一种融合用户主题兴趣与用户行为的文档推荐方法

针对单一角度描述用户兴趣存在片面性的问题,该文提出一种融合用户主题兴趣和用户行为的文档推荐方法。一方面从主题兴趣的角度,构建反映用户主题兴趣的主题向量用户模型;另一方面从用户行为的角度,构建反映用户行为兴趣的打分矩阵用户模型。然后,基于上述用户模型提出了两种文档推荐方法,并采用线性加权的方式融合这两种方法,从而实现对用户主题兴趣与用户行为的融合。实验结果表明,该方法的推荐结果好于协同过滤推荐方法和基于内容的推荐方法。

主题兴趣度提取方法及其在用户兴趣模型中的应用研究

用户兴趣模型能够极大的提高用户利用互联网的效率。目前的兴趣模型表示方法大多只包含不同兴趣主题的内容信息,而没有对不同兴趣主题之间进行一定的重要程度区分。在传统的VSM(Vector Space Model)向量中引入了兴趣度因子,进一步提出了主题兴趣度的概念并对主题兴趣度的提取方法进行了详细描述。实验结果表明,通过该方法建立的兴趣模型,能够较好的区分用户的不同兴趣,更加符合实际。

融合兴趣主题矩阵和主题生命树的社交用户长短兴趣挖掘

[目的/意义]针对当前社交用户兴趣挖掘效果不理想,且缺乏对兴趣类型特征的深入研究,提出一种新的长短兴趣挖掘方法。[方法/过程]首先引入兴趣价值参数作为先验知识对Labeled LDA主题模型进行改进,依据改进的主题模型挖掘不同时间窗口的兴趣主题,构建兴趣主题矩阵。然后基于用户兴趣的变化规律构建主题生命树,挖掘用户兴趣的生命特征和潜在关联,将用户兴趣划分为长期兴趣、短期兴趣和过期兴趣。最后依据兴趣主题的强度和波动幅度量化用户不同类型兴趣的权重,实现对用户兴趣的准确表示。[结果/结论]实验采用从新浪微博爬取的真实数据作为训练集和测试集,与已有的兴趣挖掘方法进行比较,结果发现长短兴趣挖掘方法在F1值和MRR值上最高分别提升了7.68%和7.41%。[局限]仅利用微博文本信息对方法进行验证,缺乏对跨平台信息的深入探讨。

在线论坛中学习者兴趣与行为主题联合建模研究

在线论坛中的文本大数据,能够在一定程度体现学习者的个人情感与知识建构水平,对其进行深入挖掘能为个性化教学提供参考与依据。针对教育文本挖掘现有研究对兴趣和行为进行孤立分析的现状,将学习者潜在的兴趣主题和行为倾向纳入主题模型,构建了融合行为-情感-主题-时间的潜在语义分析模型,即BETTM(Behavior-Emotion-Time-Topic Model),以致力于挖掘四者之间的潜在关系。基于华中地区某高校开设课程的在线论坛数据,通过挖掘学习者在整个教学周期中的兴趣主题与行为倾向,探究二者与学习成绩的关系,以及二者随时间变化的规律。结果表明:(1)有关资源查找和组内成员之间交互的主题,对学习成绩有显著正向作用;(2)教学作品完成过程中学习者的信息发布行为,对学习成绩有正向影响作用;(3)兴趣主题和行为倾向联合后的12类行为分布,对学习成绩没有显著影响;(4)在时间上,前期学习者倾向于对资料进行查找与整合以及分配任务,中期则关注彼此的交互和个人观点的表达,后期更侧重于对作品修改和完善,以及对自己和他人在整个讨论过程中表现进行评价。研究所提出的模型,为在线论坛中学习者兴趣与行为主题挖掘、分析与预测,提供了参考和依据。

考虑用户主题兴趣度的网络舆情演化建模与仿真研究

网络舆情是社会公众在网络空间对特定社会突发事件所产生和持有的社会政治立场与政治态度的情绪化表达。网络舆情的演化是网络舆论随时间变化趋势的反映,对网络舆情的演化过程进行研究能够探析突发事件所引发的舆情在网络环境下的发展历程及发展规律,为公共决策部门针对舆情事件实施有效监控、制定预警决策提供必要的理论支撑。本研究在传统网络舆情传播SEIR仓室模型的基础上,构建了考虑用户主题兴趣度的SEIR改进模型,通过网络舆情演化模型的建立,仿真并验证影响舆情事件演化的关键因素。结果表明,突发事件网络舆情的演化不仅与舆情传播用户的数量、舆情传播用户的地位相关,还与网络舆情参与用户的主题兴趣度、主题关注的焦点存在显著关系。在公共决策制定过程中,政府不仅要加强对网络舆情关键用户的舆论引导,还需要不断检测网络舆情的核心主题,充分披露舆情主题焦点信息,疏散舆情盲区,引导控制舆情走势。

