基于搜索历史的用户兴趣模型的研究

提出了一种新的基于搜索历史的用户兴趣模型，目的是解决现有搜索引擎很难考虑用户兴趣来实现用户个性化搜索以及用户兴趣很难更新的问题。提出了基于搜索历史的用户兴趣的表达方法和自动隐式学习算法。全面地描述了用户兴趣模型的建立及通过自动隐式学习算法不断更新、优化模型的处理过程，并给出了对模型的评价标准。     

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。     

基于用户反馈的智能合作过滤模型的研究

为了提供给用户更准确的信息，提出基于用户反馈的智能合作过滤模型和一种基于用户兴趣的动态Q学习算法，并建立用户兴趣模型．通过隐式反馈和显式反馈这2种反馈方式更新用户模型并实现合作过滤．实验结果表明，在输入相同查询提问情况下ACFM在预测用户兴趣的效果和推荐搜索信息的查全率和查准率方面比传统的搜索引擎有明显改善．     

基于Web挖掘与相关反馈的多层次用户兴趣挖掘算法

针对现有用户兴趣挖掘算法单一的缺点，提出了基于Web挖掘与相关反馈的多层次用户兴趣挖掘算法，在充分挖掘Web内容的同时，又将用户对网页的相关性反馈引入到算法中，实现显式提交信息与自动隐式学习相结合。实验证明该算法能较好地描述用户的兴趣类型及兴趣度，为实现个性化信息检索奠定了基础。     

基于用户兴趣反馈的智能合作过滤模型的研究

随着网络信息资源的迅速增加,如何及时准确地获取所需信息是现代网络信息过滤技术需要解决的主要问题.为了给用户提供更准确的信息,提出了一种基于用户反馈的智能合作过滤模型(Agent collaborative filtering model based on users'feedback,ACFM)和用户兴趣模型,该模型通过隐式反馈和显式反馈这两种用户兴趣反馈学习实现合作过滤.实验结果表明,ACFM在预测用户兴趣的效果和推荐搜索信息的准确率方面比传统的搜索引擎有明显改善.     

一种个性化移动搜索技术的研究*

在Ｗeb上进行搜索时,每个人都有各自的背景和目标,针对移动搜索的个性化需求,提出了一种基于本体的个性化搜索模型。该模型通过隐式地捕捉移动用户的浏览历史,为本体概念赋予相应的权值从而得到用户的兴趣模板。根据用户不断更新的访问行为,采用扩散激活算法来维护调整相应概念权值,最终将经过重排名的结果转换为WAP协议标记语言格式输出给用户。实验结果表明,根据概念权值进行网页重排名的方法对于改进移动用户体验来说是非常有效的。     

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。     

基于隐式反馈的个人信息检索技术及实现

回顾了已有的相关反馈技术，在此基础上提出了构造和调整用户兴趣模型的隐式反馈算法，给出了一个基于隐式反馈的lnfoAgent的设计实现和实验结果，实验表明隐式反馈技术对提高检索精度有很大的帮助。     

基于RSS信息源的用户兴趣建模与更新

互联网迅速发展,个性化信息服务成为研究的热点之一。RSS标准提供了结构化的信息模式,便于信息搜索和概要浏览。该文针对基于RSS标准的新闻源,根据用户点击等隐式信息,通过文本相似判定,自动聚类形成用户兴趣子类。用户模型节点、信息类别和用户兴趣子类构成了三层结构的树状用户兴趣模型。信息类别与用户兴趣子类均有对应的兴趣度。用户模型的更新是通过用户兴趣子类的更新与相关兴趣度的更新完成的。通过此模型进行信息推荐还要保证适当的信息冗余度。该模型的个性化程度高且更新效果好。     

一个基于搜索结果的个性化推荐系统

搜索引擎返回的结果太多且不能根据用户的兴趣提供检索结果是当前较受关注的问题。把用户兴趣模型和STC聚类算法相结合,提出了改进的STC算法,并提出个性化推荐的策略和兴趣描述更新的方法,实现了一个基于搜索结果的个性化推荐系统(SRPRS)。SRPRS基于改进的STC算法自动组织搜索结果,帮助用户利用主题的方式发现所需的资源。通过实验,分析了SRPRS系统的聚类特性和时间特性。针对搜索引擎的列表显示结果,SRPRS系统在快速查找用户感兴趣的文档上有较好的性能。     

面向可变用户群体的可搜索属性基加密方案

为解决属性基加密方案中用户撤销繁琐、密文更新计算开销大的问题,提出一种面向可变用户群体的可搜索属性基加密方案.利用二叉树管理撤销列表,当需要撤销用户时,可信中心只要将其加入撤销列表,并通知云服务器更新部分密文,提高了用户撤销的效率.考虑到利用二叉树实现用户撤销会导致系统中用户数量存在上限,当某个二叉树叶结点所代表的用户被撤销后,只要更新二叉树中设置的随机值,其他用户就可以重复使用该结点.基于配对计算为用户提供密文搜索功能,并保证被撤销的用户无法搜索密文.安全性分析表明,该方案在随机谕言模型下满足选择明文不可区分安全性.性能分析和实验数据表明,该方案相比于同类方案,计算开销更小.     

