Handling High-Level Queries in Location-Based Services for User Groups

In this paper we deal with the high level management of data involved in Location-Based Services in order to accommodate corresponding queries. A series of techniques are employed on major components of an LBS, namely mobile users, application environment and selected services. First, a grouping technique generalizes the spatio-temporal data describing the mobile users' movement. The environment is represented under a combined spatial and content hierarchy according to the application at hand. Finally, in the service component, relational operators are formed to support relative spatio-temporal queries, while lifeline data types are constructed to extract and compare behavioral trend patterns among the formed user groups. We show how all proposed techniques communicate under a common database schema. Answers to characteristic queries demonstrate the applicability of this work.     

基于用户体验的使用者行为研究

使用者行为研究是用户体验研究中至关重要的一环,通过各种方法收集用户信息,分析使用者的行为模式,探讨潜在的用户心理,为设计提供指导和评估标准。本文探讨了使用者行为研究的各种方法,着重讨论了观察和访问使用者的种种细节,并对人机系统分析等实验室方法作了简单介绍,这对用户体验研究的深入发展有着积极的意义。     

Understanding User Centricity

Building useful software relies on understanding users, their goals, and their problems, and on determining the software that will help them reach those goals and solve those problems. User centricity isn't just caring about users or asking them what they want. It's understanding them and collaborating effectively with them to help make informed choices about what software to build.     

Twitter社交网络用户行为理解及个性化服务推荐算法研究

随着社交网迅速发展,产生了大量带有时空信息的短文本数据.这些短文本数据因其文本长度过短且所带地理位置信息过于稀疏导致用户行为主题难于捕捉.此外,由于目前大多数用户行为理解相关研究工作缺少对行为要素间依赖关系的适度融合,因而造成行为理解具有片面性.基于此,首先提出2种综合考虑用户行为发生时间、活动内容、活动区域的用户-时间-活动模型(user-time-activity model, UTAM)和用户-时间-区域模型(user-time-region model, UTRM),用于深刻理解用户行为规律;然后利用LDA(latent Dirichlet allocation)技术,抽取用户活动-服务主题,提出活动-服务主题模型(activity-to-service topic model, ASTM),用于挖掘活动和服务间的对应关系;最后将服务地点属性内耦合性纳入考虑,提出了基于耦合和距离的矩阵分解(matrix factorization based on couple & distance, MFCD)算法,用于提高推荐质量.为验证所提模型和算法的有效性,在真实Twitter数据集上进行了扩展性实验,结果表明:所提模型对提高个性化服务推荐质量是有效的,MFCD算法对于用户的行为理解效果也优于传统矩阵分解算法.     

融合用户行为和内容的微博用户影响力方法

为了模拟信息在微博环境中的传播情况,根据微博用户行为(发布、关注、转发和评论等)和微博内容,提出一种融合用户行为和内容的微博用户影响力算法。通过对微博用户行为的分析,得到行为因子数据,进而计算出用户影响力的权值。利用微博用户内容建立词共现矩阵,继而运用狄利克雷分配(LDA)模型进行潜在主题分布的识别,通过KL(Kullback Leibler)散度的方法得到用户之间的相似性,最后结合用户影响力权值,得到用户的影响力。实验表明,此算法较为有效。     

基于权重微博链的改进LDA微博主题模型

社交网络尤其是微博中含有大量的短文本。 短文本不同于传统的文本,其携带的语义特征信息密度低,很难对其进行准确地主题挖掘。针对这一问题,提出根据微博发布时间与原创、转发、评论微博等社交行为信息分配权重,使用背景知识丰富语义特征的微博链结构与基于此改进的LDA主题模型。实验结果表明,相比于标准的LDA模型,本模型的Perplexity值更低,即具有较低的预测不确定度。     

基于用户行为的入侵检测系统

在研究分析入侵检测系统相关技术基础上,提出基于用户行为的入侵检测系统模型。针对入侵检测技术中的模式库建立的时效性和准确性问题,将具有优化功能的遗传算法应用到入侵检测技术中,实现了遗传算法与入侵检测技术的有机结合。实验结果证明,将遗传算法应用到入侵检测技术中是有效的、可行的。     

