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。

面向用户兴趣模型的数字图书馆个性化推荐技术应用研究

传统图书馆的服务模式由于数字图书馆的出现而改变,许多技术层面和智能设施亟需革新。基于此,文章构建了一个由图书借阅行为和读者浏览行为相结合而产生的用户兴趣度模型,根据模型中用户兴趣矩阵值的大小向读者推荐符合其兴趣偏好的图书,推荐系统的个性化特征极大地提升了读者对数字图书馆服务的满意度,实现了数据挖掘技术与图书馆个性化服务的结合。

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。

基于用户兴趣模型的智能信息检索系统技术与实现

PCSICE是一个面向Internet的智能信息检索系统.该系统采用分布式智能体技术、用户兴趣学习算法和基于使用的聚类算法,有效地解决了现有系统在交互方式、自适应用户兴趣等方面的不足,满足人们在信息浏览时的个性化要求.该系统普遍适用于Internet、远程教育等分布式系统中的信息检索.

基于语义的个性化用户兴趣模型

探讨了主动服务和个性化服务,给出了以主要特征词描述语义的用户访问历史的表示方法,建立了动态的用户兴趣模型。用户的兴趣模型表示为二层,上层是基于类兴趣的用户模型,下层是基于主要特征词兴趣的类模型。上层描述用户对各个类的兴趣度,下层描述用户对各类中的主要特征词的兴趣度。在建模过程中,通过启发式规则限制模型维度,通过行权重实现最近最新优先。

个性化搜索中用户兴趣模型匿名化研究

为了解决个性化搜索技术所潜在的用户隐私信息泄露的问题,提出了用户兴趣模型匿名化方法。首先根据用户兴趣模型之间的相似性将其聚类为满足p-链接性的等价组,然后计算聚类后兴趣条目的权值。所谓的p-链接性是指攻击者根据背景知识链接确定某一用户的概率不超过p。该方法可实现用户兴趣模型匿名化以及兴趣倾向不发生改变,既保护了用户隐私信息,同时也保证了个性化检索性能。实验表明:随着相关结果个数的增多,匿名化后搜索结果的查全率基本能保证在50%以上,另外p-链接性的减小对于查全率的影响并不是太大。

根据用户隐式反馈建立和更新用户兴趣模型

提出一种通过获取用户的隐式反馈信息建立和更新用户兴趣模型的方法.这种方法不需要用户显式地提供兴趣信息,只要通过观察用户在浏览Web页面时所采取的动作来获取隐式的反馈信息,并利用这些信息建立与更新用户兴趣模型,从而减轻用户的负担.

用户兴趣模型的表示和更新机制

面对因特网的海量信息 ,为了实现基于用户兴趣的个性化信息服务 ,提出了用户兴趣模型的表示和更新机制 .它根据用户提供的各类示例文档 ,将文本的段落作为识别用户兴趣的基本要素 .在聚类分析基础上 ,考察特征项、段落和类别的表达能力 ,建立用户兴趣模型 ,通过计算与文本的匹配程度 ,将满足约定条件的文本推荐给用户 .利用相关反馈 ,追踪和更新用户兴趣模型 。

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。

基于中图分类法的用户兴趣模型研究

提出一种基于中图分类法的用户兴趣模型,形式化地描述了用户兴趣模型的建立和学习过程。在建立用户兴趣模型时,需要对代表用户兴趣的中图分类号进行挖掘,由于传统的Apriori数据挖掘算法更适合于处理无序的集合,而中图分类号中的号码是有序的。提出了一种改进的算法来自动构建用户兴趣模型,并据此开发了一个科技文献过滤系统作为典型应用。

根据用户反馈建立和更新数字图书馆用户兴趣模型

为了充分发挥用户显示反馈和用户隐式反馈的优势 ,提出用户兴趣模型的设计方案是 :根据用户注册信息建立用户兴趣初始模型 ,根据服务器日志统计来更新用户兴趣模型。

基于隐式反馈的自适应用户兴趣模型

针对现有用户兴趣模型在模型建立以及更新阶段漂移策略的缺陷,设计了一种改进的基于隐式反馈的自适应用户兴趣模型。并将该模型与遗忘策略模型、滑动时间窗口模型和固定比例模型,做了精确率的对比实验,实验结果显示该模型的性能优于其他三个模型。

