基于兴趣和专业度建模的CQA专家发现方法

现有问答社区专家发现方法通过学习用户解答的问题序列单向信息建模用户兴趣,忽略了用户兴趣的波动性,对于解答过较少问题的用户建模准确度将受到影响,此外,未考虑历史回答与问题的语义相关性对评估用户表现的作用。论文提出基于兴趣和专业度建模的CQA专家发现方法,首先,使用BERT4Rec学习用户近期解答的问题序列双向信息得到近期动态兴趣表示;其次,构建用户社交网络,使用DeepWalk算法学习网络结构特征,得到用户长期兴趣表示;再次,构建用户专业度评估网络,依据用户回答与问题的语义相关性及反馈信息计算权重,对相应问题进行加权,引入注意力机制,重点关注用户在与新问题相近问题上的表现,得到用户专业度表示;最后,综合用户近期动态兴趣、长期兴趣和专业度表示与新问题进行匹配打分,为新问题找出有意愿接受邀请并能提供优质回答的用户。实验表明,该方法取得了较好表现,较基线方法在英语、3D打印和天涯问答数据集的MRR评价指标上分别提升了5.2%、2.7%、16.1%。

大学生数学建模竞赛教学如何备战探析

“数学建模”课程的目的是能够引起学生的注意,激发他们的兴趣,通过建模方法的介绍,培养学生分解问题与解决问题的能力。全国大学生数学建模竞赛是大学本科重要赛事之一,是衡量学生学习“数学建模”课程的标准,也是学生在校期间从理论到实践的有效途径。通过从培养学生对数学建模的兴趣、制定严格的训练计划、了解计算机算法、培养严谨的科研态度、撰写合格论文等几方面,对学生参加数学建模竞赛备战阶段给出一定的建议,希望对在数学建模路上一直迷茫的学生起到一定的指导作用。

国内用户兴趣建模研究进展

介绍了用户兴趣建模内涵及核心研究内容,并从模型表示、用户行为与兴趣数据采集、模型进化、模型评价4方面介绍了国内用户兴趣建模研究进展。

个性化流媒体服务中基于行为分析的用户兴趣建模

提出一种基于行为分析的用户兴趣建模方法,计算用户短期兴趣和长期兴趣,以满足流媒体服务中的个性化需求,提高服务的效率。该方法在综合分析用户历史行为的基础上,考虑了不同行为与用户兴趣偏向之间的关系。实验结果表明,该方法能够较为准确地评估用户兴趣偏好。

基于潜在兴趣语义描述的门户个性化兴趣建模

日益丰富的门户个性化服务为兴趣建模提出了在描述以及扩展方面更高的要求.提出一种基于潜在兴趣语义描述的门户个性化兴趣模型(PIM-LISD,Personalization Inter-estModel based on Latent Interest Semantic Description),遵循有限混合模型理论,融入了隐式获取的门户个性化兴趣语义以及潜在兴趣语义关联描述.通过合理选取不同先验分布来适配潜在兴趣语义的后验分布,完善了模型的可解释性和自适应能力,并在建模过程中利用优化的期望最大化(TEM,Tempered Expectation Maxim ization)算法进行参数估计.实验表明该方法不仅有效节省建模开销,而且能够提升预测精度,从而验证了其正确性和有效性.

基于关系社区发现改进的用户兴趣建模

本文着重研究了社会网络环境下的用户关系社区发现及在此基础上的用户兴趣建模问题。在阐述复杂网络中社区发现机理和研究进展的基础上，本文针对社会网络环境下用户兴趣多元化及关系社区小规模化和交叉性等特点，从模块度改进的角度进行关系社区发现算法的改进。进而从社区和个体两个层面进行了用户兴趣模型构建，提出将两者加权融合实现用户整体建模的思路。对比试验表明，基于关系社区的用户建模在在查全率方面具有优越性。

