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。

基于知识图谱的用户兴趣挖掘与在线课程推荐系统

随着互联网技术的发展,在线教育平台的课程资源急剧增加,如何为用户推荐合适的课程成为一项重要的研究方向。为此,研究一种基于知识图谱的用户兴趣挖掘与在线课程推荐方法。首先,设计在线课程推荐系统的总体框架。其次,聚焦知识图谱构建,进行兴趣挖掘和推荐的方法。最后,采用MOOCCube数据集进行实验验证。结果表明,所提方法可以满足课程推荐的需求。

基于兴趣挖掘的非结构化P2P搜索机制研究与实现

在非结构化P2P环境下,搜索机制是影响信息检索的关键因素之一。提出一种基于兴趣索引表的搜索机制,并在此基础上实现非结构化P2P信息检索原型系统Isearch。该机制首先利用向量空间模型将文件内容向量化,然后对向量空间进行聚类,得到节点的兴趣度,再计算节点之间的兴趣相似度,在本地建立兴趣索引表。在搜索时,根据兴趣索引表直接将查询请求转发到有相似兴趣的节点。实验结果表明,该机制既不影响查询结果,又能减少访问节点的数量,提高查询效率。

基于背景和内容的微博用户兴趣挖掘

微博用户兴趣挖掘是个性化推荐、社群划分的基础工作.在深入分析微博网络特点的基础上,给出了能够揭示微博网络多模性的描述模型,对面向微博网络的后续研究具有参考价值.根据微博网络的特点,提出了基于背景的用户静态兴趣表示及挖掘方法,以及基于微博的用户动态兴趣表示和挖掘方法.针对微博网络中缺少背景信息、发表微博很少的大量不活跃用户,提出了基于关注的用户兴趣挖掘方法.以新浪微博为例,选取了时尚、企业管理、教育、军事、文化这5个领域进行用户兴趣挖掘及相似度计算的实验分析和比较,结果表明,与主流的兴趣挖掘方法相比,该微博用户兴趣的表示和挖掘方法可以有效地改善微博用户兴趣挖掘的效果.

社交网络用户兴趣挖掘研究

面向消费者的公司或者企业都希望了解他们用户的需求,而大量的用户产生的数据在很大程度上就体现了用户的兴趣和需求.提出一种用于社交网站上,针对用户生成内容(User Generate Content UGC)和用户关注信息的用户兴趣发掘方法.首先通过启发式初始化的PLSA模型训练得到贴近兴趣类别的话题模型,然后从训练结果中抽取可靠的话题并以此构建分类器,对用户的分享数据进行分类,最后根据用户的分享数据分类结果来识别用户的兴趣类别.在初始化PLSA模型时,用关键词抽取算法抽取每个分类的关键词,并给这些关键词赋予较高的PLSA初始权重,以此来引导PLSA模型的训练.实验的结果表明:本文方法可以有效的构建用户兴趣类别,并对用户兴趣的挖掘比较理想.

结合微博关注特性的UF_AT模型用户兴趣挖掘研究

微博作为国内主流社交网站,信息量与日俱增。目前微博用户兴趣挖掘方法大多停留在研究用户浏览网页时点击行为、用户所发微博内容或所在社区等表象层面,尚未深入到微博用户使用特性层面。从用户微博内容出发,结合用户关注对象微博,提出一种改进作者主题模型UF_AT(users focus-author topic)。最后对真实数据进行实验得出,模型在用户兴趣主题以及主题词概率值上均高于AT模型,而且用户兴趣主题准确、全面,同时验证了UF_AT模型在挖掘用户兴趣中的有效性。

