兴趣偏移校正的互联网媒体深度信息分析模型

针对目前的互联网媒体深度信息分析方法忽略了用户之间的相关关系和相互影响,导致分析结果不够精确的问题,针对互联网媒体的海量数据,提出了一种兴趣偏移校正的互联网媒体深度信息分析模型。首先分析社交网络环境下用户兴趣多元化的特点,结合用户受其它成员的影响而发生的兴趣偏移的情况来建立用户兴趣模型,然后再结合用户社区兴趣最终得到完整的用户兴趣模型。实例仿真实验结果表明,结合评价指标发现,该方法在深度信息分析结果中具有很好的性能。

面向个性化服务的用户兴趣偏移检测及处理方法

个性化服务系统的目标是根据不同用户的兴趣喜好为不同用户提供针对性服务,其核心是建立关于用户兴趣的描述,即用户兴趣建模。然而,现实生活中用户兴趣常常发生不可预测的变化,兴趣偏移问题一直困扰着建模技术,阻碍个性化服务系统性能的进一步提高。为了寻找切实可行的方法解决兴趣偏移问题,本文针对用户兴趣建模的兴趣偏移问题进行系统的研究,着重分析了兴趣偏移的检测方法和处理机制,对时间窗口、遗忘模型、长短期模型等隐式调整方法以及主要显式检测方法和技术进行了系统评述,并在此基础上提出了针对兴趣偏移问题的进一步研究方向。

基于用户行为反馈的用户兴趣模型更新算法

在个性化推荐系统中,用户模型是推荐系统的主要依据,模型的好坏直接影响推荐系统的质量。但是在实际的应用中,用户兴趣会随环境和时间发生变化,有可能推荐的商品已不满足用户当前的兴趣需求。本文提出了一种记录用户当前兴趣模型自我更新的算法,通过对用户历史访问数据建立用户兴趣模型,以时间为主线,统计用户当前兴趣。本文以Movielens电影数据集为数据源,在设计的个人推荐系统中应用基于用户行为反馈的用户兴趣模型更新算法,有效缓解了用户兴趣偏移的问题,提高了推荐质量。