Learning Hierarchical User Interest Models from Web Pages

We propose an algorithm for learning hierarchical user interest models according to the Web pages users have browsed. In this algorithm, the interests of a user are represented into a tree which is called a user interest tree, the content and the structure of which can change simultaneously to adapt to the changes in a user＇s interests. This expression represents a user＇s specific and general interests as a continuurn. In some sense, specific interests correspond to shortterm interests, while general interests correspond to longterm interests. So this representation more really reflects the users＇ interests. The algorithm can automatically model a us er＇s multiple interest domains, dynamically generate the in terest models and prune a user interest tree when the number of the nodes in it exceeds given value. Finally, we show the experiment results in a Chinese Web Site.

社会化标签系统中个性化的用户建模方法

针对社会化标签系统中现有用户兴趣模型建立的缺陷,即:使用一些零散标签的集合来表示用户兴趣,而忽略标签的联合使用现象。提出一种将共现技术引入自然法的用户建模方法,该方法以自然法为基础,向用户模型中添加适量的标签对,较好地体现了标签之间的联系,又同时考虑了体现用户兴趣的标签自身的权重。在PKDD2009数据集上测试实验结果表明,该模型较之已提出的自然法和共现法,取得了更高的准确率和召回率。

基于隐式反馈的用户兴趣漂移方法

针对现有用户兴趣模型在模型建立以及更新阶段漂移策略的缺陷,设计了一种改进的基于隐式反馈的用户兴趣漂移方法。将用户兴趣分为长期兴趣和短期兴趣,对短期兴趣采用滑动窗口处理更新,对长期兴趣采用最近最少使用淘汰算法,并将该模型与遗忘策略模型、滑动时间窗口模型做了精确率的对比实验,实验结果显示该模型的性能优于其它三个模型。

基于隐式反馈的自适应用户兴趣模型

针对现有用户兴趣模型在模型建立以及更新阶段漂移策略的缺陷,设计了一种改进的基于隐式反馈的自适应用户兴趣模型。并将该模型与遗忘策略模型、滑动时间窗口模型和固定比例模型,做了精确率的对比实验,实验结果显示该模型的性能优于其他三个模型。

基于树状向量空间模型的用户兴趣建模

提出了一种基于树状向量空间模型的用户兴趣建模和更新方法,以满足网络消费者个性化的服务需求。根据用户在注册信息中提供的兴趣喜好建立兴趣模型,利用用户的反馈自适应地调整主题特征值向量和阈值,更新用户模型。通过加入时间向量区别短期兴趣和长期兴趣,及时准确地反映用户兴趣变化,提高个性化服务性能。

基于混合行为兴趣度的用户兴趣模型

用户兴趣模型是个性化推荐技术的基础与核心,针对现有用户兴趣模型在模型建立阶段用户兴趣评价的不足,提出了一种基于混合行为评价兴趣度值的方法。突出了用户阅读时间的特殊性,在用户阅读时间异常的情况下利用其他浏览行为来量化用户兴趣度,并结合用户的浏览内容提出了用户兴趣模型的表示和更新机制,从而建立用户兴趣模型。实验验证了兴趣度度量方法的有效性,将测试结果与K-means聚类模型进行比较,证明该模型的推荐准确度有明显提高。

基于标准标签的用户兴趣模型研究

信息大爆炸的网络时代,个性化推荐是解决信息"超负载"的有效办法。用户兴趣模型是个性化推荐的核心,关系着整个推荐系统的推荐质量。标签一直被用于资源分类,在个性化推荐方面却很少使用。文中采取向量空间模型的建模方法,利用个性化标签描述用户兴趣,并提出一套简洁有效的标签标准化方法—基于属性共现率的标签标准化以及基于聚类的标签标准化方法对用户的自定义标签进行标准化。该模型能有效降低用户兴趣模型的向量维数,避免分析标签语义的复杂过程,且能够从用户的角度贴切地表达用户兴趣。实验结果表明该模型有助于提高个性化推荐的服务质量。

基于本体的VSM在兴趣型学习社区分组中的应用

采用语义网络技术,提出了基于本体的向量空间模型(VSM),计算学习者的兴趣向量,克服了传统的VSM有术语间语义相关性被忽略的不足,提高了兴趣相似性比较的精确程度,同时提出了一种基于学习者兴趣相似匹配度和学习者兴趣匹配浓度的学习社区自组织分组算法.针对模型使用本体中的概念构造向量空间表现出的巨大维数,运用概念索引降维法对兴趣特征矩阵进行合理降维,大大降低了计算的复杂性.最后通过应用案例验证分析了该模型算法具有较高的分组效率和良好的扩展性.