个性化服务中用户兴趣建模与更新研究

目的：为了使用户兴趣模型更好地被推荐系统理解，实现个性化服务。方法：引入领域本体，对特征项语义进行扩展，构建电影领域本体。根据信息论思想，改进相似度的计算方法，构建基于本体的用户四元组多兴趣细粒度表示模型和相应更新机制。结果：随着用户欣赏同类电影的数量的不断增加，用户兴趣模型能进行累加学习，推荐的准确性不断提高。当用户的兴趣爱好发生转移时，用户兴趣模型能随着用户兴趣的转移合理地“遗忘”掉用户过去的爱好，而积累用户新近感兴趣的电影主题。结论：实验表明该用户兴趣模型能够准确及时地跟踪用户多种兴趣及其变化，保证用户模型的可靠性。

代表性博文选择的博客兴趣建模

随着博客信息源成指数级的增长,在博客空间中的信息检索,知识发现等任务正面临着巨大的挑战.博客特有的格式为以博客为载体的数据挖掘任务带来不便.本文提出挑选最具代表性的m个博文构成的博文集对博客兴趣建模,挑选的标准保证博文集中博文的重要性和主题多样性,并根据这两个指标来构造博文评估函数,将其转换成实例选择优化问题求解.实验以博客分类为目标,表明通过本文方法预处理后的博客,能够降低时间复杂度,提高分类准确率.

和声模糊聚类在读者兴趣度建模中的应用

本文采取了3种必要的措施提高了聚类质量:考虑到各维数据特征属性对聚类效果影响不同,采用了基于统计方法的维度加权的方法进行特征选择;对于和声搜索算法的调音概率进行了改进,将改进的和声搜索算法和模糊聚类相结合用于快速寻找最优的聚类中心;循环测试各种中心数情况下的聚类质量以获得最佳的类中心数。接着,该算法被应用于图书馆读者兴趣度建模中,用于识别图书馆日常运行时各读者借阅图书的类型,实验表明该算法较其它算法更优。这样的读者兴趣度聚类分析可以进行图书推荐,从而提高图书馆的运行效率。

本体技术在用户兴趣建模中的应用研究

用户兴趣建模是个性化信息服务的基础和核心,它的主要构建环节包括了信息获取、模型表示、模型学习更新。通过对现有基于本体的用户兴趣建模思路分析,采用了叙词表改造本体的方法介绍用户兴趣模型的构建,构建过程中应用到了初始本体、领域本体、用户本体和参考本体。

基于聚类的隐式用户兴趣建模

随着Internet的迅速发展,人们必须面对信息爆炸的现实。描述了一种关键词向量的方式表达用户兴趣。将BIRCH聚类算法应用于用户访问的网络文档上来建立用户兴趣模型。基于Myspace用户日志,又实现了一个用户兴趣建模系统,该系统验证了提出方法的有效性。

基于加权语义网和有效信息的个性化用户兴趣建模

为了提高个性化用户兴趣建模的准确率,对用户建模过程进行了优化。在计算文档相似度时,综合考虑特征词的语义关系以及在文档中的分布情况,引入加权语义网,提高了文档相似度计算精度;在计算兴趣度权值时,引入有效信息的概念及量化方法,以解决用户兴趣类权值计算过于主观的问题,并提出具体权值算法,提高了权值计算的准确性。实验结果表明,改进的方法在用户兴趣聚类和兴趣类别权值计算的准确率上都较以往方法有较大提高。

一种社会化标签系统的用户兴趣建模方法

随着互联网技术的发展,海量信息同时呈现,使得用户难以有效发现本身感兴趣信息,并且大量的网络暗信息少人问津,难以被普通用户获取,为了处理信息过载问题,出现了个性化用户系统,以弥补海量信息中用户很难找到有用信息的问题。而只有具备了精准的用户兴趣模型,个性化用户系统才得以真正存在。因此用户兴趣建模的研究与探索具有深远的意义。从而,本文首先介绍了社会化标签Tag系统,其次分析了用户兴趣建模的四种表示方法,最后讨论了一种基于社会化标签系统的兴趣建模方法。

