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。     

信息筛选中群体用户偏好聚合模型

将信息筛选描述为信息对象到用户偏好值的映射函数 ,利用多目标决策方法提出了一个信息筛选中多用户偏好聚合模型 .对信息筛选过程进行了分析 ,它包括定义用户偏好、接受信息输入流、计算其用户偏好值以及用户偏好修正 .在此基础上 ,用偏好向量定义个体用户偏好 ,并通过例子进行演示 .系统研究了信息筛选中的群体用户偏好 ,建立了一个群体偏好聚合模型 ,计算了不考虑信息代价和考虑信息代价两种情况下的群体偏好值 .利用模型通过聚合个体偏好求取群体偏好 .在考虑信息代价时 ,对不同类别的信息代价进行归一化处理 .实例验证表明 ,该模型是有效的 .     

网络信息用户偏好分新

随着互联网的迅速普及,网络信息资源的日益丰富,网络用户数量也迅速增加。系统地阐述了用户偏好形成的原因,分析了用户信息偏好的特性,并提出了用户信息偏好行为的分析方法,以便更好地为信息用户提供服务。     

网站用户偏好度的数据挖掘模型

数据挖掘和数据库知识发现是当前国际科技界的一个研究热点。这是一个介于统计学、模式识别、人工智能、机器学习、数据库技术以及高性能并行计算等领域的交叉新兴学科,具有极为广泛的应用前景。在基于统计学观点的基础上讨论了网站用户偏好度的数据挖掘模型,设计了一个网站用户信息浏览偏好度的数据挖掘模型。     

一种基于用户偏好的学习推荐方法

传统的推荐算法一定程度上为学习者提供了自适应的学习服务,但忽略了用户的学习兴趣偏好,难以提供学习者满意的推荐服务.为了提高学习推荐的效率,对用户的偏好进行进算,根据兴趣偏好对基本用户进行聚类,然后根据用户之间的兴趣相似性初步预测目标用户的兴趣度,进而给用户推荐兴趣度较高的学习服务.实验结果表明,该方法可显著地提高推荐质量.     

支持信息过滤的一种新的群体感知模型

通过分析群体感知所依赖的CSCW的体系结构,以及建立在这些结构上群体感知系统,指出了传统的群体感知体系所存在的局限和问题,给出了一种新的群体感知模型.这种新的群体感知模型,提供信息过滤机制,有效解决群体感知中的秘密泄露和用户干扰问题;纳入并发和排序机制,对复制式结构下多用户并发操作进行有效的串行化处理,既避免冲突,又尽可能提高CSCW系统的吞吐率;建立历史记录机制,把各用户在合作过程中对共享对象的所作所为加以跟踪记载,在必要时能以适当方式进行重放,以实现半同步感知.     

年轻用户特征与黄金饰品意象偏好研究

开展年轻用户特征与其黄金饰品意象偏好的关系研究,以准确把握不同细分市场的产品设计风格,实现最大化的企业和用户价值创新.基于预先设计的黄金饰品意象看板,通过问卷调查获得数据,采用比较均值和虚拟回归等统计分析方法,明确了各类年轻用户对不同设计意象偏好程度以及群体之间的偏好异同,识别了影响意象偏好的用户特征因素以及不同因素的影响程度,并通过产学研设计实践验证本结论,提出设计驱动的开创蓝海市场以及科学小众市场定位的具体建议.     

基于用户偏好的最优路径搜索

本文研究基于用户偏好的最优路径搜索,在预算约束下寻找一条满足用户偏好即关键字和权重偏好的最优路径.此研究问题是NP-hard.为了高效地解决这类查询问题,本文提出新的索引建立方法,在查询阶段利用索引结构过滤出候选节点集.另外,提出基于A*的路径搜索算法来做路径查询,并利用几个有效的剪枝策略加快算法的执行速度.在两个真实的签到数据集上的实验结果证明了本文提出方法的有效性.当预算时间设置为4～7h时,与已有最好的PACER算法相比,本文的路径搜索算法消耗的查询时间更短.     

