结合本体与社会化标签的用户动态兴趣建模研究

以博客、即时通讯、社会网络、社群共享、社会化标注等为代表的Web 2.0应用技术,使用户、信息、资源构成关系紧密的web网络。目前将本体应用到社会化标签用户动态兴趣的研究资料极为稀少,尚无法满足平台对用户兴趣精准把控的需求。本研究从此角度出发,探讨兴趣模型的构建方法。在《中国分类主题词表》和《中国图书馆分类法》对词语的约束规则和关系定义的基础上,构建豆瓣读书用户的兴趣标签本体;并根据再现率、覆盖度、热度率指标对标签的兴趣强度、稳定性进行预测实验,确定兴趣的表示形式,以此构建初始兴趣模型,并提出相应的兴趣节点更新流程。本研究提出的基于本体的用户兴趣模型及更新流程在用户兴趣表示的深度及广度上有了一定程度的提升,在标签资源推荐、检索等实践应用上其适用性更强。

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.

融合行为交互图的兴趣感知新闻推荐算法

个性化新闻推荐的关键是候选新闻和用户兴趣的精准匹配,现有基于顺序模型的方法通过建模行为序列的单向交互仅能捕获单一的用户兴趣,而基于图的方法通常忽略了用户行为序列内部的高阶转换关系。针对上述问题,提出了融合行为交互图的兴趣感知新闻推荐模型,以全局和局部的角度建模用户动态兴趣。该模型结合知识图谱和深度预训练网络以多视图学习方式提取新闻深层语义信息,采用融合上下文位置信息的线性自注意力机制捕获局部用户兴趣。此外,将用户行为序列构建为有向交互图,使用门控图神经网络递归地聚合邻域信息捕获序列间的高阶转换关系,从而挖掘全局用户兴趣。在2个公开数据集上的实验结果表明,本文提出的模型在各个指标上均优于基线模型,并且有效提高了新闻推荐效果。

用户行为与特征信息融合的在线课程推荐系统

本文针对传统在线教育推荐系统无法准确捕捉并适应用户兴趣变化的问题,提出了一种新的课程推荐算法。该算法结合Canopy聚类和K-means聚类技术,通过层次化聚类方法先粗后细地筛选出具有相似兴趣的用户群体。实验结果显示,此算法能显著提高推荐的准确性和个性化水平,尤其是在新用户加入时,依然能够根据统计特征提供精准推荐,有效提升了用户满意度和系统整体性能。

基于会话推荐的动态层次意图建模

为解决当前基于会话的推荐系统方法在建模用户偏好时存在拍取的用户兴趣表示单一、静态问题,提出了一种动态层次意图学习网络。该网络同时考虑用户的多层意图和动态序列行为,设计了动态卷积神经网络和兴趣聚集门2个模块,并在每层抽取用户的特定粒度意图。此外还提出一个层级意图上下位损失函数,来约束用户意图的层次性。最后使用融合多种粒度的意图会话表示进行推荐。在3个真实数据集上的大量实验表明,模型在准确性和多样性上同时优于其他基于会话的推荐方法。

面向移动应用的探索式个性化服务推荐方法

个性化推荐系统是应用系统中广泛应用的技术之一,用户兴趣偏好模型的建立与更新是个性化推荐系统的关键环节,针对移动设备位置随时变化的特点,以移动端的应用系统为研究对象,提出了一种随用户位置变化而动态更新的用户兴趣偏好模型,并对实现过程中的几个关键问题,包括用户兴趣偏好模型表示方法、用户兴趣关键字提取、用户兴趣偏好模型的建立与更新算法进行了详细描述,最后利用用户兴趣偏好模型根据协同过滤算法进行个性化推荐,并根据用户对推荐结果的评价进一步修正用户兴趣偏好模型。用户兴趣偏好模型采用基于兴趣关键字的向量空间模型表示,用户兴趣关键字由根据TF-IDF算法获得的用户隐式兴趣和用户参与的显式兴趣相结合获得,用户位置信息变化时,系统获取当前位置附近的服务,对已存在于用户兴趣关键树中的服务权值进行增强,而对不存在其中的进行遗忘以调整用户兴趣树从而更新用户兴趣偏好模型。验证表明,该方法推荐的服务更符合用户所处的位置上下文环境,并且具有高度的可达性。