基于用户兴趣三维建模的个性化推荐算法

针对推荐系统中用户的个性化需求,提出一种基于用户兴趣三维建模的个性化推荐算法。通过分析用户行为数据,从兴趣广度、兴趣深度和兴趣时效3个角度分析用户的兴趣构成,对用户兴趣进行三维建模,并在此基础上,逐步添加维度,设计用户之间兴趣相似度的三级计算方法。在真实推荐系统数据集上的实验结果表明,用户兴趣三维模型比一维模型、二维模型更能准确地表征用户兴趣,基于用户兴趣三维建模的个性化推荐算法能够提高个性化推荐的准确率。

基于用户隐式反馈信号和多维度兴趣的新闻推荐算法

用户偏好建模是提升个性化新闻推荐质量的关键因素。现有的研究通常将任务建模为点击率预估任务,从用户的显式反馈信号入手,构造兴趣表征。然而,由于显式反馈信号的匮乏以及用户兴趣的多样化和多变化,目前的新闻推荐方法往往存在数据稀疏和信息茧房的问题。提出了一种基于用户隐式反馈信号和多维度兴趣的新闻推荐算法。通过引入用户曝光未点击这类隐式反馈信号,缓解推荐模型建模时的数据稀疏问题,提出对比注意力机制对用户点击和未点击新闻进行融合建模。此外,还提出了基于候选新闻感知的用户动态兴趣建模和动静态兴趣的对比学习建模,最终得到多维度用户兴趣表征,以实现丰富、准确、动态更新的用户偏好定位。该研究在真实数据集上进行了大量实验,用三种评价指标以及多种性能测试与其他基线方法进行比较,验证了提出的模型优于其他方法。

用户兴趣建模支持下的行为推荐算法特性分析

为解决传统的算法中忽视的问题,选择更适合用户的兴趣模型,降低分析准确度较低的方式,为此提出了用户兴趣建模支持下的行为推荐算法特性分析,基于特征维度的选择,以及特性影响因子的求解,完成了推荐算法特性分析影响因子的计算;基于行为推荐算法样本集的确定,实现了行为推荐算法的特性分析,试验数据表明,提出的推荐算法特性分析较传统分析方法,分析准确率提高13.68%。适用于不同用户兴趣建模支持下的行为推荐。

移动社交网络的用户兴趣建模研究

为准确把握用户兴趣,提高用户体验,实现内容的精准推广和用户的个性化服务,建立移动社交网络用户兴趣模型。挖掘用户的移动社交网络行为及内容,抽取用户的兴趣特征项,在统计兴趣项词频的基础上借鉴改进词频—逆文档频率(term frequency—inverse document frequency)算法以计算用户兴趣度权重,得到用户兴趣的向量空间表述模型。试验表明该方案在用户兴趣识别与排序上准确率较好。

基于用户兴趣建模的个性化旅游信息推荐研究

用户兴趣建模是通过对用户的偏好信息、行为过程和背景理论等信息综合分析并计算构建用户的兴趣模型。用户兴趣模型的构建是个性化信息推送应用的关键环节,是为用户提供个性化服务的基础部分,用户建模的质量直接决定着个性化推送服务水平的高低。该文依据用户建模的流程依次对用户数据收集、用户模型的表示、用户模型的学习和用户模型的更新四个部分展开研究,最后通过个性化推送方法进行旅游信息推送分析。

基于云计算的用户兴趣建模探究

本文立足于云计算基础,提出了一套用户兴趣建模方法,并对该建模方法的相关路径进行了阐述,希望可以为提高个性化服务能力提供帮助。

基于用户兴趣模型的信息推送系统研究

为了满足民航监管部门对庞大的各类民航信息有效、及时获取的需求,提出了基于多Agent的信息推送系统模型,通过显式和隐式的建模技术构建和完善向量空间模型描述的用户兴趣特征,并据此使用基于内容和向量空间相结合的方法实现信息的过滤和推荐,使系统提供的个性化信息服务尽可能满足用户真正需要。