面向浏览推荐的网页关键词提取

在网页浏览推荐任务中,如何利用网页内容选取合适的推荐关键词是具有挑战性的研究热点.为了实现有效的关键词推荐方法,利用大规模的真实网络用户浏览行为数据,以及相关提取算法和新词发现算法实现并比较了基于领域关键词提取技术和基于查询词候选集合的关键词推荐方法.实验结果证明,2种方法都能够有效地表征用户信息需求,而第1种推荐方法的准确率更高,具有更好的推荐性能.

基于随机游走模型的关键词推荐算法

关键词推荐技术,用于找出与初始查询或关键词相关的其他查询或关键词,被广泛用于搜索引擎和广告检索系统中,作为当今搜索引擎的必备技术之一,查询推荐技术的研究正受到越采越多的关注。为此,本文比较了现有的关键词推荐方法,并提出基于用户点击日志、基于随机游走模型的关键词推荐算法。该算法通过对用户输入的关键词及用户点击的url进行相关性打分,再以归一化后的相关性分值作为随机游走模型的转移概率,计算其首次击中时间,最后,通过分布式进行map/reduce求解适合海量数据处理的需求。

个性化搜索引擎中关键词推荐专利技术综述

随着互联网数据量的不断增加,个性化搜索引擎也得到了快速发展。其中关键词推荐技术用于找出与初始关键词相关的其他关键词,帮助用户快速准确地搜索目标,被广泛用于搜索引擎系统中。文章基于专利文献对关键词推荐技术专利的年度申请量、申请区域分布和重要申请人分布分别进行了统计分析。同时,对关键词推荐技术进行了分类,并以若干典型的相关专利为主线,对关键词推荐技术的发展历程进行了回顾。对其他相关人员了解该项技术的脉络以及今后的专利审查具有一定的指导意义。

知识发现系统的关键词联想推荐研究

当前我国工程科技领域存在海量数据,如何整合现有数字资源,用知识发现技术辅助专家学者发现当前各领域研究热点具有重要意义。文章通过计算关键词之间的直接关系和隐语义关系,提出了一种基于贝叶斯统计推断的关键词联想算法。解决了知识发现系统中的用户行为信息缺失和共现稀疏等推荐难题。

基于位置的个性化关键词查询推荐

查询推荐是指根据用户的输入提供若干替代的查询,用户使用推荐的查询去检索,得到更多符合需求的信息.利用基于位置的关键词查询推荐所提供的替代关键词能够检索到在用户查询位置附近的信息.用户提交的关键词常是多义词且含有各自的背景偏好,采用具有个性化的推荐查询则能检索到符合用户偏好的信息。为同时满足空间位置邻近和个性化需求,提出一种基于位置的个性化关键词查询推荐方法,使推荐查询的关键词能够检索到位于用户附近且符合其偏好的信息。用关键词-文档二部图表示不同关键词查询之间的语义相似性,采用动态边权重调整策略,建立与关键词相关的文档和用户当前位置的空间关系,使用分类向量模型表示用户的兴趣爱好,应用带重启的随机漫步模型,得到与用户输入的关键词具有较高相似度的其他关键词.在AOL真实数据集上的测试结果表明,该方法为用户推荐的关键词不仅可以满足用户的信息需求,还可以检索到用户位置附近符合其偏好的文档。

网上交易平台中关键字推广和广告研究与应用

在电子商务市场上选择正确的单词是很重要否则很容易迷失在巨大的平台。在平台上需要广告自己的产品的话正确的关键字起着重要的作用。每个单词的句子提供某些索引擎页面中的位置。因此,对于可见光和网页中的位置这个必要知道竞争对手卖的公共关键字。本文提出一种专门针对电子商务领域关键词竞价的关键词选取算法。此类研究具有很强的实际应用价值,电子商务的广告主在进行广告推广时,由于关键字竞价机制的复杂性、不完全信息特征以及广告主自身对关键词缺乏深刻的理解,导致关键字竞价广告的投标策略失误。本文重新定义关键词选取算法,适应电子商务领域文本特性。通过商品标题文本,获取推荐关键词。整个过程首先建立分层次行业相关词表,然后根据词表完成关键词推荐,推荐分为两个步骤:种子关键词抽取;推荐关键词扩展。

低年级绘本阅读选择与推荐策略

绘本不仅是讲故事、学知识,而且能帮助学生建构精神世界,帮助学生树立人生观、价值观和良好的认知能力.要让学生爱上绘本并将养成教育潜移默化地融入其中,绘本的选择和推荐显得尤为重要.

基于加权超图随机游走的文献关键词提取算法

针对科技文献类标题短文本关键词提取时,已有自然语言处理算法难以建模文献时间与权威性且短文本词语较少建模往往存在高维稀疏问题,本文提出了一个综合实时性以及权威性的关键词提取算法为研究者进行相关推荐.该方法将文献标题视为超边,将标题中不同词项视为超点来构建超图,并对超图中的超边与超点同时加权,进而设计一种基于加权超图随机游走的关键词提取算法对文献标题的词项进行提取.该模型通过对文献来源,发表年份以及被引次数建模来对超边进行加权,根据节点之间的关联度以及每对节点在特定标题中的共现距离对超点加权.最后,通过超图上的随机游走计算出节点的重要性进而确立可推荐的关键词.实验表明,与三种基准短文本关键词提取算法相比,本文算法在精确率和召回率方面均有所提高.

科研兴趣空间挖掘与多任务推荐研究——基于异质信息网络表示学习

丰富的互联网文献数据库是科研人员了解领域发展和前沿的重要资源,从全局视角对领域的海量科研成果进行高效信息挖掘,可以在知识洪流中为科研人员提供更加明确的方向。本研究基于经典生物医学文献数据库PubMed收录的发表于2010—2021年的13万篇文章,挖掘科研人员的历史行为信息,构建同时包含作者、论文、关键词的异质信息网络,利用异质信息网络表示学习算法metapath2vec将该网络嵌入成为异质向量空间,并通过计算异质向量空间中向量的相似度指标,同时实现科研合作者推荐与科研兴趣关键词推荐。与已有研究相比,本研究的方法更加重视多任务协同,不仅在新增的科研兴趣关键词的任务中获得了有意义的推荐结果,还显著提高了科研合作者推荐的准确度。同时,本研究在作者空间与关键词空间进行了深入挖掘,并证明其在科研兴趣的语义理解方面具有指导意义。本研究在科研兴趣的研究、挖掘与推荐方面提供了新的研究视角。