基于项目属性的用户聚类协同过滤推荐算法

协同过滤推荐算法是个性化推荐服务系统的关键技术,由于项目空间上用户评分数据的极端稀疏性,传统推荐系统中的用户相似度量算法开销较大并且无法保证项目推荐精度。通过对共同感兴趣的项目属性的相似用户进行聚类,构建了不同项目评价的用户相似性,设计了一种优化的协同过滤推荐算法。实验结果表明,该算法能够有效避免由于数据稀疏性带来的弊端,提高了系统的推荐质量。

基于改进近邻传播算法的Web用户聚类

随着Intemet和电子商务的迅猛发展，聚类技术在Web用户划分方面的作用越来越明显。Web用户聚类的难度在于有成千上万的用户需要聚类，而且每个用户的偏好向量是高维稀疏的。对于处理大规模的数据集。近邻传播算法是一种快速、有效的聚类方法。但面对高维稀疏的数据，近邻传播算法往往不能得到很好的聚类结果，而且该方法不能产生指定类数的聚类。本文提出一种改进的近邻传播算法，使用该方法对Web用户进行聚类。根据灰关系等级和Jaccard系数定义用户相似度矩阵，对算法产生的初始聚类进行重新分配，获得指定类数的聚类。实验结果表明新算法是有效的，与原始近邻传播算法相比，新算法在个性化推荐的应用中具有更好的性能。

Web用户聚类算法

Web用户聚类是将具有相似访问特性的用户归在一起,在电子商务的市场分割和为用户提供个性化服务中,能发挥巨大作用。文章提出基于用户访问路径以及节点高度的相似性评价函数,建立相似矩阵,并提出相似矩阵结构分解算法对此相似矩阵进行变换生成对角矩阵或下三角矩阵,该矩阵中的每一个子对角阵即对应一个用户类,矩阵的左下角对应各用户类之间的关系。

基于兴趣相似性的Web用户聚类

按照访问兴趣对用户进行聚类分析是Web挖掘的一项重要内容.在用户访问兴趣度量中综合考虑网页内容和浏览路径因素;在聚类分析中,依据访问兴趣定义提出新的相似度计算方法.利用传递闭包法对用户进行聚类.算法可以提高用户聚类的准确性,试验结果验证此算法是有效的.

基于混合隐Markov链浏览模型的WEB用户聚类与个性化推荐

针对传统的Markov链模型不能有效的表征长串访问序列所蕴含的丰富的用户行为特征（用户类别特征、访问兴趣迁移特征）的缺点,提出混合隐Markov链浏览模型。混合隐Markov链模型使用多个不同的模型来区分不同类别用户的浏览特征,并为每个类别的用户设置了能跟踪捕捉其访问兴趣变化的类隐Markov链模型,能更好地对WWW长串访问序列的复杂特征进行建模,在真实WWW站点访问日志数据上的用户聚类实验与个性化推荐实验的结果表明,混合隐Markov链模型与传统的Markov链模型相比,具有更理想的聚类性能和推荐性能。

基于蚁群算法与K-means算法相结合的Web用户聚类

Web用户聚类是指用聚类算法产生用户会话的聚类，是电子商务中的一个重要问题。该问题的难度在于有成千上万的会话需要聚类，而且每个会话都可描述为一个高维向量。此外，该问题就聚类的数目而言具有指数的复杂性，是一个NP-难的问题。本文提出一种新的聚类方法，该方法将蚁群算法与K-means算法相结合对用户会话进行优化聚类。实验结果表明，与K—means算法相比，该方法在Web导航推荐的应用中具有更好的性能。

基于加权小世界网络模型的用户聚类技术

传统的无加权小世界网络在用户聚类中具有良好的性质,但不能准确表达用户之间的紧密关系,导致用户聚类效果不够良好。为此在网络中引入了加权边,并利用小世界网络理论对系统中的用户网络进行分析,定义和计算了流动阻力和流动效率,建立了加权的小世界网络模型,并提出了此模型下的重连边算法。实验表明,与传统的小世界网络模型相比,该模型能更好地对用户进行聚类,收敛速度更快,聚类效果更好。

基于人工鱼群算法的Web用户聚类分析

传统的可伸缩性聚类算法可扩展性不强、处理孤立点的能力较弱。人工鱼群算法是一种基于动物行为的寻求全局最优算法,将人工鱼群算法应用于Web用户聚类,模仿鱼群的觅食、聚群、追尾和随机行为来构造人工鱼,通过鱼群每个个体的局部最优,来找到全局最优值,从而对Web访问用户进行合理聚类。实际运行结果验证了算法的有效性。

基于LDA模型特征选择的在线医疗社区文本分类及用户聚类研究

随着互联网时代的快速发展,在线医疗社区的出现打破了时空限制,为用户提供了丰富的医疗信息和情感帮助,已经成为社会支持的重要来源,受到用户的广泛关注和参与。对在线医疗社区进行用户文本挖掘能够揭示社区中用户的参与行为,从而优化其用户管理和信息推荐。已有的研究对象主要集中在英文在线医疗社区,鲜有文献对中文在线医疗社区进行研究。基于社会支持理论,本文设计了一个中文用户文本挖掘流程来研究中文在线医疗社区中的社会支持类型和用户参与。利用中文文本挖掘及机器学习方法,对中文糖尿病社区"甜蜜家园"进行研究。本文利用LDA(Latent Dirichlet Allocation)模型进行特征提取来构建低维度文本表示向量,采用二元分类法将用户文本分为不同的社会支持类型。最后,基于分类结果使用K-means算法进行用户聚类来识别用户角色。相比传统的特征提取方法,利用LDA进行特征提取能显著地降低数据维度,优化分类模型,提高分类准确率和分类效率。结果表明,本文提出的中文用户文本挖掘流程在文本分类与用户聚类中效果显著。

结合关联规则与FCM的用户聚类改进

结合关联规则与模糊C均值聚类(Fuzzy C-Means,FCM)进行用户聚类,首先将用户访问事务集构造出页面关联矩阵,以此来计算用户浏览路径之间的相似程度,接着利用FCM算法对用户进行聚类.通过与传统聚类比较的实验证明,此方法是有效的且更符合实际.

