基于Web内容挖掘的个性化学习系统

基于Web的个性化学习是在远程学习和个性化服务相结合的基础之上发展起来的.利用Web挖掘的方法,针对用户的兴趣变化,搭建了个性化学习系统.并且通过模拟实验,验证该系统的有效性.     

基于兴趣相似性的Web用户聚类

按照访问兴趣对用户进行聚类分析是Web挖掘的一项重要内容. 在用户访问兴趣度量中综合考虑网页内容和浏览路径因素;在聚类分析中,依据访问兴趣定义提出新的相似度计算方法. 利用传递闭包法对用户进行聚类. 算法可以提高用户聚类的准确性,试验结果验证此算法是有效的.     

基于Web2．0用户个性化推荐系统分析

为实现用户个性化服务,理解用户兴趣爱好．通过建立用户兴趣模型和推荐库．采用用户兴趣行为描述、重排序算法以及用户反馈算法,分析基于Web2．0用户个性化推荐系统．以提高推荐结果的准确性。     

根据用户隐式反馈建立和更新用户兴趣模型

提出一种通过获取用户的隐式反馈信息建立和更新用户兴趣模型的方法．这种方法不需要用户显式地提供兴趣信息，只要通过观察用户在浏览Web页面时所采取的动作来获取隐式的反馈信息，并利用这些信息建立与更新用户兴趣模型，从而减轻用户的负担．     

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。     

Fuzzy clustering method for Web user based on pages classification

A new method for Web users fuzzy clustering based on analysis of user interest characteristic is proposed in this article. The method first defines page fuzzy categories according to the links on the index page of the site. then computes fuzzy degree of cross page through aggregating on data of Web tog. After that, by using fuzzy comprehensive evaluation method, the method constructs user interest vectors according to page viewing times and frequency of hits. and derives the fuzzy similarity matrix from the interest vectors for the Web users. Finally. it gets the clustering result through the fuzzy clustering method. The experimental results show the effectiveness of the method.     

Research on Bayesian Network Based User＇s Interest Model

It has very realistic significance for improving the quality of users＇ accessing information to filter and selectively retrieve the large number of information on the Internet. On the basis of analyzing the existing users＇ interest models and some basic questions of users＇ interest （representation, derivation and identification of users＇ interest）, a Bayesian network based users＇ interest model is given. In this model, the users＇ interest reduction algorithm based on Markov Blanket model is used to reduce the interest noise, and then users＇ interested and not interested documents are used to train the Bayesian network. Compared to the simple model, this model has the following advantages like small space requirements, simple reasoning method and high recognition rate. The experiment result shows this model can more appropriately reflect the user＇s interest, and has higher performance and good usability.     

一种考虑用户兴趣转移特征的协同预测模型

大多数预测模型使用用户属性或社交关系信息来优化预测结果,然而真实系统中用户的属性或社交关系信息往往很难获得,或者取得的是虚假信息,从而导致用户行为表达不准确或模型不具有普适性.另外,几乎所有使用用户特征的模型仅考虑用户兴趣本身的度量,而忽视兴趣的变化这一重要特征.因此,本文提出一种考虑用户兴趣转移特征的协同预测模型.该模型根据用户连续行为序列构建用户兴趣转移特征和用户行为演变网络,利用用户兴趣转移特征计算用户相似性,进而搜索最近邻集合,利用用户行为演变网络筛选候选集,最后设计最频繁项提取算法来产生预测结果,从而构建用户行为的预测模型.在真实的新闻浏览日志、交互式网络电视视频访问日志和微软服务器日志上的实验表明该预测模型是有效的.     

基于粗糙模糊集的Web用户事务聚类算法

提出一种基于粗糙模糊集的层次聚类算法。在该算法中,通过事务间的相似性关系生成用户事务模糊矩阵,运用基于模糊矩阵的粗糙上近似提取初始类,使用约束相似性的上近似概念形成后续类,其中的一个相对的相似性条件被用作合并准则。该算法可以帮助Web挖掘者描述潜在的新的Web用户组特性。     

加入时间因素的个性化信息过滤技术

提出一种加入时间因素的个性化信息过滤技术.在建立用户模型时,根据用户行为动态确定用户兴趣类别的数量并建立(调整)相应兴趣类别的特征向量.通过在表示用户兴趣类别的特征向量中添加时间因素,可以兼顾用户的短期和长期兴趣,跟踪用户的兴趣变迁.在信息过滤时,首先计算文档与用户兴趣类别的相似度,并根据时间参数调整最终得分.本系统每秒钟能学习文档267篇,为402篇文档评分;在召回率为70%时,精确率为57%.     

