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.     

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.     

一种基于查询加权的用户建模方法

通过分析用户的查询日志, 模拟用户与搜索引擎之间的交互过程, 提出一种基于查询加权的用户建模方法。首先, 对查询日志进行会话分割; 然后, 利用会话中用户查询出现的次数、持续时间及所点击的URL排名等行为信息, 计算查询权重; 最后, 采用兴趣投票的方式, 完成用户模型的构建。在AOL (美国在线)查询日志数据集上的测试结果表明, 基于查询加权的用户建模方法在用户兴趣预测上取得较好的效果。     

基于软约束满足理论的用户偏好建模方法

用户建模是电子商务领域的重要研究问题之一,但是到目前为止还没有非常有效的方法能够建模用户的动态偏好等特征。在分析电子商务领域用户偏好特征获取一般特点的基础上,提出基于实例的两阶段递增式用户偏好特征获取方法。并采用基于半环的软约束满足问题表示用户的各类偏好特征,将用户建模看成是潜在方案空间上施加一系列偏好约束的过程。提出不同的偏好约束类型以及利用偏好约束建立用户模型的过程,实现电子商务领域复杂用户偏好的灵活建模。     

一种基于I/O数据的多模型建模方法

针对复杂非线性系统,提出了一种基于I/O数据的多模型建模方法.首先,利用模糊划分对输入数据进行在线聚类;然后,采用最小二乘法在每一个聚类点处建立一个局部模型,并利用新获得的I/O数据对局部模型的参数进行更新.该方法借鉴模糊模型中空间划分的思想,将模糊空间划分与多模型建模相结合,利用即时I/O数据对局部模型的数量以及每一个局部模型的参数进行在线更新,从而实现对复杂非线性系统的在线建模.仿真实验证明了该方法的有效性.     

一种基于用户过程的知识发现建模方法

从开发真正实用的知识发现集成系统的目的出发,指出对用户知识发现活动的全面支持是ＫＤＤ系统成功的关键。通过对知识发现过程的系统分析,建立起面用户地过程模型。     

一种基于用户过程的知识发现建模方法

从开发真正实用的知识发现（KDD）集成系统的目的出发,指出对用户知识发现活动的全面支持是KDD系统成功的关键．通过对知识发现过程的系统分析,建立起面向用户的过程模型．实践证明,对用户工作的良好理解对于开发新型KDD集成系统具有重要的指导意义．     

一种用户成长性画像的建模方法

用户成长值反映用户粘性,预测用户成长值有助于实现精准营销。聚焦用户成长性画像研究,针对用户原始数据记录复杂多样、难以提取有效特征的问题,通过散点图分析挖掘影响用户成长值的因素,提取行为特征和相对稳定的时间特征,并对比基于树的特征筛选算法和L1范数进行特征筛选。针对已标注成长值的用户数据不足问题,改进COREG算法,通过半监督学习模型丰富训练数据,提高模型的预测准确度,同时降低原算法的时间复杂度,最后采用模型融合整合不同模型的优势。在CSDN博客平台提供的SMP CUP 2017数据集上进行实验,结果表明,建立的模型有效地提高了泛化能力和预测准确度。     

一种基于行为的用户满意度评价方法

针对目前MIS开发及应用过程中难以对用户的满意度进行评价的问题,根据“行为是态度的反映”这一行为学原理,提出了通过对用户使用行为进行观测,从而对用满意度进行评价的方法,文中结合某电力局应用系统对该方法的具体运用步骤作了进一步的说明。通过实例,反映出方法解决了用户满意度评价过程中数据获取困难的问题,并与传统的用户满意度评价方法具有的相近的结果。     

一种基于网页元数据的用户访问行为建模方法

针对现有行为建模方法难以描述行为语义的问题,提出了一种分层次的用户行为元模型以及一种基于页面元数据的Web用户行为建模方法.该方法从URL的访问、活动、事务3个层次建立Web用户的行为模型,并对页面元数据获取以及在URL的访问、行为、事务之间转化等问题进行了说明.方法及模型不仅描述了用户访问序列信息,还增加了访问内容的局部主题和关键词等信息,为进一步获取Web用户的行为语义特征奠定了很好的基础.通过西安交通大学的Web教学系统验证表明,利用所提方法获得的序列划分准确率达86%以上.     

