从情报服务到知识服务——科技查新机构的服务增值

从情报服务和知识服务的价值取向出发,针对科技查新机构目前的服务模式,探讨了科技查新机构实现从情报服务到知识服务提升的客观性,通过分析查新用户的信息需求,建立了用户知识服务模型,为各图书馆情报服务机构进一步拓展知识增值服务提供了参考。     

科技查新的数字化管理和数据共享

科技查新事实型数据库项目的事实型数据库建设,加速了各科技查新机构在查新业务和管理方面数字化建设的流程,科技查新综合业务管理系统使用为用户提供了数字化的科技查新业务流程管理,体现了先进的管理思想,极大地提高了查新工作效率,在很大程度上降低了管理成本。系统集成了历史查新报告的数据挖掘整理功能,使历史查新报告可以进行数字化存档管理;同时也为科技查新事实型数据库提供了数据导出接口,为科技查新事实型数据库建设提供了有力的数据支撑和保障。。     

充分发挥高校科技查新咨询的情报评价作用

在分析科技查新咨询以科技查新报告进行定性情报评价、以查新课题相关论文进行定量情报评价的基础上,建议高校拓展定题情报服务、专题情报服务、竞争情报服务等多层次、系列化的情报增值服务。     

立足科技查新拓展信息服务

科技查新用户是当地科技创新能力最强、科技活动最活跃的群体，蕴藏着巨大的潜在情报需求。通过对查新用户的潜在情报需求分析，提出了在市场经济条件下情报信息机构的信息服务策略。     

基于数据挖掘的文献平台用户行为分析

为科技智库时代的发展,更好地提供科技资源,提高信息服务的质量和水平,采用数据挖掘技术和用户画像建模方法应用于吉林省科技文献信息服务平台(简称"平台"),可以根据用户下载文献的历史数据发现、挖掘数据之间的关联关系;平台功能的升级,极大提升了平台用户检索绩效、用户信息获取绩效,提高了用户科研绩效,完善了平台的支撑和保障作用.该用户行为分析在平台V2.0版本中得到了很好实践应用.     

基于用户兴趣域的混合数据聚类标签算法

数据聚类标签技术是在小规模样本上进行聚类,然后利用聚类结果对其余样本标注类别的方法是提高大规模数据聚类效率的一种有效途径.混合数据是现实应用中最广泛的数据类型,文章将用户兴趣数据作为小规模数据,利用K-prototypes算法对其聚类,在此基础上构建用户兴趣域.利用拟标签数据的各属性值与用户兴趣域分量的关系定义了数据关于用户兴趣域隶属度.基于用户兴趣域和"数据-用户兴趣域"隶属度的概念,提出了一种基于用户兴趣混合数据聚类标签算法UIMCL(User’s Interest Mixed Data Clustering Label).该算法克服了以往数据标签算法只能为拟标记数据指派一个类标签的局限性,可以应用于电子商务的推荐服务和用户行为分析.实验结果表明,该算法对混合数据聚类标签处理有较好的效果.     

基于聚类和分类的个性化文章自动推荐系统的研究

由于缺乏足够的反映用户兴趣的知识,以及巨大的在线计算量,导致互联网上现有文章自动推荐系统普遍存在盲目性和低效性的问题.针对以上问题,提出了一种基于聚类和分类的个性化文章自动推荐系统,利用机器学习的方法隐式地获取用户模型,并根据用户模型为用户提供个性化的文章自动推荐服务.该系统包括离线用户模型及用户群获取子系统和在线个性化文章推荐子系统两大部分,前者对文章进行聚类形成聚类兴趣点,构建基于聚类兴趣点的用户模型,并根据用户兴趣聚类形成各兴趣点的用户群;后者对待推荐文章进行分类,搜索到其所属的兴趣点,向该兴趣点的用户群进行主动推荐.理论分析和实验结果表明,该系统能够显著提高有效性和在线响应速度.所述的设计思想和技术也适用于其它互联网个性化信息自动推荐系统.     

新闻事件的分布式混合推荐算法

针对新闻的个性化服务差及推荐效率低的问题,提出了一种新闻事件的分布式混合推荐算法.该算法改进了传统的层次聚类算法用于新闻事件发现,通过协调簇中心距离和簇间最远距离的权重解决了传统层次聚类中的大簇问题;使用混合推荐算法进行事件推荐,引入了事件的多重特征来计算用户兴趣模型,更准确地表示用户的兴趣偏好;采用Spark分布式计算平台实现该算法,可处理大数据的个性化推荐问题.在公开数据集上的实验结果表明本文方法有效.      

基于高效多功能的聚类算法在Web挖掘中应用的研究

挖掘Web日志中有价值的信息,对于市场决策有着非同一般的意义;其中用户聚类能将潜在的用户划分出来,为商家提供有更有参考价值的信息.用户聚类算法,不仅克服了所需运算空问大、数据预处理复杂的弱点,而且能简洁准确的确定用户的类型,将其进一步改造还可以用于页面聚类中.对该算法给予理论阐述并加以具体的应用.     

一种有效的Web用户访问模式聚类算法

用户在一个网站的访问行为反映了用户特定的兴趣,本文提出了一种用户访问模式的聚类算法.利用传统的Leader算法只扫描数据集一遍的优点,以及粗糙理论在处理含有不确定信息问题上的优势,给出了结合粗糙理论的改进Leader算法对用户存取模式进行聚类方法.通过一系列的实验分析,结果表明,该算法在可承受的计算时间内可对web日志中的用户存取模式进行有效聚类.聚类结果可应用于山西师范大学网站,对相应用户进行分析,给出个性化的服务等.