个性化流媒体服务中基于行为分析的用户兴趣建模

提出一种基于行为分析的用户兴趣建模方法,计算用户短期兴趣和长期兴趣,以满足流媒体服务中的个性化需求,提高服务的效率。该方法在综合分析用户历史行为的基础上,考虑了不同行为与用户兴趣偏向之间的关系。实验结果表明,该方法能够较为准确地评估用户兴趣偏好。

基于用户行为及语义相关实时更新用户兴趣的推荐系统

在现有的推荐系统中,其用户兴趣模型都能够有效地表达出用户的兴趣,但在用户兴趣发生变化时却不能很好地调整用户兴趣模型,不能及时适应用户兴趣的动态变化。本文提出一种基于语义相关实时更新用户兴趣模型的推荐系统。该系统能够及时响应用户兴趣变化,从而改善了以往推荐系统对用户兴趣更新不及时所导致的推荐结果不够全面、准确的问题。实验表明该系统能够准确表达用户兴趣,特别是在用户兴趣发生变化时比以往系统具有更高的准确性。

一种融合用户主题兴趣与用户行为的文档推荐方法

针对单一角度描述用户兴趣存在片面性的问题,该文提出一种融合用户主题兴趣和用户行为的文档推荐方法。一方面从主题兴趣的角度,构建反映用户主题兴趣的主题向量用户模型;另一方面从用户行为的角度,构建反映用户行为兴趣的打分矩阵用户模型。然后,基于上述用户模型提出了两种文档推荐方法,并采用线性加权的方式融合这两种方法,从而实现对用户主题兴趣与用户行为的融合。实验结果表明,该方法的推荐结果好于协同过滤推荐方法和基于内容的推荐方法。

基于多Agent搜索行为分析的用户兴趣模型

为解决传统搜索引擎个性化的局限性问题,在研究用户感兴趣搜索引擎现状基础上,通过多Agent较全面记录、分析用户搜索的行为,提出了一种新的综合用户搜索行为,构建用户感兴趣搜索引擎研究框架——基于多Agent搜索行为分析的用户兴趣模型。研究结果表明,依据用户搜索行为构建用户兴趣模型,使搜索引擎返回结果更贴近用户需求。满足用户个性化服务,提高了信息搜索的查全率和查准率。

一种基于用户浏览行为更新的兴趣模型

为了使个性化推荐系统能适应用户浏览兴趣的变化,一个关键问题就是如何动态地更新用户的兴趣模型。提出了一种新的二层树状结构模型。模型的第1级节点表示用户的兴趣类型,及其对每一兴趣类的兴趣度高低;第2级节点是用户某一兴趣类的向量空间模型表示。并通过分析Web环境下用户的浏览速度,改进了兴趣类兴趣权值计算公式,然后通过用户在这张页面上的浏览速度和页面内容与兴趣类主题的相关程度来更新模型。试验表明改进的计算公式能将兴趣估计的一致性提高到70%。

基于用户行为认知的在线社交网络协同推荐

近年来,在线社交网络成为人们工作、生活不可或缺的信息共享与交流工具,如何对海量庞杂、大范围时空关联的用户行为信息进行认知并据此提供个性化的推荐服务,已成为在线社交网络发展重点关注的问题。为此,提出了一种基于用户行为认知的在线社交网络协同推荐框架,在对用户特征、文本信息及兴趣偏好等行为进行认知的基础上,利用协同过滤算法,实现个性化的推荐服务。实验结果验证了提出的基于用户行为认知的协同推荐策略具有较好的稳定性和实际应用效果。

一种新的数字家庭个性化服务推荐方法

针对数字家庭系统用户找到满意服务资源越来越困难的问题,提出了使用协同过滤算法进行个性化推荐的方法。针对传统算法中用户评分数据存在的稀疏性的问题,提出了一种改进的基于用户行为数据的协同过滤推荐算法。通过引入用户使用资源的具体时间、总次数和时间长度这3个维度构建用户兴趣模型,利用该模型寻找目标用户的最近邻居。实验证明,该方法可以有效地为用户提供个性化推荐,进一步扩展了协同过滤方法的应用范围。

基于R树的协同过滤推荐算法

R树是一个高度平衡树,也是目前应用最为广泛的空间索引结构.本文以用户行为的历史数据之间的相似度构造R树,提出一种基于R树的协同过滤推荐算法(R_CF);另外,从用户的隐式反馈着手,构建用户兴趣行为数据模型,并进行数据标准化处理.仿真实验表明:较之传统的协同过滤推荐算法(CF),本文提出的R_CF算法可以极大提升推荐top-n个相似度最高的用户时的查询速度.