Personalized Web search for improving retrieval effectiveness

Current Web search engines are built to serve all users, independent of the special needs of any individual user. Personalization of Web search is to carry out retrieval for each user incorporating his/her interests. We propose a novel technique to learn user profiles from users' search histories. The user profiles are then used to improve retrieval effectiveness in Web search. A user profile and a general profile are learned from the user's search history and a category hierarchy, respectively. These two profiles are combined to map a user query into a set of categories which represent the user's search intention and serve as a context to disambiguate the words in the user's query. Web search is conducted based on both the user query and the set of categories. Several profile learning and category mapping algorithms and a fusion algorithm are provided and evaluated. Experimental results indicate that our technique to personalize Web search is both effective and efficient.     

基于短期记忆与遗忘系数的用户个性化建模方法研究

搜索引擎的一个标准是不同的用户用相同的查询条件检索时,返回的结果相同。为解决准确性问题,个性化搜索引擎被提出,它可以根据用户的不同个性化特征提供不同的搜索结果。然而,现有的方法更注重用户的长时记忆和独立的用户日志文件,从而降低了个性化搜索的有效性。获取用户短时记忆模型来提供准确有效的用户偏好的个性化搜索方法被广泛采用。首先,根据基于查询关键词的相关概念生成短期记忆模型;接着,基于用户的时序有效点击数据生成用户个性化模型;最后,在用户会话中引入了遗忘因子来优化用户个性化模型。实验结果表明,所提出的方法可以较好地表达用户信息需求,较为准确地构建用户的个性化模型。     

一种基于本体的个性化模式库建模方法

搜索引擎的“千人一面”为人们信息检索时带来了很大的烦恼,个性化模式库技术的引入解决了这个问题,使得搜索引擎能够很好地满足人们的个性化、智能化需求.提出一种基于本体的个性化模式库建模方法,通过树图和空间图相结合的方法来建模,在空间图中建立本体节点,并引入区间值模糊集理论,同时给出相关定义和公式,在对该方法进行理论分析的基础上,设计了一个实现算法.这种建模方法对改进传统树形建模的不足有一定益处,更利于建立、使用和完善用户个性化模式.理论分析证明,该算法具有正确性、有效性并且复杂性低的特点.     

个性化搜索引擎中用户模型智能调整算法的研究

个性化信息服务越来越成为信息检索领域中研究的热点。针对用户模型构造问题,文章结合手工定制建模与自动分析建模技术,利用空间向量模型表示法,提出了一种用户模型智能调整算法。模拟实验表明,该结构和算法能够有效地提高检索结果的准确度,并且具有良好的可适应性。     

知识社群中用户模型表示和更新

随着时代的发展,越来越多的企业了解到知识的重要性。如何能更好的共享企业内部的知识,使得企业的员工能更好的发挥他们的优势为企业创造效益越来越多的为更多的企业所关注。为了实现这一点,我们在构建知识社群实现知识共享的同时,提出该系统的用户模型的表示和更新,以实现在向用户推荐合适信息、为用户服务的同时为企业提供该员工的综合评价,并利用相关反馈,追踪和更新用户模型,提高服务的效率。     

User feedback based enhancement in web search quality

Of late, there has been a paradigm shift in web searching from the content based searching to the connectivity based or more commonly known as hyperlink based (or simply link based) searching. But, both the content based approach as well as the link based approach are objective ones, which are totally dependent on the effectiveness of their “feature extraction” mechanisms, with no apparent consideration to the preference of the searcher. In this work, a “user satisfaction” guided web search procedure is proposed. We calculate the importance weight of each document viewed by the user based on the feedback vector obtained from his actions. This document weight is then used to update the index database in such a way that the documents being consistently preferred go up the ranking, while the ones being neglected go down. Our simulation results show a steady rise in the satisfaction levels of the modeled users as more and more learning goes into our system. We also propose a couple of novel additions to the web search querying techniques.     

基于用户动机模型的搜索引擎研究

提出一种基于用户动机模型的网络搜索引擎和一种提高用户行为模型构建效率的方案.动机模型建立于用户与搜索引擎之间,用以辅助用户检索,以达到提高搜索引擎检索效率和准确率的目的.以人类行为学为理论基础,以个性化技术为手段,从而合并相似的用户行为模型以构建用户动机模型.通过实验,验证了基于用户动机模型的搜索引擎比通用搜索引擎能更好地适应用户的需求.     

图像检索中基于长期学习的动态用户模型

提出一个结合长期学习的概率检索模型,即通过估算一个动态的用户模型来预测目标图像的概率分布.系统以反馈序列为用户模式,通过与反馈日志中用户模式的匹配,动态地调整对当前用户的预测.与PicHunter传统用户模型相比,此系统基于长期学习的方法,通过对用户反馈的观察,动态地调整当前的用户模型,从而更精确地推断当前用户的反馈行为.对1.1万幅图像数据库的实验表明,与已知方法相比,此方法对检索精度有明显的改善.     

基于用户行为的长查询用户满意度分析

搜索引擎性能评估是信息检索界一个重要课题.长查询具有较为丰富的信息内容,能更加准确地描述用户的信息需求.在此基础上文中提出长查询用户满意度分析的整体框架,定义用户满意度的概念,并在用户日志中提取相关用户行为特征,应用决策树和SVM两种分类算法评测用户满意度.在大规模商业搜索引擎日志上完成的实验结果证明了这套评价体系的有效性.结果表明,用户对于查询满意和不满意的分类准确率分别达到86％和70％.