基于作者引用文献关系的潜在研究兴趣主题发现

扩展LDA(latent dirichlet allocation)模型,提出基于作者引用文献关系的作者-兴趣主题-文献模型。每个作者被分配一个在所有主题上的多项概率分布,每个主题被分配一个在所有文献上的多项概率分布。在DBLP(digital bibliography&library project)文献引用关系数据集上的实验表明,所提模型能有效地提取一个研究领域的主要潜在研究兴趣主题及其所包含的代表性文献,并能挖掘每个作者属于每个研究兴趣主题的分布。

基于兴趣主题稳定度和多维相似度的社交用户兴趣挖掘

[目的/意义]针对当前兴趣挖掘研究未考虑用户兴趣稳定性和未充分整合社交关系中的兴趣资源问题,提出了利用兴趣稳定且多维相似的重要社交兴趣资源挖掘用户兴趣的方法。[方法/过程]在构建用户社交网络的基础上,利用不同时间窗口的兴趣波动幅度计算关联用户的兴趣主题稳定度,并基于网络节点信息和连接关系,计算用户间的多维相似度。融合兴趣主题稳定度与多维相似度,获取用户的重要社交关系资源,实现对用户兴趣的挖掘。[结果/结论]实验采用新浪微博数据作为测试集,与已有方法相比,新方法可以有效提高兴趣挖掘效果。[局限]仅利用单一社交平台进行研究,未从多源数据中进一步探讨用户的兴趣变化。

融合社交主题和兴趣主题的个性化推荐研究

为了解决协同过滤推荐技术中冷启动和推荐精度不高两大问题,用UATMF算法模型划分社交主题社区和兴趣主题社区,然后用矩阵分解得到候选集推荐给目标用户.实验表明,融合社交主题和兴趣主题的推荐方法在召回率、准确率和F1score指标上优于其他算法.通过对社交主题社区和兴趣社区的挖掘,发现用户潜在需求,解决冷启动问题并提高推荐的精准度.

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.

实时监控下的英语课堂兴趣调查分析

本文采用实时课堂问卷及课后访谈的方法对影响非英语专业大学生英语课堂学习的情景兴趣与个体兴趣进行研究分析。研究结果显示:情景兴趣在激发课堂学习兴趣中所起的作用比个体兴趣大;在影响英语课堂情景兴趣的诸多因素中,主题内容、课堂任务活动及提问方式对提高课堂学习兴趣有重要影响。

用户兴趣感知的内容副本优化放置算法

提出了用户兴趣感知的内容副本优化放置算法。该算法首先基于聚类算法从用户访问日志提取各用户的群体内容兴趣主题,依据其所辖用户的个体兴趣度加权得其群体兴趣度,并对其进行实时更新;然后在非线性优化模型下,以最小化平均响应时间为目标,优先放置群体兴趣度较大的副本,以实现被放置副本与用户内容兴趣主题的最大匹配。在平均响应时间、请求响应匹配度、负载均衡和邻近副本利用率等方面,与1-Greedy-Insert等算法进行对比,仿真结果显示各性能指标平均提升了约30%,验证了算法的有效性。

基于用户兴趣的文本摘要方法研究

提出的方法,以句子为基本抽取单位,以兴趣主题词为句子的加权特征。对句子基于潜语义聚类,提出语义结构,这种结构对质量的提高有重要作用,并且提出了较为客观和有效的评价方法。实验表明,本文方法是行之有效的。

