国内用户兴趣建模研究进展

介绍了用户兴趣建模内涵及核心研究内容,并从模型表示、用户行为与兴趣数据采集、模型进化、模型评价4方面介绍了国内用户兴趣建模研究进展。

基于用户兴趣模型的个性化旅游线路生成建模研究

针对个性化旅游线路生成过程中用户个人喜好分析环节较为薄弱,依照用户兴趣分析结果生成路线景点过于分散,旅游线路景区覆盖率较低的问题,提出一种基于用户兴趣模型的个性化旅游线路生成建模方法。获取用户数据,并按照显性兴趣、隐性兴趣的分类方式设定数据标签,完成数据预处理。根据关联规则结合数据预处理结果,构建用户兴趣模型,分析用户对部分旅游目的地的兴趣值以及用户的旅游行为特征。基于用户兴趣模型的个性化旅游线路生成建模方法设计完成。实验结果证实,所提模型可有效克服用户个人喜好分析问题,提升旅游线路景区覆盖率。

基于用户兴趣的产品推荐算法研究

当前的产品推荐算法,用户兴趣指标较低,推荐质量不高。基于此,设计基于用户兴趣的产品推荐算法。该算法提取产品交易特征,规范用户对产品的认知度;基于用户兴趣计算产品特征相似性,增加用户感兴趣产品的推荐;构建产品推荐优化模型,优化产品推荐质量,进而实现产品的个性化推荐。通过实验的方式,验证了新算法的产品推荐效果更佳,极具推广价值。

基于背景和内容的微博用户兴趣挖掘

微博用户兴趣挖掘是个性化推荐、社群划分的基础工作.在深入分析微博网络特点的基础上,给出了能够揭示微博网络多模性的描述模型,对面向微博网络的后续研究具有参考价值.根据微博网络的特点,提出了基于背景的用户静态兴趣表示及挖掘方法,以及基于微博的用户动态兴趣表示和挖掘方法.针对微博网络中缺少背景信息、发表微博很少的大量不活跃用户,提出了基于关注的用户兴趣挖掘方法.以新浪微博为例,选取了时尚、企业管理、教育、军事、文化这5个领域进行用户兴趣挖掘及相似度计算的实验分析和比较,结果表明,与主流的兴趣挖掘方法相比,该微博用户兴趣的表示和挖掘方法可以有效地改善微博用户兴趣挖掘的效果.

基于知识图谱与用户兴趣的推荐算法

为了解决协同过滤推荐算法中存在的冷启动以及数据稀疏性等问题,文中引入了具有丰富语义信息和路径信息的知识图谱。基于其结构特征,将图神经网络应用于知识图谱的推荐算法得到了研究者的青睐。推荐算法的核心在于获取物品特征和用户特征,然而,该方面研究的重点在于更好地表达物品特征,而忽略了用户特征的表示。文中在知识图谱图神经网络的基础上,提出了一种基于知识图谱与用户兴趣的推荐算法。该算法通过引入一个独立的用户兴趣捕获模块,来学习用户历史信息,引入了用户兴趣,使得推荐算法在用户和物品两个方面都得到了良好表征。实验结果表明,在MovieLens数据集上,基于知识图谱与用户兴趣的推荐算法实现了数据的充分利用,具有良好的效果,对推荐准确性起到了促进作用。

基于用户兴趣改进模型的智慧图书馆个性化检索服务研究

为了解决目前用户在图书馆检索系统中无法找到自己感兴趣的内容的困境,文章以抓取的各类教育网站上的课程信息作为实验数据,将用户兴趣与基于倒排索引的Lucene算法及LDA算法模型相结合,引入UCI-Lucene算法:使用Lucene算法得出基于倒排索引的搜索结果,使用LDA主题模型算法对Lucene算法得出的搜索结果计算得到课程的兴趣分布,与此同时使用LDA主题模型算法通过对用户日志进行计算得出用户的兴趣分布,接下来将课程的兴趣分布与用户的兴趣分布做相似度计算,得到课程—用户的兴趣相似度,最后通过加权Lucene算法得出的搜索结果得分和课程—用户的兴趣相似度得分得到每个课程的综合得分,得到最后的搜索排序结果。基于上述改进算法,文章设计了一款智慧图书馆个性化检索系统。实验表明,基于用户兴趣改进模型的智慧图书馆个性化检索系统不仅能够更好满足用户的搜索需求和用户兴趣,还能够显著提升搜索结果的准确性和召回率。

