基于文本过滤的数字图书馆个性化服务技术

在数字图书馆的应用中,个性化服务可以为用户提供符合其兴趣的检索结果。提供了一种针对数字图书馆个性化服务策略的文本过滤技术,通过在向量空间内建立用户兴趣模型和文本内容特征模型,计算它们的相似度后,将用户不感兴趣的文本过滤掉。详细描述了具体的建模过程和个性化文本过滤算法,最后给出了在实际的数字图书馆工程中的验证结果。     

互惠社区构建及个性化推荐算法仿真研究

社区构建对于降低个性化推荐的计算复杂度、提高推荐预测准确度具有重要的意义.该文提出了一种基于组代理的互惠社区构建及个性化推荐算法并进行了仿真实现,着重对分布式环境下的用户数据管理、相似用户查找和社区自组织的问题进行了研究.首先对基于组代理的互惠社区的仿真模型进行了描述,然后引入向量空间模型,并综合不同资源的特征频度向量和用户对该资源的评估值构成用户偏好特征向量（IFV,Interest Feature Vector）,作为衡量用户兴趣一致性和相似用户的匹配的标准,并在此基础上提出组隶属度和推荐认可等机制来实现社区结构的动态调整,试验证明该算法具有较高的社区构建效率和推荐准确度,并具有良好的可扩展性.     

基于语义相似度的个性化信息检索方法

随着网络资源的爆炸式增长以及语义网的出现,个性化检索成为当前信息检索研究的热点.提出一种基于语义相似度的个性化信息检索方法.通过分析三种传统的语义相似度计算方法,针对三种方法的优缺点,提出一种改进的基于领域本体的语义相似度计算方法,该方法将有向边权重、概念层次差以及概念属性,引用到语义相似度的计算中.并在已有的领域本体的基础上构建用户个性化模型,使用本体来存储用户兴趣,最终应用到个性化检索中.实验结果表明,该方法有效地对用户的查询请求进行概念扩充,提高了搜索的查全率与查准率.     

基于问句相似度的中文FAQ问答系统

常见问题(FAQ)问答系统是一种在已有的“问题—答案”对集合中找到与用户提问相匹配的问句,并将其对应的答案返回给用户的问答式检索系统。其关键问题是用户提出问句与FAQ库中问句进行相似度计算,找出FAQ库中最相近的问句,并返回事先存储好的问题答案。通过对常见问句特点的研究,给出一种基于分解的向量空间模型和语义概念的问句相似度计算方法,其主要思想是对一个问句向量进行分解,提取其三个关键部分:问点、主题词和疑问词,表示成三个分向量,然后对每个分向量计算基于《HIT-IRLab同义词词林(扩展版)》的语义相似度,通过线性加权就可以得出两个问句的语义相似度。试验表明,与传统的基于向量空间模型的TF-DF问句相似度计算方法相比,可以提高问句匹配的精度。     

基于网页概率潜在语义信息的用户兴趣聚类

为了能准确挖掘用户兴趣点,首先利用概率潜在语义分析PLSA模型将“网页 词”矩阵向量投影到概率潜在语义向量空间,并提出“自动相似度阈值选择”方法得到网页间的相似度阈值,最后提出将平面划分法与凝聚式层次聚类相结合的凝聚式层次k中心点HAK medoids算法,实现用户兴趣点聚类。实验结果表明,与传统的基于划分的算法相比,HAK medoids算法聚类效果更好。同时,提出的用户兴趣点聚类技术在个性化服务领域可提高个性化推荐和搜索的效率。关键词：     

基于VSM的OAI—PMH元数据相似度计算研究

针对OAI-PMH存在大量相似的元数据,结合元数据内容的结构特性,提出了一种基于向量空间模型的OAIPMH元数据相似度的计算方法.为了较好地反映特征项在元数据内容不同层次的重要程度,采用了结构层次权重系数改进的TF-IDF方法来计算特征项权重.实验分析表明,使用该方法对元数据之间相似度的计算是有效的、可行的.为用户在搜索查询时提供了基于元数据的相似资源,方便了用户,提高了信息服务质量.     

VRE中基于内容过滤的论文推荐算法*

针对虚拟研究环境中的重要资源论文,提出了基于内容过滤的推荐算法,即根据研究者兴趣实现个性化服务,推荐所需论文。该算法采用矢量空间模型作为用户兴趣和资源描述模型,使用余弦相似度计算资源推荐度;基于效率考虑,利用朴素贝叶斯分类算法减小搜索空间。实验表明,推荐效果和效率得到了明显改善。     

VRE中基于内容过滤的论文推荐算法

针对虚拟研究环境中的重要资源论文,提出了基于内容过滤的推荐算法,即根据研究者兴趣实现个性化服务,推荐所需论文.该算法采用矢量空间模型作为用户兴趣和资源描述模型,使用余弦相似度计算资源推荐度;基于效率考虑,利用朴素贝叶斯分类算法减小搜索空间.实验表明,推荐效果和效率得到了明显改善.     

