基于平台兴趣度的移动群智感知激励机制模型

针对移动群智感知系统中参与者积极性和数据质量不够高的问题,提出一种基于平台兴趣度的移动群智感知激励机制模型。上述机制根据感知平台对感知任务的候选参与者上传感知数据的质量以及他们完成任务时的努力程度来量化评估感知平台对该候选人产生的兴趣度。通过离线和在线结合的两步骤动态拍卖方法竞选出获胜者参与感知任务并予以相应报酬。实验结果表明,与现有方法相比,上述模型在数据集中能产生更大的平台效益以及消耗更少的运行时间。

基于用户浏览行为分析的用户兴趣度计算

从用户的浏览行为可以反映用户的兴趣出发,分析了用户的浏览行为与兴趣之间的关系,通过分析把能反映用户兴趣的典型浏览行为归纳为保存页面、打印页面、将页面加入收藏夹、复制页面内容、访问同一页面的次数和在页面上浏览时间这些浏览行为。针对这些浏览行为下的用户兴趣度计算做出阐述,并且在分析基于网页驻留时间和浏览次数计算网页兴趣度的算法的基础上,考虑网页大小的影响因素,使用基于浏览速度计算网页兴趣度,同时利用BP神经网络进行用户兴趣度融合。

基于兴趣度的云VR资源存储方法

针对云上虚拟现实(VR)资源存储过程混乱和部分云存储空间使用不均衡等存储不当问题,提出一种基于兴趣度的云VR资源存储方法。该方法从虚拟现实资源本身关联度着手分析,定义了兴趣度指数,用于量化云VR资源的关联程度。通过兴趣度指数来构建资源放置组,有效减少了存储过程中的移动次数,并利用兴趣度指数改进的深度强化学习算法进行合理的对象存储设备选择,有效提高了云空间整体使用率。实验结果表明:该方法有效地优化了云VR资源存储过程,解决了资源存储不当的问题。

基于用户兴趣度的微博混合推荐算法研究

微博作为一种重要的社交平台,聚集了大量用户生成的实时信息,如何从众多的微博中筛选出用户感兴趣的内容,成为亟待解决的问题。阐述了常用的推荐算法以及其存在的问题,提出了基于用户兴趣度的混合改进算法,探讨了混合推荐算法的改进效果。

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.

基于用户兴趣度的校园网带宽管理策略应用研究

针对校园网出口拥塞问题,提出一种基于行为分析的用户兴趣建模方法,通过用户参与时间来衡量并计算不同种类应用的用户访问兴趣度,在用户兴趣度的基础上结合通道管理技术进行带宽管理策略研究,实现动态带宽管理。实施结果表明,该方法能够有效地提高用户的网络满意度。

基于兴趣度变化的社区网站用户性格相似度计算

针对社区网站中通过衡量用户静态信息的一致性和共同好友数量,忽视其动态信息以及动态信息变化过程实现好友推荐这一问题,提出基于兴趣集、兴趣度持续时间、兴趣集序列构造性格模型,比较用户性格相似度实现性格相似的判断.实验结果显示,该模型实现好友推荐的效果良好.

基于访问兴趣度的用户事务聚类方法

针对现有事务聚类算法复杂度高、精确性不够的问题,提出了基于用户访问兴趣度的事务聚类算法。首先,在Web日志预处理阶段,通过用户兴趣度生成算法得到用户兴趣度事务,减少了聚类操作的数量,提高了聚类结果的准确性;其次,给出了事务相似度的度量方法,并得到事务相似度矩阵以实现事务聚类。该算法减轻了数据挖掘的任务,提高聚类结果的准确性,能广泛地应用于电子商务领域。

兴趣度——关联规则的又一个阈值

关联规则的采掘是数据采掘研究的一个重要方面 .分析现有的关联规则采掘算法中所存在的问题 :首先是关联规则在其表达形式上没有考虑各种可能的反面示例的影响 ,因而导致知识表达功能的不够完善 ;其次是有可能一条规则即使可信度和支持度都很高 ,仍没有实际意义 ,甚至是误导性的 .因此对关联规则的形式定义作了修改 ,将运用差异思想引入的兴趣度阈值运用到关联规则中来 ,并给出其形式定义 .在分析了兴趣度的实际意义以后 ,讨论了兴趣度与概念层次的结合 .

基于项目类别和兴趣度的协同过滤推荐算法

用户评分数据极端稀疏情况下,传统相似性度量方法存在弊端,导致推荐系统的推荐质量急剧下降.针对上述问题,提出一种基于项目类别和兴趣度的协同过滤推荐算法.在该算法中,首先通过计算项目之间的类别距离,构造项目类别相似性矩阵;然后采用兴趣度分析不同项目之间的相关程度;最后结合项目类别信息和项目间的兴趣度,使用改进的条件概率方法作为衡量项目间相似性的标准.实验结果表明,该算法可以有效缓解用户评分数据稀疏带来的不良影响,提高预测准确率和推荐质量.