基于文本聚类与兴趣衰减的微博用户兴趣挖掘方法

结合用户兴趣与微博信息的特点,提出了一种文本聚类与兴趣衰减的微博用户兴趣挖掘(TCID-MUIM)方法。首先通过基于词林的同义词合并策略弥补建模时词频信息不足的弊端;然后利用二次single-pass不完全聚类算法将用户微博划分为多个簇,将簇合并为同一文档以弥补微博文本短小难以挖掘主题信息的问题;最后通过LDA模型建模,并考虑用户兴趣随时间变化的问题,引入时间因子,将微博—主题矩阵压缩为用户—主题矩阵,获取用户兴趣。实验表明,较之传统建模方法与合并用户历史微博为同一文档的建模方法,TCID-MUIM方法挖掘的用户兴趣主题具有更好的主题区分度,且更贴合用户的真实兴趣偏好。

个性化服务中基于支持向量机的用户兴趣挖掘分析

用户兴趣的准确获取是保证个性化服务质量的关键;分析用户所浏览的网页集,捕获用户兴趣、建立用户兴趣挖掘模型是目前个性化服务研究的一个重要方向。本文首先比较支持向量机与其他分类算法的性能,分析了基于支持向量机进行用户兴趣挖掘的可行性;然后在介绍支持向量机分类原理和分析分类预测理论模型的基础上构建了用户兴趣挖掘模型;最后选取中文网页分类训练集和特定用户的网页浏览记录,主要从支持向量机分类器的构造和用户兴趣预测两个方面进行了模型的实现研究。

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。

融合情境因素的电子商务用户兴趣挖掘仿真

针对当前电子商务用户兴趣挖掘过程,普遍存在准确度较低、综合性能较差以及召回率较低等问题。提出融合情境因素下基于网络结构的电子商务用户兴趣挖掘方法。通过计算融合情境相似度来获取电子商务用户当前情境的近似情境集,对电子商务用户-兴趣项-情境构建三维模型,采用情境预过滤方法对近似情境集进行降维处理,以此得到每种主题的兴趣度。根据兴趣度大小将电子商务用户模式划分为低兴趣度、一般兴趣度、高兴趣度三个级别,保留电子商务用户兴趣度较高的模式,删除较低的模式,完成电子商务用户兴趣挖掘。实验结果表明,所提出方法用户兴趣挖掘准确率较高、综合性能较好、召回率较高。

基于Web挖掘与相关反馈的多层次用户兴趣挖掘算法

针对现有用户兴趣挖掘算法单一的缺点,提出了基于Web挖掘与相关反馈的多层次用户兴趣挖掘算法,在充分挖掘Web内容的同时,又将用户对网页的相关性反馈引入到算法中,实现显式提交信息与自动隐式学习相结合。实验证明该算法能较好地描述用户的兴趣类型及兴趣度,为实现个性化信息检索奠定了基础。

基于改进LDA模型的微博用户兴趣挖掘研究

为了更准确地挖掘微博用户的兴趣,在LDA主题模型基础上,引入微博用户简介、认证信息以及词汇的语义等先验知识,提出一种基于改进LDA模型挖掘微博用户兴趣的方法.方法综合考虑了微博用户的微博内容、背景信息等数据,通过改进的LDA模型挖掘出微博用户的兴趣主题.实验结果表明:改进的LDA模型在F值上优于LDA模型,能够更准确地挖掘出微博用户的兴趣.

基于微商的客户行为分析与兴趣挖掘

随着微信诞生及微信用户群体的日益扩大,基于微信平台的一种新型购物模式也随之出现,即微商。其集微信生态移动与社交为一体,可实现商品的社交分享、熟人推荐与朋友圈展示。与传统电商相比更容易获得合适的用户群和互联大数据。因此,为满足大数据时代微商经销商对海量数据转化成有用信息的强烈需求,本文基于微信社交平台,以问卷调查形式收集微商用户行为数据,采用SPSS统计软件对数据进行相关分析与聚类分析,从中挖掘出用户的购物兴趣,从而实现微商模式的个性推荐服务。

基于改进的关联规则挖掘算法的用户兴趣挖掘

研究发现,传统的关联规则挖掘算法在用户兴趣挖掘的应用中,摒弃置信度这个度量值。究其原因,在于网站结构中置信度不能准确度量用户兴趣。提出了一个可以替代传统置信度的、在网站环境下能正确反映用户兴趣的确定性的度量值,并结合用户的浏览速率进行用户兴趣挖掘。对比实验结果表明,此方法挖掘用户兴趣的效果明显。

