The Study on Network Education based on Web Data Mining

Since the emergency of the mining of web usage patterns in the nineties of the 20th century, it has gotten a great development because of its wide range of application. To take advantage of the mining of web usage patterns, it will make network education system to meet personalized requirement better by distinguishing user interest and finding out important page.

基于分类方法的Web站点实时个性化推荐

提出一种新的基于分类方法的实时个性化推荐方法 .该文首先根据用户访问事务文法生成序列访问事务集 ,用于得到每个用户访问的序列特性并且便于分类器进行分类 .然后利用该事务集训练一个多类分类器 .作者通过推荐引擎得到每个用户的当前访问序列和用户当前请求页面 ,然后把该序列送入分类器中进行分类 ,以得到用户的下面一些可能访问的页面 ,这些推荐页面的地址被附加到用户当前请求的页面的底部由推荐引擎返回以进行推荐 .在这种方法中 ,用户不需要注册信息 ,推荐不打扰用户 ,可以为用户提供实时个性化的服务 .实验表明这种方法是成功的 .

基于Web挖掘的个性化算法及其在网络教学平台的应用

在Web挖掘的基础上设计针对Web服务的Web访问事务模型WTM和个性化推荐算法。算法以WTM为基础,旨在根据用户的访问模式向用户推荐个性化的Web资源。其利用关联规则得到的频繁项集实时地匹配用户的当前访问序列,对不同的用户提供不同的推荐资源。在此过程中不需产生所有的关联规则,提高了推荐的效率。最后,将该模型和算法应用于网络教学实践得出了个性化的网络教学环境。

Web使用挖掘技术的分析与研究

首先给出Web使用挖掘的定义和完整模型框架;然后对Web使用挖掘中主要步骤的最新研究进展状况作了详细的阐述和分析,其中包括数据采集、数据预处理、模式发现和模式分析;最后对未来的研究重点进行了展望。

一种个性化Web推荐系统的研究与实现

基于 Web的推荐个性化服务是目前智能信息检索、电子商务、远程教育等领域研究的重点 ,文中在分析当前远程教育系统中个性化学习存在问题的基础上 ,设计了一种基于 Web日志挖掘的推荐系统 ,将聚类分析技术应用于数据准备和页面学习的推荐过程中 ,实现了远程教学的按需学习和因材施教的要求 .重点介绍了聚类分析在预测推荐页面中的设计与应用 。

基于Web挖掘的个性化远程教育系统研究

针对现在网络远程教育存在的系统教育模式单一问题,通过介绍Web挖掘在远程教育系统中的应用,指出了Web挖掘的基本过程和关键技术,提出了一种基于Web挖掘的个性化远程教育服务系统模型,重点论述了应用Web挖掘进行个性化远程教育服务系统的体系结构及其个性化引擎实现。实践证明基于Web挖掘技术在远程学习系统中的应用提高了学习系统的个性化服务水平,为系统的决策分析提供了智能的辅助手段。

基于时效性的Web页面个性化推荐模型的研究

Internet的快速增长导致了对个性化服务需求急剧增加。该文通过分析个性化挖掘的特点,提出了基于时效性的Web页面个性化推荐模型。该模型的挖掘算法在FP-Tree的存储结构上加入时效价值系数,并进行增量挖掘。通过实验证明,该模型挖掘出来的信息,能够更好地符合用户的真实需求。

结合使用挖掘和内容挖掘的web推荐服务

随着Internet的基础结构不断扩大和其所含信息的持续增长,Internet用户越来越感觉容易在WWW服务中“资源迷向”。提高用户访问效率的方法有页面预取技术,站点动态重构技术和web个性化推荐技术等。现有的大多数web个性化推荐技术主要是基于用户使用记录的数据挖掘方法,没有或很少考虑结合页面内容—这才是用户真正感兴趣的。该文提出一种结合用户使用挖掘和内容挖掘的web推荐服务,该推荐服务根据频繁最大前向访问路径,提出含有导航页和内容页的频繁访问路径图概念,根据滑动窗口内的最近用户访问页面内容和候选推荐集中页面内容相关性,来向用户提供个性化推荐服务。经推荐质量分析,这种方法具有较好的推荐优化能力。

基于混合隐Markov链浏览模型的WEB用户聚类与个性化推荐

针对传统的Markov链模型不能有效的表征长串访问序列所蕴含的丰富的用户行为特征（用户类别特征、访问兴趣迁移特征）的缺点,提出混合隐Markov链浏览模型。混合隐Markov链模型使用多个不同的模型来区分不同类别用户的浏览特征,并为每个类别的用户设置了能跟踪捕捉其访问兴趣变化的类隐Markov链模型,能更好地对WWW长串访问序列的复杂特征进行建模,在真实WWW站点访问日志数据上的用户聚类实验与个性化推荐实验的结果表明,混合隐Markov链模型与传统的Markov链模型相比,具有更理想的聚类性能和推荐性能。