个性化搜索引擎的研究与设计

个性化搜索引擎是一种通过机器主动学习用户兴趣,并根据用户兴趣帮助用户进行信息筛选的新一代智能化搜索引擎.在对第二代搜索引擎分析的基础上,运用向量空间模型,设计并实现了一个完整的可学习用户兴趣并可动态调整的个性化搜索引擎.在应用向量空间模型的过程中对经典的相似度算法进行了改进和简化,同时对于关键词的学习与提取以及个性化计算的动态调整提出了若干有益的方法.     

基于层次向量空间模型的用户兴趣建模研究

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.     

基于TF-IDF分类算法的雷达情报分发技术

为了提高情报分发的效率,解决雷达组网上信息过载的问题,提出了一种利用个性化推荐技术过滤情报用户感兴趣的情报信息的技术.根据情报用户兴趣多样性的特点和雷达情报的格式化特征,对情报用户兴趣的类别进行划分,并设计出基于层次向量空间模型;在此基础上,利用用户的历史情报信息和定制信息,运用TF-IDF算法挖掘用户兴趣,建立用户兴趣模型,通过实时情报与用户兴趣模型的匹配,将用户感兴趣的情报分发给用户.仿真实验结果表明,该算法能够较好地实现雷达情报的按需分发.     

基于情境相似度和二次聚类的协同过滤推荐算法

随着移动互联网规模的不断扩大,传统推荐系统因较少考虑多种情境因素和用户置信度对用户偏好预测的综合影响,造成了推荐算法预测结果的偏差。针对此问题,将情境信息引入个性化推荐的过程中,提出一种基于情境相似度和二次聚类的协同过滤算法。该算法首先根据用户情境的相似度对用户进行初始聚类,再基于评分矩阵计算用户评分置信度,将用户分为核心用户和非核心用户;然后根据核心用户评分对初始聚类的簇心进行调整,并对簇中非核心用户进行重聚类,形成新的聚簇;最终根据情境相似度对用户偏好进行预测。该算法可以在一定程度上降低评分矩阵中的噪点对聚类结果的影响,提高了推荐结果的准确性。基于实际数据集的仿真实验表明,该算法与传统协同过滤算法相比能够有效提高用户偏好预测的准确性,增加协同过滤推荐算法的精确度。     

基于内容过滤的个性化搜索算法

传统信息检索技术满足了人们一定的需要,但由于其通用的性质,仍然不能满足不同背景、不同目的和不同时期的查询请求.提出了一种基于内容过滤的个性化搜索算法.利用领域分类模型上的概率分布表达了用户的兴趣模型,然后给出了相似性计算和用户兴趣模型更新的方法.对比实验表明,概率模型比矢量空间模型更好地表达了用户的兴趣和变化.     

一种社会化标注系统资源个性化推荐方法

目前许多基于社化化标注的个性化资源推荐方法均忽视了用户长短期兴趣和多义标签问题对推荐的不同影响,为此,设计区分用户长短期兴趣的指标——用户的标签偏好权重和资源偏好权重;在此基础上,提出一种结合基于内容和基于协同过滤方法优点的混合推荐方法,通过加入标注相同资源的标签向量相似度计算因子,来减小多义标签对推荐结果的影响。实验表明,将该方法引入社会化标注系统资源个性化推荐算法中,能提高推荐精度。     

基于Web的个性化搜索引擎的研究

分析了传统搜索引擎系统的缺点.设计了一种个性化搜索引擎的体系架构,提出了一种改进的向量空间模型.该模型利用非线性加权的思想来处理特征权值的计算.最后,给出了一种基于改进的向量空间模型的个性化搜索算法,能够针对不同用户提供不同的检索结果.实验结果表明,该结构和算法能够有效地提高搜索引擎的性能,满足用户的个性化需求.     

基于Web数据流挖掘的资源服务实现

为了提高网站的利用率及优化网站,构建了Web数据流挖掘系统,介绍了该系统的框架结构,并以商丘师范学院校园网为挖掘对象,说明了Web数据流挖掘的工作流程以及Web资源服务的具体实现流程。实践证明,基于Web数据流挖掘技术实现Web资源服务,可充分利用Web网站的信息和网络资源,实时、高效地为用户提供个性化的Web资源服务。     

融合用户评分和属性相似度的协同过滤推荐算法

为了提高协同过滤推荐系统的推荐效率和准确性,更好地向用户提供个性化的推荐服务,提出一种用户评分和属性相似度的推荐算法。首先分析当前协同过滤推荐研究的现状,设计评分相似度、兴趣倾向相似度、置信度等作为评分标准,使得用户相似度的计算更加准确、有区分度,然后根据用户属性来衡量用户之间的相似度,最后利用MovieLens数据集和Book-Crossing数据集做对比试验,对比精度、通用性和不同稀疏度及冷启动情况下的性能。实验结果表明,本文算法不仅提高了推荐精度,而且明显优于其它协同过滤推荐算法,具有更高的实际应用价值。     

一种改进的回溯事件检测算法

重点研究事件检测模型中层次聚类算法的改进,提出利用在关键词抽取基础上利用新闻的各种要素信息计算新闻之间相似度的方式,搭建了一个在线新闻检索系统,在其上利用新华社的新闻语料进行实验。实验结果表明改进方法的效果明显,性能较之未使用前有显著的提升。