社会化标签系统中基于密度聚类的Web用户兴趣建模方法

Web用户兴趣模型在个性化信息服务中有着非常重要的作用。本文利用社会化标签的独特优势,针对传统社会化标签聚类方法的局限性,提出了一种基于密度聚类的Web用户兴趣建模方法。首先建立基于社会化标签的向量空间模型,并将社会化标签表示为Web资源及其权重的形式,以此为基础利用DBSCAN算法对其进行聚类,进而依据所有Web用户的标注行为以每个聚类为中介计算特定Web用户对Web资源的兴趣度来构建Web用户兴趣模型。实验结果表明了该方法的优越性。

社会化标签系统中基于社会网络的知识推送网络演化研究

利用网络分析方法,本文将社会化标签系统中基于社会网络的知识推送网络构造方法描述为六个步骤。借鉴演化理论,将基于社会网络的知识推送网络演化动力归纳为内生动力和外生动力。移植生物进化论的相关理论,提出多重动力机制作用下基于社会网络的知识推送网络演化周期性模型:每个周期的起点就是新一轮社会网络的构建,每个周期内部的演化过程分为选择阶段、遗传阶段、变异阶段。依托原型系统搜集不同时间点的相关数据,利用网络结构计量方法对基于潜在社会网络的知识传播网络演化过程进行实证分析,印证上述理论研究成果。图8。表9。参考文献13。

社会化标签系统中个性化的用户建模方法

针对社会化标签系统中现有用户兴趣模型建立的缺陷,即:使用一些零散标签的集合来表示用户兴趣,而忽略标签的联合使用现象。提出一种将共现技术引入自然法的用户建模方法,该方法以自然法为基础,向用户模型中添加适量的标签对,较好地体现了标签之间的联系,又同时考虑了体现用户兴趣的标签自身的权重。在PKDD2009数据集上测试实验结果表明,该模型较之已提出的自然法和共现法,取得了更高的准确率和召回率。

集成社会化标签和用户背景信息的协同过滤推荐方法

针对传统的协同推荐算法存在数据稀疏和推荐精度低的问题,提出了一种集成社会化标签和用户背景信息的协同过滤(CF)推荐方法。首先,分别计算基于社会化标签和用户背景信息的用户间的相似度;然后,基于用户评分计算用户间的相似度;最后,集成上述3种相似性度量产生用户间综合相似度,并对目标用户进行项目推荐。实验结果表明,与传统的协同过滤推荐算法相比,所提方法在正常数据集和冷启动数据集下的平均绝对误差(MAE)平均降低了16%和22.6%。该方法不仅能有效地提高推荐算法的精度,而且能较好地解决数据稀疏和冷启动的问题。

基于协同矩阵分解的社会化标签系统的资源推荐

应用来自Delicious的数据集,通过对精确度和召回率等指标的测评,研究了协同矩阵分解对社会化标签系统中资源推荐的有效性问题,由于用户、资源、标签之间具有一定的相似性,采用了通过同时分解三者在不同方向的潜在兴趣值,对用户推荐其潜在兴趣方向相近的资源的方法。与协同过滤、图结构分析的结果进行了对比,研究结果表明该方法要优于其他方法。为了证明协同矩阵分解的有效性,对正规化、学习率、UT因子和IT因子等各个变量也进行了参数敏感度分析。

基于词共现的社会化标签研究热点可视化分析

以ISI的WebofScience数据库为数据来源，采用词共现方法和基于距离的相似性度量算法对原始矩阵进行处理，通过多维尺度和系统聚类分析对社会化标签研究领域的研究主题和热点进行可视化揭示。分析结果表明，对社会化标签的研究主要集中在大众标签的语义表达、标签概念化（本体）、信息过滤、推荐系统、与传统主题词表的兼容问题、对社交网络平台的研究。

