融合用户感知和多因素的兴趣点推荐

针对传统的基于协同过滤的兴趣点(POI)推荐方法存在数据稀疏问题和现有工作往往单纯利用上下文信息却没有合理平衡各因素的作用影响的问题,提出融合用户感知和多因素的兴趣点推荐模型(UPMF).为基于用户感知的隐式建模提取用户相似性以丰富用户表示,并利用序列、地理和社交等上下文信息构建用户感知协同影响的POI推荐模型,缓解数据稀疏问题.设计新颖的用户感知的融合策略(UPIS),在基于用户感知的同时合理利用各种上下文信息挖掘用户的动态偏好.提出基于分段的活动区域选择算法针对不同活动区域对用户的影响进行建模.实验结果表明,与其他流行的POI推荐方法相比,UPMF在准确率、召回率和归一化折损累计增益(NDCG) 3个评价标准上都有一定程度的提高.在Gowalla和Yelp数据集上,UPMF模型的NDCG@10比SUCP的分别高12.77%、7.24%.

一种多特征因子融合的PageRank算法研究

针对PageRank算法完全依据链接结构排序,未考虑网页内容分析,造成平均分配PR值、主题漂移、偏重旧网页的现象,且已有改进算法存在单一性优化等问题,提出一种多特征因子融合的PageRank算法。该算法为使搜索结果更接近用户查询需求,同时兼顾搜索内容的相关度和查准率,通过添加链入链出权重因子、用户反馈因子、主题相关因子和时间因子,共同改善PageRank算法存在的不足。实验结果表明,所提算法在内容相关性和查准率方面,较其他网页排序算法有明显提高,达到优化Page Rank算法的目的。

微博环境下基于用户行为与主题相似度的改进PageRank算法

针对传统PageRank算法存在主题漂移、网页权值均分等问题,提出一种改进的PageRank算法。为提高用户查询效率和搜索质量,结合时间反馈因子对用户转发、用户评论和微博提及行为进行综合分析,采用统计分析方法对用户行为在微博用户影响力排序中的贡献进行度量,并利用改进的TF-IDF算法计算主题相似度权值使用户能够选择相关度较高的网页,从而获得相对应的PageRank权值。实验结果表明,与微博常用排序算法相比,改进PageRank算法具有更好的用户影响力排序效果。

基于用户反馈特征聚合的网页排序算法

为改善传统网页排序算法在网页排序过程中存在的忽略用户兴趣和网页欺诈等不足,提出一种基于用户反馈特征聚合的网页排序算法AFPR。通过Web用户反馈特征聚合,将不同的用户反馈特征聚合为一类,综合考虑用户对网页的有效点击率、最近访问频率、网页有效浏览时间等因素,将聚类结果以网页用户兴趣反馈特征依赖因子形式融入到传统网页排序算法中。仿真实验表明,AFPR算法能够在一定程度上改善排序质量,提升用户信息检索的满意度。

基于社交信息和物品曝光度的矩阵分解推荐

为了解决隐式反馈推荐中的数据稀疏性和未观测值二义性,提出基于社交信息和物品曝光度的概率矩阵分解推荐算法.该算法通过对用户-用户社交矩阵进行矩阵分解来约束用户偏好潜在因子,一定程度上缓解了数据稀疏性问题;将物品曝光度作为观测值的条件,结合物品本身的流行度和用户的社交信息,对物品曝光度进行建模,解决未观测值的二义性.在Lastfm公开数据集上开展多个层次的实验和分析.结果表明,与已有的隐式推荐算法相比,在召回率、平均准确率(MAP)和归一化折损累计增益(NDCG) 3个评价标准上都有一定程度的提高.

电商用户及时性反馈行为特征及影响因素研究

随着web2.0概念的提出,UGC(用户原创内容)的概念也深入人心。电商用户在平台上的行为特征对消费者本身、潜在消费者、电子商务平台和产品厂商都有着巨大的影响。目前对于电商用户在线评论的研究大部分为针对文本内容的研究,对于用户的反馈及时性的研究较少。通过数据爬取软件对京东商城商品评论字段及其数量进行爬取,来研究电商用户追评及时性反馈行为特征以及影响这些行为特征的因素。利用图表结合的方式来研究电商用户及时性反馈的行为特征,得出其反馈时间规律。利用SPSS对数据进行回归分析,得出其主要影响因素。根据研究结果得到的电商用户及时性反馈行为特征规律及其影响因素可以针对性向平台管理者、评论发布者以及潜在消费者提出建议。

基于隐语义模型和用户信任的个性化推荐模型

该文提出一个改进算法,将用户之间的好友关系加入到隐语义模型来提高推荐结果准确性。该算法利用用户和项目之间的隐类和及其可用的元数据等,从而把隐式反馈信息加入到推荐算法当中,该算法首先通过用户的历史项目数据构计算得到用户之间的能有效表达用户信任兴趣关系的亲密程度,将其加入到g SVD＋＋模型中,形成新的Fg SVD＋＋模型,并产生推荐。该模型采用movielens数据集进行验证,实验结果表明,该算法具有更好的推荐准确率以及覆盖率。

基于扎根理论的用户持续性反馈行为影响因素研究

【目的/意义】在信息时代,对用户持续性反馈行为的影响因素进行探究,有助于提高用户持续性反馈行为频率,从而更好地为用户提供服务。【方法/过程】通过半结构化访谈方式对14名受访者进行调查,运用扎根理论方法对访谈资料进行分析和归纳,提炼出影响用户持续性反馈行为的因素,构建用户持续性反馈行为的影响因素模型,并提出了提高用户持续性反馈行为频率的建议。【结果/结论】研究发现,影响用户持续性反馈行为的6个主要因素,包括系统因素、习惯、满意度、产品因素、感知可靠性、感知成本。其中,系统因素、习惯、满意度、产品因素、感知可靠性、感知成本会直接影响用户持续性反馈行为,系统因素也会通过影响用户满意度进而影响用户持续性反馈行为。【创新/局限】本文从用户的角度探索了影响用户持续性反馈行为的因素,对了解用户需求,增加用户的粘性有一定的帮助。但本文的研究并没有限定领域,因此未来的研究将着眼于特定的领域。