基于用户兴趣模型的大学生就业信息推荐方法

为提高推荐就业信息与大学生偏好就业信息的匹配程度,文章将个体就业需求作为前提条件,设计一种基于用户兴趣模型的大学生就业信息推荐方法。首先,利用兴趣模型中的关联规则,对高校提供的就业信息中兴趣特征点进行匹配;其次,在既定的分类规则下,根据就业文本信息的内容对其进行类别划分;最后,根据用户浏览高校就业信息、在就业招聘界面的停留时间等,针对大学生偏好进行计算。对比实验结果表明:本文中设计的推荐方法应用效果良好,按照规范使用该方法进行大学生就业信息推荐,能够增加推荐就业信息与大学生偏好就业信息的匹配程度,为大学生提供更加优质的就业服务,提高大学生就业质量。

基于智能Agent的用户兴趣发现和更新

提出了一种新的基于智能Agent的用户兴趣发现和更新方法，主要介绍了智能Agent需要跟踪用户的哪些行为，如何发现用户真正感兴趣的文献，如何通过分析提取兴趣特征词及权重计算等内容。该方法主要利用了用户浏览文献页面的信息，有效地解决了用户兴趣的自适应变化。

基于PLSA方法的用户兴趣聚类

为了在个性化搜索过程中能够准确地挖掘到用户的潜在兴趣并进行相应的聚类分析,提出采用潜语义空间的Zipf分布的特性,并结合PLSA(概率潜在语义分析)来获取全文的语义.即先通过Zipf分布原理找到文档的潜在语义空间,在此空间中对用户的兴趣进行聚类,并建立用户兴趣描述文件(user profile),即建立用户兴趣层次树.实验表明,所提出聚类算法的聚类效果明显优于传统的VSM(向量空间模型)的聚类效果,同时,在著名的CTI数据集上的个性化推荐实验结果也充分说明基于潜在语义空间构建的用户兴趣描述与用户真实兴趣相符合.

基于用户浏览行为分析的用户兴趣度计算

从用户的浏览行为可以反映用户的兴趣出发,分析了用户的浏览行为与兴趣之间的关系,通过分析把能反映用户兴趣的典型浏览行为归纳为保存页面、打印页面、将页面加入收藏夹、复制页面内容、访问同一页面的次数和在页面上浏览时间这些浏览行为。针对这些浏览行为下的用户兴趣度计算做出阐述,并且在分析基于网页驻留时间和浏览次数计算网页兴趣度的算法的基础上,考虑网页大小的影响因素,使用基于浏览速度计算网页兴趣度,同时利用BP神经网络进行用户兴趣度融合。

DFM-IA:面向B2C电子商务的多源用户兴趣数据采集机制

用户兴趣模型是电子商务个性化推荐服务的基础,用户兴趣数据的获取则是构建用户兴趣模型的核心环节。传统的轮询采集方法存在数据源不够全面、在线应用可扩展性差的不足,会导致同一业务分析所需数据采集时间跨度大、先采集数据可能失效等情况,使得最终业务分析结果出现偏差。针对上述问题,对B2C电子商务用户兴趣数据进行了深入分析,提出了一种基于智能Agent的多源用户兴趣数据采集机制DFM-IA(Data Fetching Mechanism based on Intelligent Agent)。DFM-IA以用户Session为基本处理单元,设计了四种智能Agent(Fetching Agent、Watching Agent、Sort Agent、Logical Agent)和三条排序规则,对七类用户兴趣数据(浏览行为、关键词搜索、收藏行为、购物车行为、订单行为、支付行为、评价行为)进行排序与合并处理,从而在丰富数据采集源的同时大幅提高了在线数据采集效率,有助于解决推荐服务的数据稀疏性问题。仿真实验表明了该机制的高效性。

