结合用户兴趣的微博信息传播模式挖掘

由于信息传播模型是社区挖掘、社区影响力研究的基础,文中提出结合用户兴趣的信息传播模型,设计基于频繁子树的信息传播微观模式挖掘方法.首先,基于微博社交网络图表示及用户多标签建模,将微观信息传播模式转换为频繁子树挖掘问题.然后,针对微博社交网络图单节点多标签特性,设计多标签节点树的频繁子树挖掘算法(MLTree Miner).最后,结合主题提取方法,使用MLTree Miner挖掘信息传播模式.在人工数据集上的实验表明,MLtree Miner能高效地对多标签节点树进行频繁子树挖掘.针对新浪微博真实数据的实验也验证方法的有效性.

基于Bayes概率的用户兴趣发现

本文结合网页结构,充分考虑用户在网页的滞留时间和页面切换,基于Bayes概率提出了一种能挖掘出优良的用户兴趣迁移模式及感兴趣的页面。采用本文提出的思想及算法,再结合人工智能策略,将能更好地辅助网站设计,并为电子商务的决策提供充分依据。

基于Web访问信息的用户兴趣迁移模式的研究

针对用户浏览网页的兴趣会随时间而变化这一现象,设计了一种网络用户兴趣迁移模式的挖掘模型。把用户的访问兴趣通过隐马尔可夫模型抽象成一种时间序列,以此反映用户兴趣的序列性,进而利用GSP算法从用户兴趣序列中挖掘出用户兴趣的迁移模式。实验证明该方法是有效的,从时间属性上更深层次地描述了用户兴趣的变化情况。

Web日志与浏览行为结合下的用户浏览兴趣数据挖掘分析

针对用户浏览兴趣模式数据的收敛性和准确度不高的问题,提出一种基于Web日志与用户浏览行为结合的用户浏览兴趣模式数据挖掘模型。首先设计Web日志与用户浏览行为结合的用户浏览兴趣模式数据信息流模型,进行用户浏览兴趣模式的频繁项特征提取和Qo S预测;然后采用Web日志与用户浏览行为结合的行为调度模式自适应检索用户浏览网页的兴趣特征点,实现语义特征匹配,达到用户浏览兴趣模式数据挖掘的目的;最后通过仿真实验实现性能验证。结果表明,该方法的用户浏览兴趣特征点的匹配度高,数据挖掘精度得到提升,展示了优越性能。

基于兴趣度的Web用户访问模式分析

Web日志隐含了用户访问Web行为的动因和规律,如何有效地从中挖掘出用户访问模式是Web日志挖掘的重要研究内容。构造了User_ID-URL矩阵,矩阵元素为用户访问页面的兴趣度。应用经典的模糊C-均值聚类算法进行用户访问模式分析,通过在真实数据集上的实验,结果表明引入了用户兴趣度的日志挖掘算法是行之有效的。

一种移动互联网应用的个性化使用模式分析方法

移动互联网应用数量、用户量和使用量增长迅速.为了发现用户使用移动互联网应用的规律,提出一种移动互联网应用的个性化使用模式分析方法.对比与个人电脑应用的区别,分析了移动互联网应用的使用特征,抽象出使用场景、用户兴趣、社交网络三方面影响因素,定义移动互联网应用的使用模式.给出基于情境感知的使用场景分析方法、用户的兴趣度、粘滞度和衰减系数计算方法以及社交关联影响程度的计算方法.通过实验对提出的方法进行了验证,实验结果表明,本文提出的方法有助于提高移动互联网应用使用预测的准确度.

基于蚁群算法的群体用户兴趣导航路径发现

在电子商务的发展进程中,如何准确理解用户访问网站的行为是一个紧迫的问题。Web使用挖掘是解决该问题的重要研究方法。发现用户的兴趣导航模式是Web使用挖掘的一个重要研究领域,也是优化Web站点框架设计的根本方法。在本文中,我们把Web用户看成是人工的蚂蚁,应用蚁群算法来发现用户的导航模式。首先,建立了一个Web站点模型;然后基于蚁群算法和Web日志数据建立了一个用户导航模型;最后,设计了一个算法,将所有的访问用户视为整体来挖掘他们偏好的导航路径。实验结果表明该方法能准确反映出用户的浏览兴趣。

基于数据挖掘的用户输入自动化模型分析与设计

用户输入自动化技术可以帮助用户完成输入任务,文章提出了基于数据挖掘的用户输入自动化模型,该模型可以发现隐含兴趣的用户输入模式,并且利用这些输入模式预测用户的输入值。基于数据挖掘的用户输入自动化模型主要包括模式挖掘器和预测分类器2个主要部件。模式挖掘器挖掘隐含兴趣的用户输入模式,预测分类器根据实例特征预测用户输入值。该模型实时性好,适应性强,应用价值高。

用户访问兴趣路径挖掘方法

针对当前挖掘用户访问模式算法仅将频繁访问路径作为用户浏览兴趣路径的问题,依据使用Web日志挖掘用户兴趣页面时,通过引入页面信息量参数,综合考虑页面访问次数、浏览时间和页面信息量大小来定义用户兴趣度,提出了基于兴趣度的用户访问模式挖掘算法。实验证明该算法是有效的,在用户浏览兴趣度量方面比当前的频繁访问路径挖掘算法更准确。

一种基于用户导向的多数据库例外模式挖掘方法

例外模式挖掘是数据挖掘的一项重要内容.该文针对用户的兴趣提出一种多数据库中例外模式的挖掘方法,先由用户给定他感兴趣的数据对象,选择与用户兴趣相关的数据,局部分析每一个数据库得到局部模式,再将局部模式综合得到全局模式,最终得到例外模式;并用实验验证了该方法的正确性和有效性.

基于本体与模式的网络用户兴趣挖掘

本文探讨了用户兴趣挖掘的新方法,首先从用户搜索日志中获取访问行为元素,并借助通用本体中的概念描述网页所体现的用户个体兴趣,然后提出了一种兴趣得分计算方法,并在此基础上从用户个体兴趣序列中识别不同的兴趣模式,判断用户的短期兴趣,并利用通用本体得出用户兴趣的集合表示,最后根据短期兴趣的增量积累推算长期兴趣.整个过程避开了以往兴趣挖掘方法中通过相似度计算和文档聚类算法进行兴趣合并的问题,为兴趣发现提供了新思路.实验结果表明,本文的方法对用户兴趣的描述更具体,取得了更优化的兴趣合并结果.

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。

用户兴趣迁移模式与个性化服务

提出用户浏览兴趣迁移模式作为关联规则生成的基础的思路;给出了用户频繁访问路径的更新算法,用聚类主题号代替浏览序列的页面号,获得用户浏览兴趣迁移模式,以此得到更优化的个性化服务。