张量的平行因子分解性质,加快了算法的收敛速度,降低了数据分析的复杂度。仿真结果验证了算法在移动用户偏好估计精度方面的有效性。     

基于网络编码的手机用户群文件共享和同步

为了快速、准确的实现一跳范围内手机用户群的文件共享,以达到手机用户之间进行协同工作的目的,在Android操作平台上设计、实施了本系统。在系统中提出了基于网络编码的可靠广播算法来保证文件传输的可靠性和快速性,并通过基于机会编码的全网同步算法来实现任一时刻手机群中各节点文件同步。通过真实实验验证了系统中文件共享的时延并不会随着手机群中节点数目的增加而增加,文件同步时网络中数据量大幅度下降,因此相比并发共享等其它方法,系统提供了一种快速、可靠的手机群文件共享和同步方法。