一个基于用户兴趣的blog推荐系统的设计

设计和实现了一个面向blog的兴趣挖掘和推荐系统blog-digger,该系统采用兴趣挖掘技术,主要根据用户在一定时间段对blog页面的浏览行为,判断出用户对blog网页的感兴趣程度,并采用文本分类技术对用户的兴趣进行挖掘,取得较好的兴趣挖掘结果.另外,结合页面重要度对网页进行排序,以确定最终推荐给用户的blog.实验表明该系统推荐的blog具有较高的主题内容相关.     

基于偏爱路径的个性化推荐系统

目的设计实现基于偏爱路径的个性化推荐系统原型。方法通过建立Web站点访问的一种矩阵表示模型,并据此挖掘用户浏览偏爱路径。结果分析了偏爱度与置信度的区别,提出了页面平均兴趣度的概念,改进了用户浏览偏爱路径算法。引入页面平均兴趣度的概念,给出了Web站点访问的一种矩阵表示模型,在此基础上挖掘用户浏览偏爱路径。结论该方法能准确地反映用户浏览兴趣,证明该系统具有较高的准确性。     

基于Web浏览的高校图书馆用户个性化研究

本文对当前主要的Web挖掘技术和高校图书馆用户兴趣建模技术进行了分析,提出了以高校图书馆用户在高校图书馆网站浏览内容分析为主,浏览行为分析为辅的高校图书馆用户兴趣挖掘过程模型。而基于Web浏览内容挖掘所得到的用户兴趣模型能较准确地描述用户的兴趣。     

基于Web浏览的高校图书馆用户个性化研究

本文对当前主要的Web挖掘技术和高校图书馆用户兴趣建模技术进行了分析,提出了以高校图书馆用户在高校图书馆网站浏览内容分析为主,浏览行为分析为辅的高校图书馆用户兴趣挖掘过程模型。而基于Web浏览内容挖掘所得到的用户兴趣模型能较准确地描述用户的兴趣。     

WEB数据挖掘中用户兴趣模型设计

通过跟踪用户的兴趣与行为提出一种采用显示和隐式相结合的方式创建用户兴趣模型的方法.对用户浏览的WEB页面和用户浏览网页的浏览行为进行分析,得到用户兴趣模型.     

基于网页浏览的用户兴趣度研究

根据高校校园网用户的网页浏览记录,着重分析用户在浏览网页时的不同行为兴趣特征.首先利用文本分类技术,分析提取出用户的兴趣行为关键词.其次在兴趣行为关键词的基础上,选取了若干典型个体用户,统计出这些典型个体用户网页浏览记录中对于每个兴趣关键词的访问量随时间变化的关系.最后运用归一化的方法对典型个体用户的兴趣度进行量化研究,从而实现了对于用户网页浏览过程中不同兴趣行为的度量以及进行相互比较的目标.     

基于隐马尔科夫模型的浏览兴趣预测

Web上的信息量正以惊人的速度增加,人们迫切需要能自动地从Web上发现、抽取和过滤信息的工具,即如何从数以亿计的页面中发现需要的内容、如何从大量的访问中发现固有的模式和关联.马尔科夫模型的网页浏览预测,仅仅从用户的浏览网页本身出发,预测用户的下一步链接,并不能捕获到用户的真正兴趣.本文提出基于隐马尔科夫模型的网页浏览路径预测,并将其与基于马尔科夫模型的方法进行对比.根据已知的浏览序列判断用户的类别,当浏览序列长度很短时,本文方法的预测准确性比马尔科夫模型低.这是由于序列长度过短,系统获取判断的信息少,增加了对用户错误分类的可能性.随着浏览序列长度逐渐增加.系统捕获的用户浏览信息越来越多,进而能够折射出用户的兴趣所在.预测准确率也逐步增加.当浏览序列长度大于或等于8时,预测准确率已经到达80%.提高了浏览兴趣预测的准确率.     

敏感性分析在数据挖掘中的应用

对敏感性分析方法及其在数据挖掘中的应用进行了分析研究，并在此基础上提出了将敏感性分析和神经网络模型相结合的方法应用于数据挖掘中的兴趣挖掘和利润挖掘中。最后给出应用该方法对兴趣和利润进行挖掘的执行步骤。研究结果表明，把敏感性分析应用于神经网络能够帮助我们在动态环境中识别对附属变量（如利润）有影响的敏感因素，从而指导决策制定。     

基于用户兴趣及术语间关系的查询扩展方法

针对传统查询扩展方法无法根据不同用户的需求进行检索的不足,提出一种基于用户兴趣和术语间关系进行查询扩展的方法。通过对用户浏览的网页文档及得到的网页日志进行挖掘得到一系列代表用户兴趣的术语,根据与初始查询词存在同义关系的用户兴趣术语及其权重对初始查询词权重进行调整,利用兴趣术语中与初始查询词存在本体关联关系的术语对初始查询进行扩展。实验结果表明,该方法相对于传统查询扩展方法在一定程度上提高了信息检索的查全率和查准率。     

基于Web数据挖掘的用户兴趣获取

本文作者结合自身多年实践经验,结合跟踪用户兴趣以及行为提出了一种显性方式与隐性方式紧密结合的方法,最终提出了建立用户兴趣模型的手段。并且进一步针对用户浏览Web页面以及浏览网页的这种行为予以详细分析,进而得出了用户兴趣模型,掌握了用户兴趣的获取方式,希望可以对读者产生一些积极影响。