个性化微博推荐算法

微博不同于传统的社会网络和电子商务网站,存在用户活跃程度低,微博数据稀疏和用户兴趣动态变化等特点,将传统推荐算法应用于微博推荐时,效果并不理想。提出了一种基于贝叶斯个性化排序的微博推荐算法,对用户进行个性化微博推荐。该基于贝叶斯个性化排序的微博推荐算法,以微博对的形式提取微博系统中的隐式信息,对这些微博对进行学习,从而得到用户对不同微博的兴趣值。根据每条微博发出的时间,估计每条微博对的可信度。发出时间越接近的微博对,它的可信度就越高,并且对用户的兴趣值影响就越大。在新浪微博的真实数据上进行实验和评测,结果表明该基于贝叶斯个性化排序的微博推荐算法相比于对比算法,在进行微博推荐时有更好的效果。     

基于Hadoop平台的用户行为挖掘

随着互联网发展带来的数据爆炸,使得 Web日志的数据量也越来越大,如何从海量的 Web 日志中挖掘有价值的信息成为了目前研究的热点。本文提出基于 Hadoop 集群框架对 Web 日志进行挖掘。实验结果表明,该集群系统既可以处理海量的 web 日志,同时也能够挖掘出有价值的信息,并证实了利用sqoop在 Hive仓库和传统数据库之间数据迁移的可行性。     

基于浏览器收藏夹的用户行为研究

网络用户可以使用浏览器收藏夹收藏网页并快速访问其中内容。基于收藏夹的用户行为研究将对用户个性化、网页质量评估、大规模网页目录构建等方面的工作具有指导意义。该文使用近27万个用户的收藏夹数据,从组织结构、收藏内容和用户兴趣三个方面对用户收藏行为进行了研究。首先,我们提出收藏夹浏览点击模型,分析了收藏夹结构特征和使用效率;其次,通过与PageRank值比较,我们发现用户倾向于收藏质量高的网络资源;最后,我们结合ODP分析了收藏夹用户的兴趣分布特点。     

移动端用户行为特征识别研究

随着移动互联网的高速发展,智能手机已经成为人们社交、支付、出行、娱乐等活动中不可或缺的工具.而一旦手机被盗用,用户的各类应用账户都可能被无限制地访问,继而导致身份冒用、隐私泄露、财产损失等严重后果.本文提出一种在移动端采集用户行为特征,并通过神经网络建模的识别方法,通过收集手机的倾斜角度、移动速度、加速度,以及用户点击...     

一种用户行为模式的挖掘算法

最大频繁事件序列挖掘是数据挖掘中重要的研究课题之一。该文提出了一种新的挖掘用户行为模式的算法。该算法采用位图索引表的数据格式,使用一种有效的基于前缀树的频繁事件序列扩展方法,结合有效的剪枝技术,明显地加速了最大频繁事件序列的生成。     

基于压缩感知的移动用户行为识别方法

为了提高移动用户行为识别的准确率,提出一种基于压缩感知的行为识别方法,其可对原始加速度数据或压缩后的加速度数据进行行为识别。依据压缩感知理论中可以由冗余字典重构数据的原理,将原始三轴加速度数据作为训练样本构造冗余字典,基于该字典求解最小l1范数得到待识别样本的稀疏系数,根据稀疏系数计算并选取最小残差值对应的行为作为识别结果。实验结果表明,该方法识别移动用户行为的准确率可达82.64%,高于传统方法的识别准确率,且对随机投影压缩后的行为数据也具有良好的识别效果。     