基于用户兴趣的电子商务推荐方法

针对数据稀疏性与推荐实时性的技术难题,在结合传统用户合作过滤推荐的基础上,提出了基于兴趣度向量模型的用户合作推荐机制.该方法合理利用了用户的人口统计信息,即用户提交给网站的注册信息,来辅助基于兴趣度向量模型的推荐方法,在提高预测精度的同时还可以解决推荐系统的新用户问题.采用MovieLens网站上提供的研究数据进行模拟推荐实验,通过对平均绝对偏差对比分析可得,兴趣向量模型的推荐方法在一定程度上比传统合作过滤算法有更高的推荐精度.

基于用户兴趣词典和LSTM的个性化情感分类方法

微博是一个可以分享生活、发表看法、发泄情感的社交平台,由于数据量大且易于获取,微博数据已被广泛用于网络用户情感分析。传统对微博进行情感预测的研究没有考虑用户的用词喜好、语言风格等个性化因素的影响,使得情感分类结果的准确性不高。首先通过分析用户兴趣特征构建用户兴趣词典,在此基础上提出基于用户兴趣词典的情感分类模型;然后利用长短期记忆网络(Long Short-Term Memory,LSTM)分类准确性高的特点训练一个通用的LSTM分类模型;最后利用支持向量机融合不同模型以得到最终的情感分类结果。实验结果表明,与支持向量机、朴素贝叶斯等传统分类器相比,基于用户兴趣词典与LSTM的个性化情感分类方法在分类精度上有较大提升;与LSTM、循环神经网络等深度学习方法相比,该方法在保证运行效率的前提下能获得更高的分类精度。

基于内容和兴趣漂移模型的电影推荐算法研究

针对基于内容的推荐算法中,内容相似度计算精度低、用户兴趣漂移等问题,提出一种结合影评内容相似度和长短期兴趣模型来计算电影相似度的推荐方法。算法利用TextRank、Word2Vec等技术和模型对影评进行关键词抽取和词向量构建,同时基于Word2Vec训练结果进行电影内容相似度计算,一定程度上解决了近义词、网络词等带来的准确率下降问题;然后基于长短期兴趣漂移模型,统计用户对不同内容属性的偏好权重,并随时间窗口动态计算电影相似度矩阵,缓解了用户兴趣随时间漂移而改的问题;最后根据不同推荐策略获得推荐结果。实验结果证明,该算法比对比方法正确率提高了5%左右,同时兴趣模型提取了用户长短期兴趣标签,在工业界及基于标签的算法等场景中都具有很高的实用价值。

基于用户兴趣模型的信息推送系统研究

为了满足民航监管部门对庞大的各类民航信息有效、及时获取的需求,提出了基于多Agent的信息推送系统模型,通过显式和隐式的建模技术构建和完善向量空间模型描述的用户兴趣特征,并据此使用基于内容和向量空间相结合的方法实现信息的过滤和推荐,使系统提供的个性化信息服务尽可能满足用户真正需要。

个性化服务中基于支持向量机的用户兴趣挖掘分析

用户兴趣的准确获取是保证个性化服务质量的关键;分析用户所浏览的网页集,捕获用户兴趣、建立用户兴趣挖掘模型是目前个性化服务研究的一个重要方向。本文首先比较支持向量机与其他分类算法的性能,分析了基于支持向量机进行用户兴趣挖掘的可行性;然后在介绍支持向量机分类原理和分析分类预测理论模型的基础上构建了用户兴趣挖掘模型;最后选取中文网页分类训练集和特定用户的网页浏览记录,主要从支持向量机分类器的构造和用户兴趣预测两个方面进行了模型的实现研究。

