基于本体用户兴趣模型的个性化推荐系统

针对传统个性化推荐系统用户兴趣模型创建和更新的不足,无法准确地感知用户特定背景下的语义信息和用户兴趣随着时间的变化,基于用户兴趣本体提出一种新用户兴趣模型,并通过激活扩展理论描述该用户兴趣模型的更新算法。同时,改进了推荐算法,结合协同过滤进行个性化推荐。实验结果表明,该模型能够有效反映用户兴趣,新的推荐算法在MEA、多样性、冷启动处理、稳定性方面都具备很高的性能。

基于领域特征值的协同过滤个性化推荐方法

知识发现领域中,个性化推荐技术因其应用广泛受到了业界的广泛关注和高度重视。但由于用户隐私保护方面的限制,现有的推荐系统不能直接挖掘用户的个人信息,因此只能采用表征用户爱好的特征值来间接地挖掘用户信息。针对此类问题,提出了一种新的推荐方法。该方法可自动提取相应领域的特征值,并基于领域关键词过滤冗余的领域特征值,从而据此构建用户偏好模型,并与协同过滤算法绑定,生成最终的推荐结果。为验证所提出推荐方法的有效性和可行性,基于实时数据集与其他已有的推荐方法进行了对比实验,并基于对比实验结果进行了相关的分析研究。对比验证实验结果及其分析表明,该推荐方法能够有效地提取领域特征值,其推荐的精准度也有所提高。

基于领域本体的用户兴趣模型构建方法研究

针对知识推送中用户兴趣模型构建困难、稳定性低的问题,提出一种基于领域本体的用户兴趣模型构建方法。该方法首先基于本体概念层次结构树通过web使用日志搜集用户的基本信息,其次利用这些信息和领域本体库使用本体编辑工具建立领域本体,再次通过改进的相似度算法对用户进行分类,并对每类用户建立用户模型,最后结合兴趣度和传递调整的方法对用户兴趣模型进行更新。实验表明,该模型对描述用户兴趣有较高的可信度和准确度。