个性化信息推荐服务中用户潜在兴趣挖掘研究

如何准确分析用户行为,向用户提供满意的网页信息,一直以来都是个性化信息推荐系统设计的目标。本文在分析现有个性化信息推荐模型的基础上,针对以往研究在推荐兴趣时仅根据语义相关度进行协助性信息推荐,而忽略用户行为规律所包含的潜在兴趣信息的不足,尝试提出一个结合Web语义挖掘和FP-tree规则发现技术的个性化信息推荐模型。该模型利用本体对语义的明确化描述,在挖掘用户行为信息时获取用户兴趣偏好的语义信息,并利用FP-tree技术根据以获取的语义信息推理出用户兴趣行为模式,从而在信息推荐时不仅能准确理解用户兴趣偏好,也能根据用户潜在兴趣规律,推荐给用户更全面的网页信息。

基于模糊关联规则的微博用户潜在兴趣发现

针对微博用户兴趣随时间变化的特征,提出一种基于模糊关联规则的潜在兴趣发现方法(PIDFAR),利用LDA主题模型表达微博主题分布,通过时间加权的方式计算出用户现在兴趣的主题分布,进行模糊关联规则挖掘,得出关联规则集合以表示和发现用户兴趣随时间发生变化的一般规律,最后根据关联规则集合中关联规则和用户现在兴趣的主题分布来计算相似度,取相似度较高的关联规则的后项的集合组成用户的潜在兴趣.实验表明,PIDFAR方法能够使得用户潜在兴趣的发现过程脱离用户的好友群体限制,相比基于协同过滤技术的潜在兴趣发现方法明显提高了发现微博用户潜在兴趣的准确率.

基于潜在兴趣和地理因素的个性化兴趣点推荐研究

兴趣点推荐是基于位置的社交网络(LBSN)中一个重要的个性化服务。由于用户数据的稀疏性,该研究面临着严重的冷启动问题。为了应对这一挑战,提出一个能够利用情景信息来缓解冷启动,提高推荐效率的框架。首先,使用情境信息(空间信息、时间信息、社交信息)来为目标用户定义相关用户;其次,利用相关用户的历史签到数据,使用该算法学习目标用户的潜在兴趣,缓解签到矩阵的稀疏性。接着,把地理信息和矩阵分解的结果融合,最后完成对用户的推荐。

注意观察 发掘孩子潜在的兴趣

教育学家黑格尔说过一句话：“哪里没有兴趣，哪里就没有记忆。”幼儿教育是基础教育的组成部分，是学校教育和终身教育的起始阶段。幼儿教育应为幼儿的近期和终身发展奠定良好的素质基础。作为幼儿启蒙教师，引领孩子建立兴趣是一项重要的工作。

开发潜在动力,提高大学生创新创业能力

潜在兴趣是知识的积累、爱好的动力、创新的基础。由兴趣的间接性,论证了兴趣潜在性,过度到创新的潜在性,进而寻找、发掘创新的潜在动力,拓展这个用之不竭的源泉,为大学生创新创业培养良好的习惯,提出了新的思路。

基于用户隐式行为特征的最大熵推荐算法

在电商领域的推荐中,由于用户购买频率较低且很少留下评价信息,使推荐系统面临用户数据稀疏、准确率低等问题。针对该问题,提出一种基于用户隐式行为的最大熵推荐算法。收集用户的历史操作信息,分别从用户、商品、用户-商品3个角度提取用户隐式行为特征;考虑到特征的有效性,利用Tree Ensemble Models对特征进行筛选和组合,构建行为模型挖掘用户潜在兴趣,完善用户缺失信息;针对特征之间的相关性问题,以最大熵原理构建特征函数,对用户进行商品推荐。在阿里移动推荐算法数据集上的仿真结果表明,所提算法可以有效解决数据稀疏性问题,提高推荐准确率。

基于分层社交关系的微博推荐算法

针对现有微博推荐中未考虑分层关系对兴趣影响的问题,提出一种基于分层社交关系的微博推荐算法。首先基于时间窗口计算相对亲密强度与社交增长率来构建分层网络;其次在网络中量化影响力、吸引力、交互紧密度来挖掘目标用户潜在兴趣;然后依据短文本扩展策略获取目标用户显性兴趣;最后将潜在兴趣与显性兴趣融合,计算融合兴趣与待推荐微博的相似度实现推荐。实验结果表明,与经典的微博推荐方法相比,该算法在准确率、召回率、F值、MRR上均优于其他方法,最高提高了14.73%.由实验结果可知,综合考虑潜在兴趣和显性兴趣可以提高微博推荐效果。

User-oriented web search based on PLSA

In order to solve the problem that current search engines provide query-oriented searches rather than user-oriented ones, and that this improper orientation leads to the search engines＇ inability to meet the personalized requirements of users, a novel method based on probabilistic latent semantic analysis （PLSA） is proposed to convert query-oriented web search to user-oriented web search. First, a user profile represented as a user＇ s topics of interest vector is created by analyzing the user＇ s click through data based on PLSA, then the user＇ s queries are mapped into categories based on the user＇ s preferences, and finally the result list is re-ranked according to the user＇ s interests based on the new proposed method named user-oriented PageRank （UOPR）. Experiments on real life datasets show that the user-oriented search system that adopts PLSA takes considerable consideration of user preferences and better satisfies a user＇ s personalized information needs.