基于兴趣度含正负项目的关联规则挖掘方法

项目的引入使得挖掘出的频繁项集成倍增加,同时生成的关联规则数量更加庞大,引入兴趣度来约束从频繁项集中提取关联规则的数量。分析现有的兴趣度模型,从中选择了一种适合于含正负项目的关联规则挖掘的兴趣度方法,并且提出了置信度的一个性质,描述了含正负项目的频繁项集挖掘关联规则的算法,并对矛盾关联规则进行了分析。实验结果表明,该算法是有效和可行的。

一个基于兴趣度的关联规则采掘算法

关联规则是当前数据采掘研究的主要领域之一，获取具有更高价值的规则是该领域的一个研究重点．针对目前大多数采掘算法只能发现正项的关联规则和仅仅将兴趣度作为规则过滤工具的问题，在先前研究的基础上，提出了通过改进有关定义和引进反向项集的概念来进一步发现包含负项的关联规则的思想，并给出了相应的算法．最后，对这个算法给出了一定的评价和实例分析．

一种基于用户行为的兴趣度模型

个性化推荐技术在电子商务系统中得到了广泛应用。针对现有的用户模型不能根据用户自身兴趣实现推荐的问题,提出了一种基于用户行为的兴趣度模型,分析用户的行为模式,结合用户的浏览内容,发现用户兴趣。在此基础上采用期望最大化算法实现用户聚类,将用户划分到对应的簇,创建用户的兴趣度模型,从而向用户进行个性化推荐。实验对比结果表明,该模型能更好地发现用户当前的购买兴趣,从而进一步提高个性化推荐精度和用户满意度。

基于最小兴趣度的正、负关联规则挖掘

根据Piatetsky-Shapiro的主张,只有满足最小兴趣度条件约束的规则才是有兴趣的,论文将这一条件推广到了负关联规则,并将该条件进行了改进,使其能够对关联规则的相关性进行判断,然后在此基础上提出一个能同时挖掘正负关联规则的算法,实验表明该算法是非常有效的。

基于兴趣度的关联规则挖掘算法

分析了Apriori核心算法,举例说明了其设计思想上的不足,并重新定义了关联规则形式和引进了兴趣度的概念。主要定义了合理的兴趣度,即基于可信度和支持度方差的兴趣度InterestR=[(CR?SRH)/4]*(CR+SRH),并因此而设计了基于此兴趣度定义的关联规则挖掘算法,并对算法做了适当的分析。

融合类别信息和用户兴趣度的协同过滤推荐算法

协同过滤直接根据用户的行为记录去预测其可能感兴趣的项目,是现今最成功、应用最广泛的推荐技术。推荐的准确度受相似性度量方法效果的影响。传统的相似性度量方法主要关注用户共同评分项之间的相似度,忽视了评分项目中的类别信息,在面对数据稀疏性问题时存在一定的不足。针对上述问题,提出基于分类信息的评分矩阵填充方法,结合用户兴趣相似度计算方法并充分考虑到评分项目的类别信息,使得兴趣度的度量更加符合推荐系统应用的实际情况。实验结果表明,该算法可以弥补传统相似性度量方法的不足,缓解评分数据稀疏对协同过滤算法的影响,能够提高推荐的准确性、多样性和新颖性。

关联规则兴趣度的度量

本文对PS公式(关联规则兴趣度的一种度量公式,简单有效)的数学特性进行了深入的讨论,指出了它的优点和不足,并在此基础之上提出了一个新的度量规则兴趣度的方法.这种度量方法综合考虑了用户主观偏好、规则准确度、规则相关度对规则兴趣度的影响,克服了支持度-可信度框架的缺陷,可以用来简化寻找令人感兴趣规则的过程,优化现有的关联规则挖掘算法,因此,具有很好的应用前景.

基于情景和用户兴趣度的移动Web预取方法

通过研究移动用户的访问行为特点,给出了情景和用户兴趣度的定义,提出了一种基于情景结合用户兴趣度的移动Web预取算法。依据Web日志数据计算移动用户在不同情景下的兴趣度,建立移动用户的情景相似度矩阵和兴趣度矩阵,通过这两个矩阵预取移动用户最感兴趣的N个页面同时计算预取的准确率。采用实例介绍了该算法的具体过程,验证了其有效性。

用于推荐系统聚类分析的用户兴趣度研究

根据推荐系统对用户(商品)聚类的要求,探讨采用用户(网页)兴趣度进行聚类分析的合理思想。通过用户浏览时间、浏览行为以及网页信息量差异等因素的对比,得出用户对某类商品的兴趣度计算方法。借助阈值的设定,定义了用户感兴趣的商品集、商品的感兴趣用户集和兴趣相似的用户集,得到了基于用户兴趣度的用户聚类的一般过程,具有一定的推广价值和借鉴意义。

基于兴趣度的协同过滤商品推荐系统模型

本文结合了关联规则中的兴趣度和协同过滤技术来对客户的个人兴趣进行评价,提出了客户兴趣度的商品推荐参考模型,并将此模型应用于电子商务网站的商品推荐,从而更好地吸引客户的注意力,满足客户的喜好,使客户感受到完全个性化的购物体验。