个性化服务中用户近期兴趣视图的生成

随着时间和环境的改变,Web用户的兴趣也会随之改变,在信息服务中应该能捕获到用户的这种近期兴趣变化以便能为用户提供更好的个性化服务。对现在描述网页的特征片技术中的关键词权重的计算做了改进以更加准确地描述网页,给出了利用行为分析得到网页兴趣度的方法,进而给出了根据某领域的标准分类树形成网页分类树,并最终生成能准确表示用户近期兴趣的兴趣视图的新方法。以此进行个性化推荐也更加有效。

基于兴趣视图子集的流立方体计算方法

流立方体计算是流式数据多维分析的重要基础,然而流式数据的动态性、无限性、突发性等特征使其面临巨大的挑战.在实际应用中,用户的兴趣通常集中在部分视图上,基于这个特点提出了一种基于兴趣视图子集的计算方法,依据用户历史查询信息确定兴趣视图子集与兴趣路径,同时定义了Stream-Tree结构用于在主存中物化存储兴趣视图子集所包含的数据单元,在运行过程中依据多层次时间窗口约束不断更新和维护Stream-Tree中存储的数据单元,而对于稀疏数据单元仅保留高层次的聚集值.实验和分析表明,该方法能够在有限的主存空间中维持流立方体当前窗口内的数据单元,同时能够支持快速更新维护存储结构和响应用户查询.

基于用户近期兴趣视图的个性化推荐

提出了一种基于用户近期视图进行个性化推荐的方法。通过对用户浏览行为的捕获,形成用户近期视图反应用户的这种近期兴趣变化,以此为用户提供及时准确的个性化信息推荐。并用实验验证了利用此方法进行个性化推荐具有比较理想的效果。

基于点击流数据的用户近期兴趣视图生成方法

利用点击流数据综合分析用户点击行为,同时考虑用户对所点击页面的浏览行为和具体内容,分别引入操作行为权重和特征词条权重,提出一种基于点击流数据的用户近期兴趣视图生成方法。