个性化推荐系统中用户兴趣模型的研究

针对现有用户兴趣模型在模型建立和更新阶段的缺陷,文章设计了一种基于用户浏览内容和浏览行为的隐式自反馈用户兴趣模型。采用短期和长期兴趣来建立和表达用户兴趣,并采用基于时间窗口机制来更新短期兴趣,时间遗忘机制来更新长期兴趣。同时发现用户的关联兴趣,克服单集模式下的不足,更加全面的反映用户的多方面兴趣。     

基于用户隐式数据的个性化酒店推荐算法

在基于物品协同过滤的基础上,对隐式反馈数据进行挖掘建模,设计了隐式反馈偏好评分规则,并据此赋予了计算酒店相似度公式的新定义.考虑到用户的基本特征也会对用户个性化需求产生影响以及单一算法的局限性,进一步引入了XGBoost模型,利用XGBoost训练对改进后的推荐结果进行过滤,得到较好的个性化酒店推荐系统.文中采用真实的...     

基于用户兴趣模型的个性化信息服务系统研究

分析了个性化信息服务技术中的关键技术,重点研究了用户兴趣模型的创建与更新方法,提出了一种个性化服务系统的原型系统.研究中引入了相关的自然语言处理技术,能够有效实现挖掘、表示及更新用户兴趣模型的目标,并实现信息推送等服务.     

基于用户隐式数据的个性化酒店推荐算法Symbol`@@

在基于物品协同过滤的基础上,对隐式反馈数据进行挖掘建模,设计了隐式反馈偏好评分规则,并据此赋予了计算酒店相似度公式的新定义。考虑到用户的基本特征也会对用户个性化需求产生影响以及单一算法的局限性,进一步引入了XGBoost模型,利用XGBoost训练对改进后的推荐结果进行过滤,得到较好的个性化酒店推荐系统。文中采用真实的脱敏数据,证明利用层叠模型构建个性化酒店推荐系统的推荐效果更加精准,对于酒店在线平台的个性化服务具有较强的参考价值。     

基于用户类别兴趣偏好的个性化排序方法

信息检索中,个性化排序在传统的基于内容匹配的排序算法基础上,结合用户兴趣特征,返回更符合用户需求的检索结果.由于用户数据存在稀疏性和兴趣爱好不均衡等问题,用户兴趣偏好模型构建通常不是很精确,检索效果也不佳.本文在前人研究的基础上,提出了一种基于用户类别偏好的个性化排序方法.该方法首先借助词向量技术计算查询词和文档标签集之间的语义相似程度,其次,考虑到用户对不同兴趣的偏好程度不一,通过构建用户兴趣偏好模型,计算出用户对不同兴趣类别的偏好程度,对待查询文档进行个性化处理,以达到个性化排序的目的.在真实数据集上的实验表明,与传统方法相比,本文提出的方法可以有效地改善用户的个性化检索效果.     

基于用户兴趣的个性化搜索引擎系统

基于关键字匹配的搜索引擎系统无法反映用户的真实兴趣,由此不可避免地导致搜索结果的雷同.因此本文结合神经网络以及用户向系统提交的个性化信息对网络进行训练,从而构造了一个能够实施个性化搜索的实验系统,并给出了实验测试结果.     

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。     

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．     

基于用户偏好的智能数据源选择

当前搜索引擎用户个性化的研究是搜索引擎优化的一个研究分支.当前检索模型的主要弊端就是搜索引擎用户提供的信息很少.目前主要借助于用户在和元搜索引擎交互的过程中提供的隐反馈信息对成员搜索引擎的数据源选择算法进行优化,利用语言模型对用户检索行为建模,用户与元搜索引擎交互的过程中动态更新用户行为模型,自适应的满足不同检索动机的用户的信息需求.     

数字图书馆信息推荐服务中用户需求偏好模型研究

从用户需求偏好模型逻辑结构、用户需求偏好特征的抽取方式、用户需求偏好模型动态更新3个方面,阐述了当前国内外数字图书馆信息推荐服务中用户需求偏好模型的研究现状,分析了用户需求偏好模型研究所遇到的困难和发展趋势。     

基于少量示例的个性化Web信息自动获取系统

基于关键词的搜索引擎满足了人们一定的需要,但由于其通用的性质,并不能满足用户的个性化需求,为此,设计并实现了一个基于示例的个性化Web信息自动获取系统.该系统采用了一种新的基于少量Web示例网页和语料库词频统计的特征抽取算法和过滤阈值设定方法.实验结果表明,较基于关键词的搜索引擎而言,该系统能充分考虑用户的兴趣偏好(示例),长期、主动地向用户提供更加准确的Web信息获取服务.     