基于用户行为聚类的搜索

因特网的飞速发展,网络资源呈爆炸式的增长。信息检索是人们上网的主要目的之一。目前的信息检索领域有许多检索方法与检索工具,为用户检索信息提供了许多途径。但如何利用搜索引擎实现更快更精确的搜索已经成为这一领域的研究热点。在研究现有的几种搜索引擎的基础上,提出了一种基于用户行为聚类的搜索引擎。通过分析不同的用户行为将搜索用户聚类成不同的用户组,为每组用户返回其喜欢的结果,优化查询结果。     

基于用户行为模型的计算机辅助翻译方法

与全自动机器翻译相比,计算机辅助翻译技术更具实用性,已成为机器翻译领域的一个研究热点.传统的辅助翻译过程中,用户只能被动接受系统提供的辅助译文,并进行翻译后编辑操作.该文提出一种基于用户行为模型的辅助翻译方法,通过实时记录用户的后编辑过程,分析出用户的翻译决策,建立用户行为模型,使得翻译系统能够动态获取和共享用户的翻译...     

有线电视用户行为分析实践

以有线电视网用户行为数据（东方有线2013年第一季度）为基础,实现了用户行为分析的典型应用——个性化节目推荐。实践过程中应用互联网数据处理的大数据技术,包括构建了大数据平台,实现生产大数据的流程,采用SlopeOne和item-to-item算法实现了用户行为分析的典型应用——个性化节目推荐。     

基于内容和用户行为的查询聚类

现有方法没有有效利用查询文本特征、点击行为和session信息来挖掘用户的搜索意图,获取的查询特征对于多意图查询在不同意图下的区分度不足,对于多意图查询的相关查询聚类效果不佳。针对以上问题,该文提出了基于查询图信息的GPLSI模型,并利用该模型学习所得的查询特征进行查询聚类。基于查询图信息的GPLSI模型利用查询的词语、点击和session共现现象,从查询的文本特征、点击行为和session信息等多个方面来模拟查询意图的产生和表现,学习查询在不同搜索意图上的概率分布。最后,实验结果验证了基于查询图信息的PLSI模型用于查询相似度计算和多意图查询聚类中的有效性。     

基于用户搜索行为的query-doc关联挖掘

query和doc之间的关联关系是搜索引擎期望获取的一类有价值的信息. query和doc间准确的关联分析不仅可以帮助搜索结果排序,也在query和doc之间的桥接中起到重要作用,以实现相关query和doc之间的信息传递,有利于更深入的query理解和doc理解,并在此基础上开展相关应用.本文提出了一种基于用户搜索行为的query和doc关联关系挖掘算法,该方法首先对用户搜索点击日志中的数据进行整理与分析,构建query与doc间的二部图,再通过采用马尔可夫随机游走模型对二部图数据进行建模,挖掘二部图中的点击数据和session数据,最终挖掘出点击日志中用户没有点击到的doc数据,从而预测出query和doc间的隐含关联关系,同时也可以利用该算法得到query和query潜在的关联关系.基于以上理论基础,我们实现了一套完整的日志挖掘系统,通过大量的实验对比,该系统在各方面均取得了优异的表现,其中对检索结果相关性的性能提升可以达到71.23%,这充分表明,本文所提出的理论和算法能够很好地解决query和doc之间的隐含关系挖掘问题,为提高搜索结果的召回率、实现查询推荐和检索结果聚类奠定了良好的前提基础.     

基于网页浏览日志的用户行为分析

随着问答社区信息的长期积累,越来越多的过时信息充斥在其中并被搜索引擎检索,给信息需求者带来不便。用户的网页浏览日志中隐性地包含用户的行为习惯,通过分析得到这些信息对判断网页信息时效性有着重要意义。文中提出针对网页浏览日志的查询过程划分方法,并在划分的基础之上对大量真实用户的浏览行为习惯做了统计分析。结果显示,用户查询一次信息平均浏览8.05个页面,用时6.28分钟,有将近1/3的查询在交替并发中进行,另外用户对于网站站内搜索的依赖较高。从浏览日志数据集中选取了一个社区网站的浏览记录来进行初步的网页信息时效性分析,结果表明造成用户不满意的原因主要是查询相关度不高,而过时信息只是其中一小部分。