基于用户偏好的图书馆个性化门户研究

文章概述Web3.0的产生背景和主要特征,分析Web3.0环境下图书馆门户的用户偏好,阐述图书馆门户用户偏好的行为趋向。最后,指出图书馆门户用户偏好的控制策略。     

一种基于内容的信息过滤改进模型

根据过滤系统的不同过滤目的，将信息过滤分为两类：(1)基于满足用户信息需求的用户兴趣过滤；(2)基于保障数据安全和社会安全的安全过滤．在详细分析了这两类信息过滤的异同之后，指出了安全过滤研究的特殊性及其主要研究内容．在现有用户兴趣过滤系统模型的基础上，提出了一个基于内容的信息过滤模型，并对模型中新增模块进行了试验．研究结果表明，新增模块能够很好地实现基于内容过滤系统的高精度，证明了该过滤模型具有一定的实用价值．     

基于分类模板的用户模型构造方法

用户模型是信息过滤系统中的重要组成部分 ,它描述的是一段时间内相对稳定的用户信息需求。本文通过对动态数据源的分析 ,提出了一种基于分类模板的用户模型构造方法     

知识社群中用户模型的改进

构建了一种基于本体的知识社群中的用户模型。该模型通过对用户在社群中浏览文章的种类、浏览次数以及发表文章的权重、类型等数据分析,对用户兴趣爱好以及用户的一些特性(如粗、细心程度等)进行描述,实现了在为用户服务的同时也可以为企业提供了该员工的综合评价,使得在共享企业内部知识的同时,企业的员工能更好的发挥他们的自身优势为企业创造效益;在此基础上利用相关反馈,追踪和更新用户模型,提高服务的效率。     

自适应谐振理论网络信息过滤

对遗传算法和ART1分类器在信息过滤中的应用进行了研究与探讨,提出了一种全新算法。利用用户的积极和负面反馈过滤信息,使用ART1网络分类器生成用户的动态配置,并通过遗传算法产生理想的查询。试验结果表明:根据该算法提取的搜索结果,提高了信息过滤的准确率。     

用户兴趣模型在个性化搜索引擎中的应用

随着Internet的迅猛发展,个性化信息服务越来越成为信息检索领域的研究热点．本文针对用户兴趣模型构建问题,利用用户兴趣树描述用户兴趣,对用户个性化模型进行研究,并提出一种兴趣模型调整算法．模拟实验表明,该模型能有效提高信息检索的查准率．     

Internet信息过滤中用户个性化模式的构建

提出了个性化信息过滤技术，并对其基本原理进行了阐述；构建了用户个性化模式，给出了用户分类算法。最后，对当前存在的问题进行了总结。     

面向用户兴趣的Web信息过滤系统

研究了面向用户兴趣的Web信息过滤系统的主要技术,包括用户兴趣表示、度量和更新、网页内容识别和网页信息过滤等技术,并在此基础上设计和实现了一个Web信息过滤系统。该系统能够进行一定的信息过滤,能够进行自学习,并随着用户兴趣的变化渐渐更新,基本能够实现用户的个性化信息服务需求。     

基于用户等级的协同过滤推荐算法

提出一种基于用户等级的协同过滤推荐算法, 解决了传统协同过滤推荐算法的扩展性问题. 该算法首先定义用户等级函数, 依据用户所评价的项目数确定用户等级; 并通过仅在用户等级的邻域内查找近邻的方法, 提高协同过滤推荐的效率. 实验结果表明, 该算法与传统协同过滤推荐算法相比, 在不影响推荐质量的前提下, 极大地提高了推荐效率.     

基于用户评论的协同过滤推荐算法

提出融合用户评论的协同过滤推荐算法,通过挖掘电商网站的用户评论信息,获取用户评论中的产品特征和意见,通过计算每个特征意见对的极性,得到特征矩阵,结合用户意见质量形成的用户评分矩阵,求出用户评分的相似度.最后结合特征矩阵和用户评分相似度得出目标用户的综合相似度,并由预测评分得出产品推荐表,对用户进行产品推荐.实验结果表明,提出的算法与常用的推荐算法相比,改善了推荐的质量,同时推荐精度得到提高.     

信息时代的用户教育

图书馆是进行终身教育的重要基地，而用户教育则是终身教育的一个重要环节。随着图书馆职能的不断拓展，它为用户提供的服务也必然朝着现代化、高效率的方向发展。利用现代信息技术，特别是计算机技术对图书馆用户进行教育将会提高用户素质，发挥图书馆资源优势。