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。

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。

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 。

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。

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。

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。

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。

基于Web挖掘的个性化网络学习系统设计

设计了一种基于Web挖掘的个性化网络学习系统,该系统给出了Web内容挖掘、Web使用挖掘和Web结构挖掘的结果,并结合其推荐结果为学习者提供个性化的服务。并给出个性化推荐算法。

基于Web Services的个性化信息推荐系统的研究与设计

本文在分析了个性化信息推荐服务在实现过程中存在的问题后,提出了利用Web Services技术进行个性化信息推荐系统的设计,并对系统的工作原理进行了详细的阐述。

基于Web使用挖掘和结构挖掘的个性化网络教学系统的设计与实现

网络教学已经成为现代教育的重要手段,但是现有网络教学的教学模式、教学过程过分单一,缺乏个性化。如何根据学生的学习基础、掌握程度等实施个性化教学成为网络教学中的重要研究课题.为此本文设计了一种基于Web挖掘的个性化网络教学系统,该系统结合Web使用挖掘、Web结构挖掘的挖掘结果为学生提供个性化的推荐服务,即时在使用数据比较少,或教学内容变化比较频繁的情况下,也能为学生提供高质量的个性化推荐服务。

基于Web挖掘的个性化教学推荐系统

针对学生网络学习环境设计了一种新颖的个性化教学推荐系统。该系统通过测试学生的学习风格和挖掘Web浏览日志,构造了不同学生学习风格和Web使用习惯的模型。首先利用Item-Based Top-N推荐算法对数据稀疏的学习风格测量数据进行处理,实现对学生学习风格的诊断;然后,采用AprioriAll算法挖掘Web浏览日志中序列频繁集,分析出学生Web使用的常见习惯和兴趣;最后,依据不同的学习风格和Web使用习惯实现学习内容的个性化推荐。模拟实验表明,该推荐系统的设计是可行并有效的,能够很好地符合用户的真实需求。

基于Web使用挖掘的个性化推荐服务研究

本文研究结合网站结构和页面内容以辅助Web使用挖掘,提高推荐服务质量。并在相关理论与研究的基础上,给出一种关于推荐因子的综合计算方法,经推荐质量分析,该方法具有较好的推荐优化能力。

一种基于Web数据挖掘的电子商务推荐系统

在对Web数据挖掘技术和电子商务推荐系统进行研究生的基础上,设计和提出了一种基于Web数据挖掘的电子商务推荐系统.该系统根据电子商务网站的基本特征,设计了用户当前兴趣表示方法和推荐算法,由于结合了Web使用挖掘和Web内容挖掘为顾客提供个性化推荐服务,从而较大提高了系统的推荐精确度,在实际应用中取得了较好的推荐效果.

基于Web挖掘的一种个性化推荐算法

针对用户个性差异向用户推荐适合于他们的内容已经成为Web技术的研究热点。Web挖掘是实现Web个性化推荐的关键技术之一。结合Web使用挖掘与Web内容挖掘技术,研究了网页的特征化表示和用户兴趣模型的表示,提出了一种基于Web挖掘的推荐算法,能够有效发现用户兴趣,提高推荐页面的准确率。

基于Web结构分区的协同过滤推荐算法研究

Intenet的快速增长导致了个性化服务的需求急剧增加。基于页面结构的信息提取与推荐是Web数据挖掘中三大研究领域之一。该研究的关键技术是识别Web页面的组织形式,从中挖掘所需要的个性化页面信息。基于Web数据挖掘的个性化信息推荐系统可以满足互联网未来发展趋势的需要。与传统的以页面为单位的Web信息提取相比,基于页面结构分区的信息推荐更符合实际情况,粒度优势明显。以一组数据为实例阐述了基于Web挖掘的协同过滤推荐算法是如何进行数据表示、近邻查询以及产生推荐页面分区信息的。