提高个性化推荐精度的定制Web日志方法

文章通过对个性化推荐和数据建模理论研究,分析了普通的Web日志格式采集到的数据无法满足个性化用户分析、预测和推荐精度需要的局限性。提出定制Web日志数据建模的过程及方法,建立了定制Web日志模型原型。通过应用数据挖掘技术的关联分析、分类和聚类实验,实验结果表明,通过定制Web日志的方式采集的数据质量能够很好地满足发现关联规则、内容分类和用户聚类的需求,从而提高个性化推荐的精度。同时,定制的Web日志数据还具有简化数据预处理、多用途的优点。

个性化Web推荐服务研究

本文主要论述了个性化 Web 推荐构成,提出了基于 Web 挖掘的个性化推荐服务研究中的用户聚类、Web 页面聚类、n 元预测模型及页面加权算法。利用这些算法得到的个性化信息可以准确把握用户兴趣模式并为用户提供“一对一”的具备自适应性的智能个性化服务。

基于关联规则相关性分析的Web个性化推荐研究

通过分析关联规则在Web个性化推荐中存在的问题,对Web个性化推荐的关联规则相关性分析算法进行改进,并进行了详细的论证和仿真实验。实验结果表明改进的算法能实现更低支持度的推荐,能提高推荐的准确率和速度。

基于蚁群算法与K-means算法相结合的Web用户聚类

Web用户聚类是指用聚类算法产生用户会话的聚类，是电子商务中的一个重要问题。该问题的难度在于有成千上万的会话需要聚类，而且每个会话都可描述为一个高维向量。此外，该问题就聚类的数目而言具有指数的复杂性，是一个NP-难的问题。本文提出一种新的聚类方法，该方法将蚁群算法与K-means算法相结合对用户会话进行优化聚类。实验结果表明，与K—means算法相比，该方法在Web导航推荐的应用中具有更好的性能。

电子商务中Web挖掘技术的应用探讨

随着电子商务技术的深入发展,商家在与用户交互活动中的信息也迅速膨胀,网上的海量信息为Web挖掘提供了一个广阔的应用领域,使用Web挖掘技术能够发现电子商务过程中的潜在模式。文中针对几种不同特点的电子商务Web挖掘系统,包括智能搜索引擎系统、网站用户访问分析系统、个性化推荐系统等都进行了探讨。

基于Web使用挖掘的个性化系统

Web个性化在信息量巨大的互联网中显得越来越重要。针对一般聚类算法不可以用于在线预测的缺点,提出了一个实现个性化的实时聚类算法,并对个性化系统模型进行了设计,使模型不但能实时提供个性化服务,还可以根据用户的短期浏览变化对个性化服务进行调整。最后通过实验系统验证了模型的准确性。

Web个性化技术研究综述

Web个性化是近年出现的一个重要研究方向,它是Web使用挖掘和信息技术在新的Web和Internet环境下相互融合的产物。首先讨论了Web使用挖掘及个性化的概念、研究内容和核心技术,然后对Web使用挖掘的关键技术进行了综述,包括数据采集与预处理、模式发现、语义Web与个性化等,并给出了它们的研究重点和发展方向,最后是个性化系统的研究展望和面临的挑战。

基于Web挖掘的教育资源推荐服务系统设计与分析

目前随着网络技术的发展和推广,互联网也逐渐被应用到人们的日常生活中,已经成为人们生活中密不可分的一部分。同时随着人们对于学习和信息的需求,网络信息化教育成为一种新的趋势,并逐渐的发展起来。在当今社会,人们对于网络教育资源的依赖性也逐渐增加,而面对众多的教育资源,如何有效的选择有价值的资源成为网络教育面临的重要问题,这也就促进了网络教育资源推荐服务系统的发展和广泛应用。

基于Web数据挖掘的个性化e-learning解决方案推荐系统研究

本文对国内外e-learning个性化推荐系统的现状进行了分析,建立了一种综合性的个性化e-learning解决方案推荐系统,解决了目前e-learning解决方案推荐系统中学习者兼容性、资源充足性、智能挖掘性、推荐整合性这四大挑战。并主要从技术上对个性化e-learning解决方案推荐系统进行构建,重点对Web数据挖掘算法设计、挖掘引擎设计、系统功能模型、数据库设计、推荐界面进行探讨。

Web用户访问路径的差异性度量方法研究

Web站点个性化已经成为当前研究的一个热点,人们通过各种方法,对网站内容、结构、用户行为等进行数据挖掘,建立用户兴趣模型,为网站用户提供更好的服务,加强网站的竞争力。在当前网站个性化的方法中,基于用户行为分析的方法是最具有竞争力的一类方法。对Web用户行为进行分析用得较多的技术是对Web用户访问路径进行聚类以发现有意义的模式。而良好聚类的前提是有效地度量Web用户访问路径的差异性。针对这个问题,提出了一种新的Web用户访问路径差异性度量方法,通过模拟实验也验证了方法的正确性。

基于兴趣特征的WUM数据预处理方法

(minghuay@bit.edu.cn)摘要:为了降低数据规模,并从行为日志中发现更有推荐价值的访问模式,提出了基于用户兴趣特征的数据预处理方法。该方法过滤不具有推荐价值的、用户因偶然发生的短期兴趣而访问网络的行为记录。实验结果表明该方法能够较好地降低数据规模,过滤掉噪音数据,从而减小代理端日志挖掘的复杂度,提高基于Web使用挖掘(WUM)进行个性化推荐的准确度。