基于兴趣度与类型因子的云图书数据推送服务

针对云平台图书数据"大集成"下的信息迷航性,为实现投其所好的个性化推送服务,将云计算环境下图书资源的聚合为框架支撑,首先,基于读者阅读浏览行为建构读者兴趣度模型,并融合时间因素和当下时间窗口图书流行度建构评分权重计算模型,以挖掘读者兴趣度的动态变化性;然后,利用LAD主体模型进行兴趣度主题分类挖掘,引入Markov模型,基于转移矩阵测算不同时段读者兴趣度主题及类型的动态变化特征,并据此,进行读者群组的划分,利用基于内容与协同过滤的算法,为读者个体或群体进行自主的图书数据推送服务。最后,通过实验测试,采用上述推送算法获得的读者群组划分误差值最小,MAEij仅为0.18%,且通过推送准确性基本均在0.9以上,推送耗时均值为5 s,各评价指标均存在显著优势,可见其达到了高精准的设计要求。

电子商务公选课教学内容与教学方法的探索与实践

本文分析了现有电子商务公选课的不足,介绍了以授课内容主题化、重要基本实验和实践必须化的课程内容设置方式以及基础知识主题案例式、提高性知识主题兴趣式教学方法。

潜在语义索引方法在信息过滤中的应用

信息过滤是一种ＷＥＢ信息服务的新技术，旨在实现网络服务器向客户端主动的信息推迟，其核心技术之一是用户兴趣主题模型的表示。文章利用潜在语义索引方法构建用户兴趣主题模型，并对网上大量的中文科技文献信息进行过滤。初步实验的结果表明，该方法与传统的向量空间方法相比，效率有明显提高。

线上健康社区精神障碍患者行为画像

目的:描述线上健康社区精神障碍患者的行为方式,为精神障碍患者更好地参与线上健康社区来改善病情提供决策支持。方法:选取线上健康社区中773名精神障碍患者,根据其在社区中产生的行为和个体特征等信息,借助用户画像技术分别从兴趣主题、情感倾向以及在线影响力3个维度对患者的行为方式进行描述。结果:社区中女性患者更关注情感交流主题(P<0.01),男性患者更关注资源共享主题(P<0.001);年长患者更关注药物治疗主题(P<0.05),年轻患者更关注社交交友主题(P<0.05)。97.4%的患者表现出明显的情感倾向,且女性和年长患者更倾向表达正向情感(均P<0.05)。患者的在线影响力更符合幂律分布,年长患者的总体影响力和正面影响力更大(均P<0.05)。结论:线上健康社区精神障碍患者的兴趣较为广泛,正向和负向情感表达都有表现,不同年龄段患者之间的在线影响力有差异。

基于用户行为P2P网络全文搜索机制

在对P2P用户行为进行分析的基础上,提出了一种自动机制,能够区分出用户对不同主题领域的关注度,计算出邻居节点查询各关注主题领域相关文档的能力,通过选择对特定领域查询能力最强的k个邻居节点转发查询消息提高效率,该机制能够区分出用户的典型行为和即兴行为,通过采用不同策略进一步提高即兴查询的效率。

User-oriented web search based on PLSA

In order to solve the problem that current search engines provide query-oriented searches rather than user-oriented ones, and that this improper orientation leads to the search engines＇ inability to meet the personalized requirements of users, a novel method based on probabilistic latent semantic analysis （PLSA） is proposed to convert query-oriented web search to user-oriented web search. First, a user profile represented as a user＇ s topics of interest vector is created by analyzing the user＇ s click through data based on PLSA, then the user＇ s queries are mapped into categories based on the user＇ s preferences, and finally the result list is re-ranked according to the user＇ s interests based on the new proposed method named user-oriented PageRank （UOPR）. Experiments on real life datasets show that the user-oriented search system that adopts PLSA takes considerable consideration of user preferences and better satisfies a user＇ s personalized information needs.

开源问答服务系统专家推荐混合模型

针对专业领域问答系统中推荐专家回答不准确与不及时的问题,提出一种基于兴趣度、权威度、信誉度和最近活跃度的专家推荐混合模型。采用加权的LDA主题模型获得专家兴趣主题分布,采用基于主题的PageRank算法计算专家的权威度;根据专家回答问题的质量计算专家的信誉度,根据专家历史回答问题的时间获得专家的最近活跃度。给出用户问题的分析方法,采用混合模型推荐最适宜的问题服务专家。为了验证模型的可行性和有效性,使用Stack Over Flow真实数据集进行分析实验。实验结果表明该方法能够有效地提高新问题专家推荐的准确率。

精准选题,使阅读变“悦读”

良好的阅读习惯,对学生的终身发展都是有益的。在实际的教学过程中,我们要激发学生的阅读兴趣,根据学生的实际情况精准选择健康主题的书籍,使阅读变"悦读"。