一种融合用户主题兴趣与用户行为的文档推荐方法

针对单一角度描述用户兴趣存在片面性的问题,该文提出一种融合用户主题兴趣和用户行为的文档推荐方法。一方面从主题兴趣的角度,构建反映用户主题兴趣的主题向量用户模型;另一方面从用户行为的角度,构建反映用户行为兴趣的打分矩阵用户模型。然后,基于上述用户模型提出了两种文档推荐方法,并采用线性加权的方式融合这两种方法,从而实现对用户主题兴趣与用户行为的融合。实验结果表明,该方法的推荐结果好于协同过滤推荐方法和基于内容的推荐方法。     

个性化信息过滤系统中用户兴趣模型建立和更新

提出了一种新的用户兴趣模型的建立和更新方法.该方法通过web内容挖掘和用户行为分析建立用户模型,而通过移动时间窗口更新用户模型.实验表明,该用户兴趣模型能有效提高检索精度,提高个性化信息服务的效率.     

面向新闻推荐的用户兴趣模型构建与更新

针对新闻推荐系统中用户兴趣模型构建与用户兴趣漂移问题,提出了一种面向新闻推荐的用户兴趣模型构建与更新方法。首先采用向量空间模型与bisecting K-means聚类算法构建了原始用户兴趣模型;然后以艾宾浩斯遗忘曲线为基础构造了遗忘函数,并以此对用户兴趣模型进行时间加权,从而达到对用户兴趣模型更新的目的。实验以基于用户的协同过滤推荐、基于物品的协同过滤推荐为baseline,实验结果表明所构建的原始用户兴趣模型推荐性能更优,在◢F◣值上提升了4%,更新后的模型与原始模型相比◢F◣值提高了1.3%。     

一种基于用户行为的兴趣度模型

个性化推荐技术在电子商务系统中得到了广泛应用。针对现有的用户模型不能根据用户自身兴趣实现推荐的问题,提出了一种基于用户行为的兴趣度模型,分析用户的行为模式,结合用户的浏览内容,发现用户兴趣。在此基础上采用期望最大化算法实现用户聚类,将用户划分到对应的簇,创建用户的兴趣度模型,从而向用户进行个性化推荐。实验对比结果表明,该模型能更好地发现用户当前的购买兴趣,从而进一步提高个性化推荐精度和用户满意度。     

一种基于数据挖掘的SNS用户兴趣模型

详细阐述SNS用户兴趣模型建模过程中的每一个步骤和其中所运用的关键技术,包括向量空间模型、聚类分析等,并且建立系统以支撑所构建的模型,着重介绍如何编程计算用户兴趣权值。该模型具有易更新、易提取的特点,可开发成控件嵌入到社交网站中使用,以了解用户兴趣。     

一种新的语言信息计算模型

语言的可计算性问题是理论计算机科学的一个基本问题，字母文字信息的计算模型已经有数十年的历史，而适合汉语信息的计算模型尚未见到．中文信息处理与信息安全的研究迫切需要有适合汉语信息的数学计算模型，提出了两个新的字符串计算模型．在模型1的基础上定义了几个函数运算．利用这两个模型可以将任何汉语信息的处理转换为相应的数值进行处理，对汉语信息处理、汉语程序设计理论的建立和信息安全的研究具有一定的实际意义。     

邮件系统中的兴趣漂移混合模型

针对如何在邮件系统中进行用户兴趣模型更新的问题,提出了一种兴趣漂移方法。根据用户长期兴趣和短期兴趣的不同特点,对短期兴趣模型采用时间窗口方法,对长期兴趣模型采用遗忘函数方法进行模型更新。实验结果表明,短期兴趣模型能很好地预测用户近期的兴趣,长期兴趣模型对较长时间段内用户兴趣的预测更稳定。采用混合模型能更好地描述用户兴趣。     

诱导推理的一种计算模型

基于辩论推理模式，本文提出了诱导推理的一种计算模型，其特点简洁，直观，并且包含了多种现有的诱导框架，该诱导模型为常识推的计算机实现提供了一种新的途径。     

构建微博用户兴趣模型的主题模型的分析

分析了不同的主题模型,通过实验比较了3种主题模型构建的微博用户兴趣模型的性能。实验结果表明:TwitterLDA适用于新文档或新用户的预测,AuthorLDA产生的主题具有较高的区分度,而UserLDA和AuthorLDA能更好地反映出用户的社交网络关系。上述工作为进一步研究主题模型如何应用于微博的个性化信息推荐、情感分析和话题检测与跟踪等文本挖掘应用奠定了基础。     

一种基于上下文的用户兴趣模型

当前的上下文觉察计算研究大多没有为用户提供个性化的服务,而且对在手持设备上的个性化上下文觉察服务的用户模型研究也不多见。依托用在PC上的个性化用户模型试探性的研究手持设备上加入上下文信息的用户兴趣模型,并对设计过程给出详细论述,通过模拟实验证明模型的有效性,并对未来手持设备上用户模型进行展望。     

