用户兴趣分类在个性化搜索引擎中的应用

个性化搜索引擎是指在普通搜索引擎的基础上，根据用户的背景，兴趣等调整排序算法，针对不同的用户提供不同的服务。本文对搜索引擎的排序算法和用户行为进行了深入细致的研究，通过隐性方法收集用户行为信息，统计并构建用户长期兴趣模型，短期兴趣模型，时段兴趣模型等，利用向量相似度计算获取最适合用户当前状态的兴趣模型，最后将该兴趣模型结合到搜索引擎的排序算法中，影响文档得分，实现结果集的个性化排序。实验证明，该方法简单有效，可以增加搜索引擎对用户兴趣的应变能力。

基于一维卷积混合神经网络的用户兴趣分类

个性化推荐系统的关键是挖掘用户的情感偏好,而网络中大量的用户浏览行为记录为此提供了线索。传统描述兴趣度采用的方法是选择典型的浏览行为构造多元线性回归模型,然而浏览行为之间相互联系,容易导致共线性问题。为了提高挖掘用户兴趣的准确度,引入卷积神经网络(CNN)和胶囊网络(CapsNet),提出一种混合神经网络预测模型。首先,在卷积神经网络中对多种浏览行为使用一维卷积和最大池化操作提取局部特征;其次,在胶囊网络中将卷积网络输出的特征向量作为胶囊层的输入,使用动态路由算法对行为特征进行整体特征提取;最后,使用softmax分类器进行兴趣预测分类。实验结果表明,该模型在训练集的准确率高达95.8%,同时在测试集上的准确率都优于CNN和CapsNet,且该模型在训练过程中交叉熵损失明显低于CNN和CapsNet。采用该方法可以利用多种浏览行为准确挖掘用户的兴趣,提高了推荐系统的服务质量。

基于用户兴趣分类的书籍自动推荐系统设计

书籍自动推荐系统是数字化信息和网络化时代飞速发展的必然结果。为使书籍自动推荐结果符合用户的需求和兴趣,建立基于用户兴趣分类的书籍自动推荐系统。采用离线模块对历史存储数据进行分离处理及数据清洗,完成用户兴趣特征提取,形成用户兴趣数据库子模块;在线模块利用推荐引擎对用户兴趣数据库子模块内的信息进行聚类分析及关联分析,获取与用户兴趣数据相似的数据,形成初步推荐集子模块后,采用用户兴趣分类的协同过滤推荐算法,完成用户兴趣分类的书籍自动推荐。测试结果表明,该系统具备良好的书籍自动推荐性能、准确的用户兴趣匹配度及优质的推荐结果,符合用户需求。

基于多模数据的微博用户兴趣识别研究

【目的/意义】通过社交媒体用户分享的图像、博文及用户标签进行数据挖掘,来判断和预测用户的真实兴趣,从而更好地为用户做个性化推荐和精准化服务。【方法/过程】在获取微博用户分享的图像、博文及用户标签的基础上,通过使用机器学习的方法利用图像、博文及用户标签数据来表达用户兴趣特征,基于三类特征使用SVM训练得到分类器进行用户兴趣类别预测,主要比较单模数据和多模数据的分类指标,探讨多模数据在有监督学习下的发多分类问题。【结果/结论】实验结果表明,利用图像、博文和用户标签合成的多模数据对用户兴趣进行分类识别,F值达到77%,比最好的单模数据提升10%。实验结论证实,多模(图像、博文和标签)数据与单模数据相比,提升了分类效果,同时为多模数据应用研究提供了一定的理论和技术基础。