校园社交网络中社会化标签系统的研究与实现

为使校园社交网络能够准确、灵活、高效地处理大量各种类型的标签信息,研究并实现了基于校园社交网络的社会化标签系统。提出了使用五元组表示的、包含资源标签和实体标签的标签标注模型,完成了基于校园社交网络的社会化标签系统的总体设计、功能设计和数据库设计,设计了由标注对象所有者、标签标注者、校园社交网络中的关系网络与隐私设置以及标签的使用方式决定的标签标注权限与使用权限,建立了针对不同标记对象的特点使用不同标签推荐算法的标签推荐策略,最后讨论了以标签云为主的标签展示方式。

基于复杂网络的社会化标签语义相似度分析

针对社会化标签系统所对应的标签共现复杂网络,引入标签语义相似度权值和抽象权值算子,建立了标签语义相似度计算模型。相比基于"用户-对象-标签"三元组的统计性计算公式或基于复杂网络拓扑结构的节点相似性计算公式,本模型可以在标签语义相似度计算中将标签标注行为的统计特性与复杂网络的拓扑特性有机地结合起来,形成一个具有良好数学性质的形式化系统。仿照模糊逻辑中T范数、S范数给出了抽象权值算子的具体化实现,形成具体化算子簇,可以通过调节参数(如参数h和阶数l)形成不同类型或不同全局性的具体化算子。设计实验方案,利用复杂网络链路预测的AUC指标、Precision指标对典型算子及算子簇进行了综合分析。分析结果表明,这些具体化算子同时具有"语义补充"、"语义破坏"两种相反作用,在算子阶数较低(如2≤l≤5)时能明显提高标签语义相似度计算的准确性,在社会化标签系统的高精确性个性化推荐算法设计中具有应用价值。

一种新的基于社会化标签的网页排名算法

针对目前web2.0下网页无法进行有效排序这一问题,对社会化标签网下新的数据源"标签"的时间因素加以分析和利用,提出一种新的社会化标签的网页排名算法TagRank.该算法通过对网页上用户的标注行为进行挖掘,计算标签的"热度",从而更客观地反映标签的真实质量,以此提高网页排名的准确性.实验证明该算法是切实有效的.

基于Web of Science的本体和社会化标签关联研究的进展分析

社会化标签兴起后,其与本体的关联研究越来越受到国内外研究者的关注。基于Web of Science的检索数据,使用CiteSpace软件,从作者及国家、共被引文献及突现词等角度对本体与社会化标签关联研究的现状进行可视化分析。从研究人员及国家来看,研究人员的合作程度较高,但是团体间的合作较少,另外,美国、德国、中国和澳大利亚的研究较多,且研究较早;从研究热点的发展来看,本体和社会化标签的关联研究由其与知识共享、与语义网及元数据的研究转变而来。在2008年后产生了多个研究热点,其中研究得最多的是用户生成内容、标签本体和标签推荐。

社会化标签特性及研究进展综述

社会化标签具有平面性、宽泛性、个性化、社会性和动态性5个特性。对其特性进行研究发现,社会化标签可以弥补受控词汇在信息检索中的不足;其优势在于浏览和发现新信息;标签的个性化和社会化是相辅相成的;标签的动态性呈现一定的规律。

基于随机游走算法的社会化标签的用户推荐

利用来自Delicious的数据集,结合内容相似度的挖掘和语义关系处理,对社会化标签系统的用户推荐的算法进行了研究。具体工作为:利用标签和书签的语义关系,定义用户的内容信息,从而计算内容相似度;建立内容相似度与社会网络的用户链接关系,通过可重启的随机游走算法(RWR)结合来达成理想的效果。实验评测显示,无论是精确度还是召回率,该算法的效果都要明显优于baseline的算法。

基于多语言社会化标签聚类的潜在社会关系网络发现

文章采用分裂式层次聚类算法分别对中英文标签进行聚类,在标签聚类的基础上,采用先聚类后翻译的映射策略实现中英文标签的映射;在标签聚类及映射的基础上,自动发现多语言环境下潜在的社会关系网络。实验结果表明多语言环境下的社会关系网络比单一语言环境下的社会关系网络更为丰富。

社会化标签系统的结构、演化和功能

从复杂性科学角度总结了社会化标签系统的结构、演化和功能问题.包括多类异质性节点和超图模型的网络结构;基于标注行为的网络演化模型;基于标签的个性化推荐系统.系统地总结和比较了当前几种代表性的模型和推荐算法,并指出各方法的优缺点和适用范围.有助于更深层次理解和解决社会化标签系统中的理论和应用问题.