基于深度学习挖掘用户搜索主题研究

主要研究了基于深度学习技术挖掘用户搜索主题相关的感兴趣内容。通过深度挖掘算法分析用户搜索记录、查询历史以及用户感兴趣的相关文档视为用户搜索主题数据的来源,进而挖掘兴趣主题。挖掘模型主要采用向量空间模型,将用户搜索主题模型表示成用户搜索主题向量形式。形成主题和用户兴趣关系网,用户搜索主题向量的构造过程:选择一组用户查询词,并对它们进行深度挖掘分类,最后用它们构造用户搜索主题特征向量,进而分析用户兴趣点。结合用户随着时间的变化,以及过程中有不用的搜索词,以及无关的搜索噪声词去掉,调整兴趣度,用户搜索主题需要具有更新学习机制,动态跟踪了用户兴趣变化趋势。该用户搜索主题研究过程克服了数据稀疏、类别偏差、扩展性差等缺点。实验结果表明,该模型识别用户搜索主题准确率良好。     

基于模型的Web用户行为分析的大数据分析框架

虽然基本的Web分析工具非常普遍,目前的分析工具只分析页面级别的用户交互,为了加深对用户行为的理解,该研究提出了将Web应用程序与运行时日志相结合的方法.实现对web应用程序的日志以及用户与页面的交互的跟踪,达到了基于大数据的用户行为分析和可视化.     

个性化信息检索系统中用户兴趣模型的建立

个性化检索系统通过收集和分析用户信息来学习用户的兴趣和行为,从而实现对用户的个性化的信息推荐服务。而用户兴趣模型正是用户和兴趣的信息模型,用户兴趣模型直接影响到个性化的信息服务。     

视频点播系统中的用户行为时序模型和聚类

对视频点播系统中用户行为进行建模和仿真,是研究系统使用状况、设计性能优化算法的重要手段.但在以往的研究中,对用户行为建模和仿真都是基于整体历史数据的统计进行的,而在很多情况下,对不同模式的行为采用不同的策略能够更好的提供视频传输服务.本文针对视频点播系统中用户点播行为的特性,以及系统优化策略的需要,提出用户行为时间序列模型和聚类方法,在中国科技大学视频点播系统实际数据基础上进行了仿真测试,结果表明了该方法的可行性.     

基于无侵犯模式的用户挖掘方法

提出了用于保护用户信息安全的无侵犯模式原则，并应用“双标识”策略实现了用户信息的重用；建立了用户网络行为的Markov模型，设计了模型的实现算法．模型中定义了用户行为的状态转移概率矩阵以及平均等待时间，自动学习用户行为模式．将该方法应用于实验网站上，较好地提高了网站的设计性能和服务质量．     

面向用户互联网访问日志的异常点击分析

随着互联网用户人数的日益增长,用户行为分析已经成为互联网技术领域重要的研究方法之一。在日志中去除异常点击,对于准确挖掘用户行为的意图和习惯十分重要。该文采用某公司提供的真实用户互联网访问日志,对日志中的连续点击,单IP多用户以及单用户多IP等可能的异常点击,从访问集中度,用户平均访问量等方面进行了分析。我们认为对于连续点击,用户行为分析研究人员可以分情况滤去多余点击或该用户所有点击,而对于单IP多用户和单用户多 IP的点击,我们建议不做处理。     

个性化服务中基于行为分析的用户兴趣建模

为了更好地为用户提供个性化服务,本文从心理学的角度运用内驱力理论发现Web用户的浏览行为和他对网页是否感兴趣密切相关,并提出用线性回归模型来描述它们之间的相关性。通过实验验证了我们提出的这种回归模型是成立的、合理的和有效的。通过分析用户浏览行为计算出来的兴趣度可以应用于Web信息服务领域中的许多方面,对个性
化服务系统的研制有着重要影响。     

基于性格情绪特征的改进主题情感模型

近年来,以微博为代表的社交媒体在情感分析中备受关注。然而,绝大多数现有的主题情感模型并没有充分考虑到用户性格特征,导致情感分析结果难尽人意。故该文在现有的JST模型基础上进行改进,提出一种基于时间的性格建模方法,将用户性格特征纳入主题情感模型中;鉴于微博数据包含大量的表情符号之类的特有信息,为了充分利用表情符号来提升微博情感识别性能,该文将情感符号融入JST模型中,进而提出了一种改进的主题情感联合模型UC-JST(Joint Sentiment/Topic Model Based on User Character)。通过在真实的新浪微博数据集上进行实验,结果表明UC-JST情感分类效果优于JST、TUS-LDA、JUST、TSMMF四种典型的无监督情感分类方法。