改进的基于后缀树的Web搜索结果聚类算法

为提高Web 搜索精度和检准率, 在后缀树聚类算法基本模型的基础上, 提出了一种改进的基于后缀树的搜索结果聚类算法。将向量空间模型与后缀树聚类相结合, 改善了基类合并的效果, 综合基类节点对应文本数、短语包含词语长度、短语权重及是否包含查询词作为聚类标签的筛选条件, 改进了聚类标签的合理性和可读性。以搜狗语料库中的文本分类语料库为数据源进行的实验结果表明, 该方法在一定程度上提高了聚类结果的准确率。     

一种基于用户兴趣的STC改进算法

作为一种常用的在线文档聚类算法,STC算法聚类结果在用户个性化方面存在不足。改进后的算法结合用户兴趣模型,通过增加基类选择因子和改善基类合并规则来进行改进,实现基于用户兴趣特征的个性聚类效果。实验表明,改进后的算法具有较好的准确性和效率。     

基于动态SV模型预测国债利率期限结构

选取中国人民银行2011年1月至2018年3月共87个月的国债收益率数据,通过改变价格数据为收益率数据,将传统的Svensson模型求解转化为线性优化问题,对利率期限结构进行较精确拟合,实证结果表明,参数的估计值与理论值有高度相关性且更加稳健。之后基于SV模型中各参数的AR（1）模型和VAR（1）模型构建了动态SV模型,实现了预测步长为1个月、6个月和1年的样本外预测,预测结果表明,随着预测步长增大,动态SV模型的预测能力逐渐增强;当预测步长为1年时,SV-VAR（1）模型表现出较明显的优势,特别是对于长期利率的预测,预测误差的均值、方差以及均方根误差均小于其他模型。因此,动态SV模型更适合于步长较长时长期利率的预测,并且SV-VAR（1）模型的表现更好,这为国债利率期限预测提供了一种新方法。     

基于WEB使用挖掘的个性化推荐系统的研究

通过网络学习的web日志的使用挖掘,获取学习兴趣,建立兴趣模型.采用相似性度量方法对具有相似兴趣的学生用户进行聚类,实现了学习内容的个性化推荐系统.实验结果表明,基于用户兴趣模型的个性化推荐系统具有较高的准确率、新颖率和非预期率.     

面向个性化需求的用户建模技术研究

从用户需求多样性和随机性出发探讨了用户建模技术。对模型表示和模型更新两项关键技术进行了研究。基于向量空间模型表示用户模型,采用重心向量分类算法建立用户模型。分析用户浏览行为隐性地获取反馈信息,计算文档反馈度,提出了一种基于Rocchio算法的周期性自适应学习机制更新用户模型。以用户满意度为评价指标,通过实验,验证了对用户需求变化的动态追踪能力。     

基于向量空间模型的在线拍卖商品推荐

随着在线拍卖的迅速发展，网站的用户数和商品数急剧增加，使得信息过载和如何提高客户忠诚度的问题凸现出来。为了解决这一问题，采用理论分析和实验的方法，对用户在拍卖网站的行为进行了详细分析，提出了偏好序的概念。在此基础上建立了基于向量空间的用户偏好模型和拍卖商品模型，然后利用内容过滤技术进行拍卖商品的个性化推荐。研究结果表明，买者偏好模型的权重矩阵形式很好地克服了传统的向量表示形式，全面地表示了买者的偏好。研究使得目前拍卖网站的推荐手段更加丰富，提高了推荐的个性化、智能化程度。     

基于互信息的Web文档聚类方法

由于网络信息的激增,如何充分利用大量的信息,并有效地为Web用户服务成为一个急需解决的问题。相关研究表明利用Web文档聚类的方法可以缩小信息检索的范围,提高查询准确率。通过分析Web文档的特征以及常用Web文档聚类方法的优缺点,提出了一种基于互信息理论的Web文档聚类的方法。在聚类的过程中,计算特征词之间的互信息值,根据阈值判断特征词是否属于同一类别。实验结果表明,该方法与K-Means聚类算法相比较,在准确率和召回率方面均有提高。     

一种基于向量空间模型的Web本体自动分类方法

在分析了Web本体的结构特征和语言学特征基础上,引入虚拟文档的概念,定义整个本体的虚拟文档为与主题相关的vocabularies的虚拟文档的组合.以虚拟文档中的词条作为Web本体分类的特征项.基于RDF图不容忽视的图状特性,在构造自RDF图本体的词汇依赖图(vocabulary dependency graph)之上采用相关基于图的排序算法,得到与构造本体虚拟文档相关的vocabularies对于该本体的重要性权值,进而计算特征项的权值.     

一种初值优化的K-均值文档聚类算法

K-均值算法是文档聚类中常用的一种划分方法.近年来,为提高聚类质量,出现了不少优化初始中心的改进算法.该文在基于密度选择中心点算法的基础上,建立了相似度概率模型辅助密度参数的确定,有效减少了参数选择的盲目性.同时,该文提出一种二分快速确定K值最优解的方法.大量实验结果表明,该方法具有理想的效果.     

基于路径长度的Logit型随机用户均衡模型

为了克服传统路径选择模型内在的IID假设,将考虑路径长度的Logit模型(path-sizelogit,PSL)引入随机用户均衡模型,构建了基于PSL的SUE模型.通过数学证明该模型的解与随机用户平衡解的一致性,以及模型解的唯一性.基于PSL的SUE模型考虑了路径长度的因素,从而可部分消除由于传统Logit模型对误差项的IID假设而引起的IIA问题.设计了MSA算法作为模型的求解算法,对比分析了考虑路径长度的Logit型随机用户均衡模型和传统Logit型随机用户均衡模型的分配结果,结果表明,在SUE模型中采用PSL模型能够处理各个路径之间长度的差异性.