基于层次向量空间模型的用户兴趣表示及更新

用户兴趣建模是个性化服务的基础与核心,而用户的兴趣会随着时间发生变化,这种用户兴趣漂移现象会导致系统预测用户兴趣的准确性下降.提出一种基于层次向量空间模型(VSM)的用户兴趣模型表示及更新处理机制,基于特征项形成兴趣主题,基于兴趣主题形成用户兴趣,由此建立层次型用户兴趣模型.采用基于用户浏览行为来计算用户对网页的兴趣度,快速估计网页兴趣度,以提高个性化系统的实用性,从而更好地满足用户个性化需求.实验结果表明,设计的用户模型表示及更新机制能有效提高个性化服务性能,准确率及召回率均有所提高.

智能搜索引擎中个性化信息检索技术研究

信息检索的一个难点是构造一个可以精确表达用户信息需求的检索式。个性化信息检索从某种程度上促进了这个问题的解决,它把用户区别对待,认识到了用户之间的不同之处,它为不同的用户提供不同的服务,以满足不同的需求。从智能搜索引擎中的个性化信息检索服务的角度出发,对其中用户建模的关键技术进行了研究,使用向量空间模型来表示网页和用户兴趣模型,并在此基础上,根据用户浏览网页的日志信息,通过隐性反馈技术,动态地调整用户模型,使用户模型的质量更高、描述用户的兴趣偏好更准确。经过模拟实验验证,该个性化检索算法能够有效地提高检索的查准率,并且具有良好的适应性。

利率市场化改革背景下房地产投资信托演化机制——基于美国经验数据的实证研究

利用协整与误差修正模型对美国贷款利率与REITs的关系进行实证检验,结果显示,利率市场化前后,美国REITs与贷款利率存在长期协整关系;利率对REITs具有校正作用,且校正力度在利率市场化后更强。这意味着利率市场化会顺畅货币政策的传导机制,加强其对房地产融资市场的调控作用。因此,中国利率市场化改革将为REITs的推出提供现实基础。

基于用户偏好的个性化服装推荐模式研究

个性化推荐技术在解决信息超载和个性化需求方面有巨大潜力。服装作为电子商务平台重要类目,由于其用户偏好影响因素多、不稳定,且有明显的求异心理,对推荐系统提出更高的要求。从互联网平台的角度出发,通过消费者深度调研、文献研究、结合服装专家意见提取商品属性,构建服装模型;基于层次空间向量模型构建用户偏好模型,模型以用户兴趣度特征向量表示,其中兴趣度为用户浏览和购买记录中服装各属性出现的频率;通过混合推荐算法,对服装模型和用户模型进行匹配,计算目标集合中每件服装的综合得分,以TOPN推荐列表的形式完成推荐。对30个有丰富网购经验的志愿者进行模拟实验,使用预测准确度和排序准确度两项指标进行评估,结果表明该模型准确有效。

基于向量空间用户兴趣模型的态势情报信息分发机制

针对现代战场态势情报信息海量、动态和复杂的特点,构建了层次向量空间用户兴趣模型,从而形成基于向量空间用户兴趣模型的态势情报信息分发机制。在该机制中,对于重要度较高的态势情报,利用用户的历史订阅信息和定制信息,通过词频-逆向文件频率(TF-IDF)分类法进行分析和个性化推荐,以完成主动按需分发。针对订阅者的普通订阅要求,则采用梯形匹配法,进行信息需求与信息供给之间的匹配。试验结果表明,该机制能提高态势情报信息分发效率,满足战场系统灵活性与适应性的要求。

基于向量空间模型的用户兴趣模型研究

分析了搜索引擎服务质量不高的原因,提出使用用户兴趣模型提高个性化信息检索质量的方案。设计了一个基于向量空间模型的用户兴趣模型算法,该算法根据页面的反馈度以及关键词在页面中出现的频度和位置计算该关键词的权重,使个性化信息检索效果得到了明显提高。