社会化标签的可视化演化研究进展

[目的/意义]传统文字型社会化标签的表征形式由于词汇、语言的多样性影响了标签内容和标签结构的理解,将标签进行可视化成为优化其表征的途径之一。[方法/过程]按照社会化标签的可视化发展进程,分别从可视化的文字标签、图形辅助的文字标签、图标标签、结构化图标标签4个阶段来分析各阶段标签可视化的目的、策略、方法以及应用场景。[结果/结论]通过对比分析发现,每一可视化阶段在不同的标签表征目标下,依据相应的图形化交互方法对文字型标签进行辅助表征。研究对基于标签的信息资源管理系统设计提供理论建议。[局限]由于社会化标签理论仍在丰富过程中,文章所阐述的可视化方法也会跟随其发展而被不断完善。

社会化标签在北京市精品课程集成平台视频中心中的应用

社会化标签是新一代互联网模式Web2.0的核心应用之一,它体现了分众分类的思想,具有开放性、共享性、社会性等特点。论文将社会化标签引入到北京市精品课程集成平台中,使平台能够为用户提供个性化知识推荐服务,从而提高平台的个性化、实用性和共享性。

社会化标签系统语义相关度的拓扑图法计算

针对Web2.0社会化标签系统中标签组织混乱和标签语义模糊的问题,围绕标签共现网络的拓扑图,建立了一种形式化的标签语义相关度计算模型.该模型利用基于统计的标签语义相关度计算结果,为标签共现网络的拓扑图扩展以语义相关度权值,并定义算子围绕标签共现网络的拓扑图来计算权值的综合效应,从而可以显式地描述标签语义关联的交叉影响,并在标签语义相关度的计算中融入这些影响因素.从照片共享网站Flickr中抓取热门标签数据,通过实验对该模型的计算过程、计算结果的有效性和实用性等进行了分析评价.实验表明,该模型的标签语义相关度计算结果更为准确,可以更好地引导和约束Web2.0用户的标签使用行为.

基于MapReduce的社会化标签共现关系抽取方法

社会化标签系统是Web2.0的一个重要应用,标签之间的共现关系抽取对于信息检索和标签推荐具有十分重要的意义.本文在分析社会化标签系统中标签共现语义关系的基础上,针对社会化标注数据所具有的海量特征,提出了一种基于MapReduce模型的社会化标签共现关系并行抽取方法,并给出标签共现加权网络的哈希存储结构,实验结果表明该方法具有较好的扩展性.本文的研究对于社会化标签系统的应用扩展具有一定的促进作用.

基于社会化标签和历史价格曲线的网络结构个性化推荐方法

社会化标签包含商品丰富的内容,体现用户对商品的个性偏好,而商品的历史价格曲线影响用户的购买倾向。为此,提出社会化标签和历史价格曲线的个性化推荐方法。将用户-标签-商品的三部图网络结构分解为用户-标签、标签-商品的二部图网络结构。在用户-标签二部图中,利用商品历史价格曲线的权重,基于商品历史价格曲线求得用户对标签的评分,并区分用户对标签的积极和消极兴趣。在标签-商品的二部图中,计算标签对商品的重要程度。综合2种方法进行商品推荐,实验结果验证了提出方法能够有效提高推荐的召回率和多样性。

基于社会化标签的图书推荐系统模型研究

[目的/意义]从社会化标签视角探讨图书推荐系统模型。[过程/方法]分析3种主流的标签推荐模型(基于主题、网络和张量的模型)和3种标签推荐算法(基于内容、协同过滤和混合推荐算法)的优缺点,构建基于标签的图书推荐系统模型。[结果/结论]该模型由数据采集模块、数据预处理模块和协同过滤推荐模块组成,可以在一定程度上解决推荐系统中的标签语义模糊、用户兴趣多变、可扩展性差等问题,以提高图书推荐效率和准确度。