基于主题的用户兴趣模型的构建及动态更新

随着互联网中信息资源的飞速增长,用户兴趣模型的准确性和时效性成为了个性化服务的关键;采集用户浏览使用过的信息资源,从中挖掘隐性知识,获取用户兴趣并对兴趣模型进行动态的更新,成为目前个性化信息服务一个重要的研究方向。文章利用LDA模型对用户浏览过的信息资源进行主题建模,通过遗忘函数,对用户兴趣模型中的各个主题进行动态的更新。通过豆瓣网上真实的电影语料和用户数据进行实验,构建准确、实时的用户兴趣模型。

智能搜索引擎中用户兴趣模型分析与研究

用户兴趣模型是智能搜索引擎系统中的重要组成部分。本文提出一种新的方法,以动态询问的方式建立初始用户兴趣模型,通过分析、学习用户浏览行为历史,动态更新用户兴趣模型,有效地解决了用户兴趣的自适应变化。

基于用户兴趣模型的协同过滤推荐算法

协同过滤推荐算法是目前应用最广泛个性化推荐技术,其中用户相似度的计算方法是影响推荐算法质量的关键因素。针对传统协同过滤算法中稀疏评分数据造成的用户相似度计算不准确问题,提出一种基于用户兴趣模型的协同过滤推荐算法。该算法使用分布估计算法建立用户兴趣模型,并使用用户兴趣模型计算用户间相似度。实验表明,该算法的准确性受数据稀疏性影响较小,同时在收敛速度和推荐准确性方面有明显提高。

基于用户兴趣模型的个性化信息服务系统研究

分析了个性化信息服务技术中的关键技术,重点研究了用户兴趣模型的创建与更新方法,提出了一种个性化服务系统的原型系统.研究中引入了相关的自然语言处理技术,能够有效实现挖掘、表示及更新用户兴趣模型的目标,并实现信息推送等服务.

融合用户兴趣模型与会话抽取的微博推荐方法

针对传统推荐方法在短文本处理方面的不足,提出一种基于用户兴趣模型与会话抽取算法的微博推荐方法。该方法应用基于归一化割加权NMF的微博用户兴趣模型获取用户—主题矩阵,产生用户感兴趣的微博主题,结合基于Single-Pass聚类模型的会话在线抽取算法SPFC(single-pass based on frequency and correlation)获取微博的会话队列,并与用户感兴趣的微博主题进行相似度计算,最后得到实时的微博推荐结果。实验表明,此方法能有效地进行微博推荐。

时间元兴趣度度量方法和扩展VSM用户兴趣模型研究

为了快速得到用户关心的信息,根据用户浏览内容和浏览行为建立兴趣模型,并在用户访问时根据兴趣模型自动向其进行文章推荐的方式得到了越来越多的运用.本文在前人研究的基础上,对于兴趣模型的构建进行了系统阐述,提出一种基于时间元的合理量化兴趣度值的方法,同时据此扩展了VSM(Vector Space M odel)文本表示模型,并引入了主题兴趣度的概念.实验结果显示通过该方法构建的兴趣模型能够较好的区分和把握用户的不同兴趣,准确率较高.

基于标准标签的用户兴趣模型研究

信息大爆炸的网络时代,个性化推荐是解决信息"超负载"的有效办法。用户兴趣模型是个性化推荐的核心,关系着整个推荐系统的推荐质量。标签一直被用于资源分类,在个性化推荐方面却很少使用。文中采取向量空间模型的建模方法,利用个性化标签描述用户兴趣,并提出一套简洁有效的标签标准化方法—基于属性共现率的标签标准化以及基于聚类的标签标准化方法对用户的自定义标签进行标准化。该模型能有效降低用户兴趣模型的向量维数,避免分析标签语义的复杂过程,且能够从用户的角度贴切地表达用户兴趣。实验结果表明该模型有助于提高个性化推荐的服务质量。