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.     

个性化搜索引擎中用户兴趣模型的构建方法

在分析个性化搜索引擎的基础上,提出一种构建用户兴趣模型的方法.该方法综合考虑用户注册兴趣及浏览行为,将用户兴趣分为长期兴趣和短期兴趣并通过兴趣树进行存储.遗忘机制的引入保证模型能够及时准确地反映用户兴趣.模拟实验表明,本文提出的用户兴趣模型能够有效地提高检索效率,使搜索结果更好地满足用户个性化需求.     

个性化元搜索引擎的研究与设计

随着Web信息的快速增长和人们对信息检索质量要求的提高,传统的搜索引擎已不能很好地满足人们的需求. 本文提出了一种个性化元搜索引擎模型.个性化是指模型可以针对不同的用户建立不同的用户兴趣模型,然后根据用户兴趣,模型对搜索结果进行过滤、重排序处理,使得显示给用户的搜索结果更具有针对性.本文阐述了各主要功能模块工作原理,并详细介绍了根据用户兴趣模型对搜索结果进行排序的算法,实验表明该算法能够有效地提高用户的检索质量.     

基于Ajax与向量空间模型的个性化搜索引擎

针对个性化搜索的三个关键问题：用户信息搜集,用户信息库的动态更新与个性化检索算法,探索性地提出了基于Ajax用户行为跟踪方案,以会话为单位动态更新用户行为信息库策略与加入用户文档的向量空间检索模型,在此基础上设计并实现了个性化搜索引擎实验系统。     

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。     

基于优化时间窗的用户兴趣漂移方法

针对个性化服务系统中如何跟踪用户兴趣变化和调整用户兴趣模型的问题,提出基于优化时间窗的用户兴趣漂移算法。利用分类错误率的变化跟踪用户兴趣的漂移,当用户兴趣发生变化时,通过优化时间窗算法自动调节时间窗的大小,以达到调整用户兴趣模型的目的。实验表明,该方法能较为准确地描述用户的兴趣变化,提高个性化信息服务的效率。     

基于本体用户兴趣模型的个性化推荐系统

针对传统个性化推荐系统用户兴趣模型创建和更新的不足,无法准确地感知用户特定背景下的语义信息和用户兴趣随着时间的变化,基于用户兴趣本体提出一种新用户兴趣模型,并通过激活扩展理论描述该用户兴趣模型的更新算法。同时,改进了推荐算法,结合协同过滤进行个性化推荐。实验结果表明,该模型能够有效反映用户兴趣,新的推荐算法在MEA、多样性、冷启动处理、稳定性方面都具备很高的性能。     

基于兴趣衰减的个性化排序算法

目前多数个性化排序算法未考虑用户兴趣随时间产生的漂移变化,从而影响排序质量。为此,提出一种融合用户兴趣衰减的个性化排序算法。利用传统个性化排序算法的用户兴趣模型,及用户搜索兴趣的变化规律,分析搜索兴趣程度的时间衰减性,以人类遗忘曲线为基础给出适合搜索兴趣变化的指数遗忘函数,并将其运用到传统个性化排序算法中。实验结果表明,与基于兴趣模型的个性化排序算法相比,该算法能提高个性化搜索引擎的查准率。