一种基于嵌入式隐马尔可夫模型的人脸识别方法

提出一种基于嵌入式隐马尔可夫模型(embedded hidden Markov model, 简称EHMM)的人脸图像识别方法,主要包括: ①由于奇异值向量具有稳定性、转置不变性等特点,故对归一化的人脸图像,可采用奇异值分解抽取人脸图像特征作为观察序列;②在人脸识别中应用嵌入式隐马尔可夫模型,采用多高斯概率密度函数训练、建立EHMM, 再利用建好的EHMM进行识别.实验结果显示,所提方法减少了数据计算量,运行速度快,并提高了识别率,完全满足人脸识别系统的实时性要求.     

一种基于用户偏好序列的协同过滤推荐

协同过滤技术被成功地应用于个性化推荐系统中,但随着系统规模的扩大,它不能真实地反映用户的兴趣偏好.针对此缺点,提出了一种新的协同过滤推荐算法,该算法根据用户偏好序列的相似性来搜索目标用户的最近邻居和产生推荐,从而有效地解决了传统协同过滤推荐中过分依赖不能真实反映用户兴趣偏好的用户等级评价的问题,改进了传统协同过滤算法中计算邻居用户的方法.实验结果表明,该算法在个性化推荐系统应用中取得了较好的推荐效果和推荐质量.     

一种基于粗糙集的软件产品用户满意度评价方法

在对现有的软件产品质量度量方法进行分析的基础上,提出了一种基于粗糙集的属性权重分配方法通过已知数据寻找出对总体用户满意度影响不同的各属性权重因子,发现影响产品质量的关键因素,以揭示质量改进与用户满意度之间的内在互动关系.同时把单层次的知识细化成多层次知识,有助于提高权重设置的精确度,并且结合专家意见更合理的设置权重,弥补了现有方法的不足.     

一种基于ER模型的数据仓库多维建模方法

结合Ralph Kimball和Inmon的数据仓库设计和架构思想,以建设某学院办公自动化数据仓库为例,提出一种基于实体联系(ER)模型的数据仓库多维建模方法。该方法从构建数据仓库全局角度指导维度建模,同时兼顾用户需求与底层数据,从而得到既能满足用户需求、又具扩展性的维度模型。该方法规范了数据仓库的逻辑模型建模过程,可以为多维模型的设计提供方法上的指导。     

一种基于钻孔数据的优化三维地质建模方法

钻孔数据是地质中最常见且最简单的数据,利用钻孔数据直接建立三维地质模型已经成为国内外学者研究的焦点。在研究前人多种地质建模方法的基础上,结合工程实践,提出一套具有工程实用价值的优化地质建模方法。该方法以钻孔数据为基础数据,将钻孔地质剖面数据融入到地质建模中,修正了以往建模中尖灭点位置取值1/2区域的不合理情况,生成精确位置地层尖灭线;并且在建模的过程中加入了依据剖面图数据的模型调整。最后通过建模实例验证了该方法的准确性与有效性。     

一种基于用户偏好和反馈的页面排序技术

传统的排名方法没有考虑用户的喜好、反馈和用户兴趣,很难满足用户的个性化需求.针对这个问题,提出一种新的网页排名方法,将网页的相似度、链接结构信息、用户偏好及用户反馈相结合进行页面排名.实验结果表明,改进的排序算法在一定程度上帮助用户提高检索网页的质量,最大限度地满足用户的需求.     

一种基于知识图谱的用户多偏好推荐系统

提出了一种基于知识图谱(KG)的用户多偏好(MPKG)推荐系统,从用户关系级、实体级和细粒度高阶用户三种不同的视角建模用户的偏好.首先,将KG中关系向量组合,构建关系级意图,并通过独立性将不同意图之间的差异最大化,由关系级意图来指导学习关系级偏好;然后,根据用户交互实体的频率构建实体偏好图(EPG),并学习用户的实体级偏好;接着,分别使用关系级意图和实体级偏好来指导模型学习用户的表示;此外,还直接从KG中构建关系实体信息流,用于用户的表示,挖掘用户的高阶细粒度偏好.在两个基准数据集上进行实验,实验结果验证了该方法的有效性和可行性.