一种考虑用户行为的改进N—PageRank算法

针对Google PageRank算法中存在的"平均分配原则"及网络链接结构所造成的"旧网页问题"、"主题漂移问题",提出一种改进的网页排序算法N-PageRank。该算法通过对搜索日志进行数据挖掘,捕捉用户与搜索引擎之间的交互过程,发现隐藏在用户搜索行为背后的用户兴趣和搜索规律,利用用户行为反馈模型,分析网络日志里用户的各项行为特点,改善了排序结果的准确率,保证了搜索引擎的返回结果正是用户所希望看到的网页。实验证明该算法有效地降低了网页排序时的客观因素的影响,充分考虑了用户对于网页质量的评价,所得到的排序结果更加能够满足用户的需求。

一种基于隐式反馈的用户兴趣模型构建方法

个性化推荐系统通常侧重用户显式反馈数据的收集和利用,而对于大量的隐式反馈数据,有待于进一步的充分利用。本文提出一种基于隐式反馈的用户兴趣模型构建方法,该方法首先从用户浏览行为方面分析用户兴趣度,建立用户在页面浏览时间、浏览速度、保存页面与收藏页面等经典隐式反馈行为与兴趣度之间的联系;然后,基于隐式反馈行为,提出主题兴趣度的概念,并将其与传统的基于VSM的兴趣模型相结合,构建基于主题兴趣度的用户兴趣。实验表明,本文提出的用户兴趣模型在推荐准确率上有明显提高。

基于图表示学习的会话感知推荐模型

根据历史记录预测用户的下一次点击(即基于会话的推荐)是推荐系统中一个重要的子任务.重点研究会话推荐中如何在不牺牲预测准确性的情况下缓解用户的兴趣漂移问题,提高用户满意度.基本思想是从全局统计的角度出发,建立一个用于表示物品先后点击顺序的物品依赖关系图,据此提出一种图表示学习算法,生成可以保留关联物品间复杂关联关系的物品向量表达,最后,基于长短期记忆机制,将物品向量表达作为“固定”输入,从而构建一个可以同时捕捉用户长期兴趣和短期兴趣的会话感知推荐模型.不同于其他相关工作,首次提出将下一次点击预测模型建立在“固定”物品表达的基础上.在公开数据集上的实验结果表明:提出的推荐模型在预测准确性和推荐多样新颖性上的表现优于其他相关方法.

一种用户兴趣度计算与用户兴趣修正的改进方法

用户兴趣的度量和用户兴趣的修正是个性化服务研究的重要内容。本文以用户最小浏览行为组合为基础,通过引入页面浏览率,改进页面驻留时间的计算方法,建立以页面浏览率、驻留时间和浏览速度为变量的兴趣度估计函数,提高用户兴趣度估计的准确性。同时,本文还将兴趣度导入到向量空间模型,采用二层树状结构表示用户兴趣,并提出用户兴趣定期修正方法,以缓解用户兴趣实时修正带来系统性能的下降。

用户兴趣建模支持下的行为推荐算法特性分析

为解决传统的算法中忽视的问题,选择更适合用户的兴趣模型,降低分析准确度较低的方式,为此提出了用户兴趣建模支持下的行为推荐算法特性分析,基于特征维度的选择,以及特性影响因子的求解,完成了推荐算法特性分析影响因子的计算;基于行为推荐算法样本集的确定,实现了行为推荐算法的特性分析,试验数据表明,提出的推荐算法特性分析较传统分析方法,分析准确率提高13.68%。适用于不同用户兴趣建模支持下的行为推荐。

基于行为日志的电商推荐算法研究

电商用户行为日志包含丰富的用户兴趣信息,通过数据挖掘预测用户感兴趣的商品,从而实现个性化商品推荐,具有重要意义。本文提出的方法首先充分提取用户行为特征,然后使用逻辑回归二分类判断用户是否对商品感兴趣,最后根据判断结果实现个性化商品推荐。实验表明本文算法在真实数据集上具有较强的可用性。

基于用户兴趣行为模型的个性化广告推荐研究

随着移动互联网和网络终端的快速发展,产品的营销方式发生了重大变化,在互联网上投放广告已成为商家的重要宣传和销售渠道。然而,在线广告能否进行准确推荐是困扰产品厂家和广告代理商的一个主要问题。文章通过分析在线广告的非结构化特征和搜索用户行为数据,提出一种基于用户兴趣行为模型的个性化广告推荐方法,该方法可以通过主题模型提取用户的兴趣偏好,并基于最近邻算法和用户行为生成广告推荐列表。实验结果表明,基于最近邻算法和用户行为的个性化广告推荐方法可以推荐个性化广告,并且比基于内容的推荐方法具有更好的性能。

面向电视观众的用户兴趣偏好建模方法

在电视节目的个性化推荐过程中,针对用户偏好难以显式获取的问题,本文提出了一种基于观看行为的用户兴趣偏好建模方法。该方法将用户观看电视节目过程中的点播操作和观看时长与电视节目的基本属性相结合,从时间和频率两个维度描述用户对电视节目的偏好程度,并建立用户兴趣偏好矩阵。在此基础上,针对2602个用户在7天内的116010条点播记录,采用top-N推荐算法进行实验。结果表明,该方法能够有效地描述用户兴趣偏好,提高电视节目推荐的准确率和召回率。

基于微博关注推荐服务的用户兴趣模型研究

针对目前基于单一维度构建微博用户兴趣模型导致微博用户关注推荐有效性不高的现状,本文从微博用户属性、关键词及微博用户行为等三个维度构建了微博用户兴趣模型,提出了基于向量空间模型余弦值算法的微博用户兴趣相似度计算方法。最后,通过新浪微博数据进行模拟实验,验证了模型的有效性。