基于混合行为兴趣度的用户兴趣模型

用户兴趣模型是个性化推荐技术的基础与核心,针对现有用户兴趣模型在模型建立阶段用户兴趣评价的不足,提出了一种基于混合行为评价兴趣度值的方法。突出了用户阅读时间的特殊性,在用户阅读时间异常的情况下利用其他浏览行为来量化用户兴趣度,并结合用户的浏览内容提出了用户兴趣模型的表示和更新机制,从而建立用户兴趣模型。实验验证了兴趣度度量方法的有效性,将测试结果与K-means聚类模型进行比较,证明该模型的推荐准确度有明显提高。

基于知识图谱的用户兴趣社区发现算法研究

随着互联网的发展与社交网络的兴起,人们可以通过网络完成许多线下活动,如购物、支付和社交等。抖音、微信和微博等社交网络已成为人们交流分享和获取资讯的重要途径。与此同时,社交平台每天产生大量的用户数据,在个性广告投放、用户画像构建、舆情分析等方面,具有十分重要的意义。为了更全面地研究用户兴趣社区的特征,本文从用户数据的文本主题关联度入手,挖掘用户的兴趣。本文主要工作如下:(1)采用知识图谱的构建方式,创建携带主题信息的主题关系图谱,并提出一种基于主题关系图谱的用户兴趣建模方法。(2)基于六度空间理论和最短路径算法,提出基于主题关系图谱的短文本主题挖掘算法。最后,实验结果验证了所提的算法是有效和可行的。

基于用户兴趣迁移的智慧图书馆推荐服务模式研究

云计算、大数据和移动互联等新型技术的快速发展,使智慧图书馆感知读者需求和处理海量异构数据更加高效可行,利用新兴技术,智慧图书馆可以较好地描述用户兴趣随时间变化的过程。从智慧图书馆的基本概念及特征特点出发,提出了基于用户兴趣迁移的智慧图书馆推荐服务框架,分析了该服务模式构建的方法,描述了该框架可以提供的服务及应考虑的问题。

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.

个性化搜索引擎中的用户兴趣提取技术

首先对个性化搜索进行了介绍,简要分析了个性化搜索引擎的框架模型及其各个部分的基本功能,着重介绍了用户兴趣模型的相关内容,并详细探讨了个性化搜索引擎中用户兴趣提取的概念和相关技术,最后强调了用户兴趣提取技术在个性化搜索中的重要性。

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%。

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。

基于本体用户兴趣模型的个性化推荐算法

针对目前个性化服务中用户模型稳定性低、推荐结果不尽人意的现状,在建立基于本体的用户兴趣模型基础上,通过模型更新提高稳定性,建立用户群实现用户模型管理。提出利用矩阵聚类降维分解技术的个性化推荐算法,引入偏好方差的概念计算用户最近邻,进而产生推荐,避免了传统协同过滤算法的数据稀疏性缺陷,提高了推荐质量。结合面向电影的个性化推荐系统,验证了模型及算法的有效性。

基于基尼系数的用户兴趣分布模式度量方法

目前关于用户兴趣方面的研究大多数是根据用户兴趣的相似性划分用户群,缺乏对用户兴趣分布模式的度量。为此,提出一种用户兴趣分布模式度量方法。根据向量空间模型进行用户兴趣建模,利用基尼系数和洛伦茨曲线划分用户兴趣分布模式。Movielens数据集上的实验结果验证了该方法的有效性。