偏好私密时的信息获取与传递(英文)

分析了策略性信息获取与信息传递问题.决策者就一个不确定二分决策问题委托多名专家获取与报告信息,假定决策者与专家的偏好信息都是私密的.首先得出了在所有专家都获取信息且如实报告的前提下决策者应该委托的最优专家数量,然后给出了所有专家都获取信息且如实报告的必要条件,并从专家根据自己的报告对最终决策具有实质性影响的概率选择各自策略的角度对该条件进行了讨论.     

基于产品属性及用户偏好的个性化产品推荐方法

个性化推荐系统中应用得最广泛的是协同过滤算法,而相似度的计算是协同过滤算法的核心。针对传统相似性度量方法中将用户对单个产品与单类产品的喜好未加以区分的不足,提出了一种基于用户兴趣与喜好的相似性计算方法。该方法根据用户兴趣与喜好,将对某个产品与某类产品的喜好程度区分开来,再通过加权的方式形成最终计算同类产品不同用户间的相似性。最后,采用Movie Lens数据集进行算法测试,测试实验结果表明,该计算方法的计算质量有明显提高。     

基于用户兴趣的个性化推荐技术综述

网络时代下,个性化推荐系统是解决"信息爆炸"现象的重要技术.介绍了个性化推荐系统的研究现状并分别对个性化推荐系统的几项关键技术进行了阐述及推荐评价.最后提出了推荐系统未来的发展趋势.     

个性化搜索中用户兴趣模型匿名化研究

为了解决个性化搜索技术所潜在的用户隐私信息泄露的问题,提出了用户兴趣模型匿名化方法。首先根据用户兴趣模型之间的相似性将其聚类为满足p-链接性的等价组,然后计算聚类后兴趣条目的权值。所谓的p-链接性是指攻击者根据背景知识链接确定某一用户的概率不超过p。该方法可实现用户兴趣模型匿名化以及兴趣倾向不发生改变,既保护了用户隐私信息,同时也保证了个性化检索性能。实验表明:随着相关结果个数的增多,匿名化后搜索结果的查全率基本能保证在50%以上,另外p-链接性的减小对于查全率的影响并不是太大。     

基于HMM的个性化智能推荐研究

Internet和电子商务的发展带动了对个性化智能技术的研究.提出基于隐马尔可夫模型的浏览兴趣发现方法,通过学习用户访问模式预测用户未来的网页请求,为不同需求的用户推荐所需服务,减少用户的无效操作.     

基于隐变量模型的多维用户偏好建模

从用户行为数据构建用户偏好模型,是解决个性化服务、评分预测和用户行为定向等问题的重要基础.本文从用户的评分数据出发,以多个隐变量分别描述用户在评分对象多个维度的偏好,以含有多个隐变量的贝叶斯网(简称隐变量模型)作为表示用户偏好的基本知识框架.首先根据用户偏好和隐变量的特定含义给出模型构建的约束条件,进而提出基于约束条件的模型构建方法,使用约束条件下的EM算法来计算模型参数,约束条件下的SEM算法来构建模型结构.针对多隐变量情形下模型构建过程中产生大量中间数据带来的计算复杂度急剧上升的问题,本文使用Spark计算框架实现模型构建的方法.建立在Movielens数据集上的实验表明,本文提出的方法是有效的.     

语义集成在信息自动获取系统中的实现

研究信息自动获取系统中语义集成的实现方法 .此基础上 ,提出了基于词典的语义扩充和基于空间向量模型语义的算法实现     

双语词汇自动获取系统

介绍了一个基于Internet的双语词汇获取系统,提出了根据文本结构信息和内容信息进行对齐的方法,该方法的实现不依赖于任何语言的特点,从对齐结果中自动抽取双语词汇,系统最终的结果词汇又被用作鉴定未知词汇的依据,所提取出的词汇反映了大量的新词、专有名词和在不同上下文里的各种译文,可以应用在机器翻译呼多语种信息检索中。     

政府危机管理的信息需求及获取

政府危机管理的任务是危机的预警、预防、控制、恢复及学习,其目的是尽最大能力去预防危机,把损失降低到最小程度。危机事件本身以及与危机事件相关的各种信息是政府进行危机管理决策的前提与基础,及时准确的信息是保证政府快速做出正确决策的关键。文中在具体分析政府危机管理过程中所需要的各种信息基础上,进一步探讨了获取所需信息的途径与方式。