基于用户兴趣挖掘技术的移动校园信息推送系统研究与探索

本文主要从分析现有的校园信息发布平台出发,围绕个性化主动信息推送这一目标,研究及探索一种基于移动网络和用户兴趣挖掘技术的校园信息推送系统。针对不同的用户订制个性化的服务策略和功能模式,并通过分析用户信息和浏览行为以及用户信息订阅来构建用户兴趣模型,主动将用户可能感兴趣的信息推送给他们,并对推送结果进行反向跟踪,实现信息的"推"技术,以此构建一个全新的校园信息推送服务系统,达到信息的主动投放和精确获取的效果。

基于HowNet的用户兴趣挖掘研究及应用

搜索引擎中用户查询和网页资源之间的相似度研究一直是页面排序的研究核心。利用HowNet对词语的语义层次架构模型,对用户的检索词进行兴趣挖掘,同时对检索词和挖掘出的兴趣关键词的语义相似度计算方法进行改进,用户的检索请求与分块后的网页资源进行相似度迭代计算。实验结果表明,改进的算法使得页面排序的准确率和首页命中率有了较大提高。

基于复杂网络及神经网络挖掘用户兴趣的方法

按照用户的兴趣提供个性化服务是提高企业商业价值最有效的方案。针对目前从用户行为中挖掘用户兴趣方法的不足,提出一种依据用户使用软件的时间序列构建复杂网络及依据神经网络聚类挖掘用户兴趣软件的方法。在计算用户对于软件的兴趣度时,综合考虑用户使用软件的时长以及复杂网络中相邻节点的贡献度,包括节点的度、节点介数、聚集系数来判断节点的重要性,挖掘用户对于软件的兴趣度,形成软件兴趣社区。再利用神经网络算法对用户兴趣社区中的软件进行聚类,形成用户的兴趣软件集。实验结果表明,该方法能够较准确地挖掘用户感兴趣的软件集,并且在精确率和召回率上较其他方法有一定的提高。

网络用户兴趣的智能挖掘方法研究

目前网络上的重要应用都是围绕对用户兴趣的研究和发现而展开和完善的,主要的方式是借助于对用户的Web访问数据进行相关挖掘。该研究主要是通过建立一个从底层数据获取到上层数据处理的原型系统,对真实捕获的网络数据利用小世界网络模型提取中文文档关键字后处理为用户兴趣,再将用户的访问兴趣通过隐马尔可夫模型抽象成一种时间序列,依次反映用户兴趣的序列性,从而利用GSP算法得到用户的兴趣并供后续处理。实验证明,该原型系统从数据获取到最终处理,可以得到比较满意的结果。

一种面向主题的用户兴趣挖掘模型研究

用户查询表达式中包含的有效信息对于检索结果影响很大,利用企业信息系统搜集和挖掘与用户检索兴趣相关的信息,有助于解决检索信息不足的问题.为此,提出一种面向领域主题概念的搜索引擎构架,据此建立面向主题的复合算子调节用户兴趣趋向的线性规划预测模型,该模型可预测用户的最大兴趣,生成用户兴趣查询表达式,提高检索的查准率和查全率.另外,还提出一种用户兴趣演变探测因子重建用户兴趣特征向量的方法.

基于用户兴趣挖掘技术的微博信息推送应用研究

以模拟器的方式对微博大量数据进行爬取计算,对微博数据进行自动清洗,并结合关键词抽取等语言处理技术对微博用户数据进行分析和挖掘,准确分析用户兴趣对微博数据挖掘研究具有重要的意义。对平台设计的需求进行了分析,结合用户兴趣挖掘技术,对平台总体架构的设计进行了研究,并从用户微博信息推动应用方面,对平台的功能模块进行了设计。