基于用户聚类的播客节目推荐

许多播客推荐机制一般根据整体点击次数来向用户推荐节目,但是一些点击次数很高的节目未必就是某类用户所喜欢的,因而推荐的节目对用户的喜好针对性不是很强。为了提高推荐节目对用户喜好特点的针对性,提出基于用户聚类的节目推荐。对用户在播客平台上的采集数据进行聚类分析后,把用户归为某一类型,并把该类型的所有节目根据点击次数多少存放入相应的推荐表。在用户下次登录时,根据其所属用户类型从推荐表中选出其最可能观看的尚未浏览的节目。试验结果证明,该播客推荐系统能很好地根据用户的喜好特点来进行针对性节目推荐。

协同推荐中基于用户-文档矩阵的用户聚类研究

针对个性化推荐服务的需要以及用户聚类处理时用户-文档访问数据的高维稀疏性问题,采用“比对降维”的思想和K层次聚类算法,分析基于用户资源评价数据的用户聚类处理流程。在此基础上,采用Java开源技术设计并实现一个用户聚类的试验系统。

用户聚类和多最小支持度关联规则的推荐系统

在几种流行的推荐算法的基础上,本文提出了一种新的融合用户聚类和关联规则的算法来改善推荐效果。该算法在经典的关联规则算法Apriori基础上引入多最小支持度的概念,并在关联规则算法之前进行用户聚类,在聚类算法中使用了包含字符属性的混合属性距离函数,提高聚类效果。在此算法的基础上,设计并实现了一种新的基于图书馆的推荐系统。实验证明该算法改善了数字图书馆中新书的推荐质量,去除了部分只含高浏览量图书的无意义规则,并趋向于发现相近种类图书的关联性。

基于小户型客厅多元化场景的用户聚类研究

结合三德宜SDE家居品牌策划项目案例,阐述一种基于细分生活场景的用户聚类方法与实践。研究者针对小户型客厅生活场景,通过调查问卷与用户访谈等研究方法,了解年轻人居家生活方式的变化,分析用户行为特征,并从中洞察和挖掘出用户需求。最终根据用户行为聚类,得到用户行为偏向,形成用户模型。最后得出了小户型客厅多样共处场景中4个类型的用户模型。基于场景特殊性的用户聚类方法,是一种回归到用户真实生活场景中,有效理解用户行为、挖掘用户需求的用户研究方法。

积极还是沉默:学科差异视角下学术社交网络用户聚类与利用行为研究

[目的/意义]学术社交网络已经成为科研工作者们维护人际关系、进行科研合作和学术交流的重要途径,开展用户行为聚类研究对学术社交网络平台准确识别用户组成成分、理解用户行为、提升服务效率具有重要意义。[方法/过程]文章以ResearchGate(RG)为研究对象,在构建平台用户行为的描述模型基础上,利用K-means算法对学术社交网络的用户利用行为进行聚类分析,并立足于学科差异视角探索不同学科用户分布与行为特征。[结果/结论]研究表明RG用户可被划分为10类,不同用户群体在平台功能的利用方面存在较明显的行为偏好差异。同时,学术社交网络的用户利用行为存在学科差异,自然科学类用户类型分布较为均匀,较少呈现极端偏向某一用户群体的情况,利用行为也更加积极;而人文社科类用户主要由潜水用户组成,表现相对沉默。

Web用户聚类研究

Web日志数据的海量增长,要求聚类算法能高效的从海量数据中得到满意的用户聚类.本文提出了一种新的聚类算法,在聚类前,利用用户兴趣度对海量数据集进行约简、减小数据计算规模,然后再对Web用户进行聚类.实验证明这种方法能减小数据规模、提高聚类效率,并得到满意的用户聚类.

基于Chameleon算法的用户聚类的设计与实现

用户聚类是Web挖掘的重要部分,而Chameleon算法是一种通用的聚类算法。文中把Chameleon算法应用于Web挖掘,设计了Web用户的聚类,采用J2EE体系架构实现了这一算法,并在此基础上做了改进,实验结果表明,该算法取得了良好的效果。

基于模糊聚类的Web用户聚类方法与实现

提出了一种基于传递闭包的模糊聚类方法,并应用于Web日志聚类中,实验结果表明,该算法能够有效实现Web用户聚类,并且能够避免陷入局部最优解。最后与模糊C均值算法进行比较,并讨论了算法的运行时间和错分率。

Web用户聚类中访问路径差异性度量方法的研究

用户访问路径是Web用户聚类时度量用户兴趣度的参数之一。结合日志记录的特点,从参数的数学特征出发,设计一种基于二进制数表示的访问路径矩阵来度量用户的兴趣度,并给出新的相异度矩阵构造法。实验表明,所提出的访问路径矩阵是可行的,生成的相异度矩阵在表现用户访问路径差异上是准确的。

基于Web挖掘与社会网络分析的用户聚类研究

web用户聚类对于个性化服务、网站结构优化等具有重要意义。文章从用户的访问路径、项目评分等角度总结了用户聚类方法及算法，指出当前用户聚类研究存在的不足，提出了结合Web挖掘与社会网络分析方法的用户聚类的模型，分析了两者结合的必要性及结合策略，形成较为完善的用户聚类机制。