多关系类型社交网络信息传播模型

考虑到用户之间的好友关系存在多种类型,且不同类型的好友关系信息传播偏好不同,提出了一种多关系类型社交网络信息传播模型,并建立了信息传播的动力学方程.在该模型中,用户根据自身的传播偏好决定是否分享或传播信息,并根据信息传播偏好主动选择可能的好友关系分享或传播信息.数据仿真结果表明:在多关系类型社交网络中,信息的传播范围和信息在网络中持续的时间与信息的特征有关;信息通过多种类型的好友关系传播能够有效提高信息的传播范围和传播速度.该模型与现实社交网络中信息传播的规律具有一致性,是一种有效的社交网络信息传播模型.     

融合社交网络信息的协同过滤方法

针对目前协同过滤方法存在的数据稀疏性、冷启动以及未能有效利用用户社交网络信息提高推荐质量等问题,提出一种融合用户社交网络信息的协同过滤方法,该方法以矩阵分解推荐模型为核心,可综合集成目标用户个人偏好以及社交网络中的关系用户偏好特征信息做出推荐.通过设计相应的推荐方法,并基于梯度下降法对用户以及商品特征矩阵的求解进行了优化运算.相关实验结果表明融合社交网络信息可在一定程度上提高协同过滤的推荐准确度以及缓解数据稀疏性、冷启动问题.     

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群体用户偏好聚合模型,对信息筛选过程进行了分析,它包括用户偏好,接受信息输入流,计算其用户好值以及用户偏好修正。     

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 .     

基于移动数据的用户间影响力计算方法

为了准确获取用户的需求,提出了一种基于移动数据的用户间影响力度量方法.首先,根据移动用户的交互行为构建社会网络,利用网络的拓扑结构和移动用户行为计算用户自身影响力.然后,根据用户自身影响力、用户间的交互行为和用户偏好相似度计算用户间影响力.计算基于用户交互行为的用户间影响力时,考虑了相应的上下文信息;计算基于用户偏好相似度的用户间影响力时,考虑了上下文信息以及用户偏好发生的先后顺序.最后,通过真实数据集与现有方法相比,得出本方法获取的用户间影响力的准确率更高.     

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。     

支持隐私保护的社交网络信息推荐方法

针对社交网络信息推荐中的信息传播带来隐私泄露的问题,结合信息传播模型,提出了一种支持隐私保护的社交网络信息推荐方法,通过好友的兴趣度、熟悉度和兴趣相似度推测用户兴趣,进行文本匹配和推荐候选集排序;通过个性化隐私偏好设置允许用户设置受限访问用户列表,并使用隐私保护方法计算信息传播至黑名单用户的概率,设置隐私泄露阈值对黑名单用户访问隐私博文的概率进行控制,达到信息推荐中保护用户隐私的目的。实验结果表明,所提方法可以在保证推荐效果的同时更好地保护用户隐私。     

在线社交网络用户分析研究综述

在对国内外在线社交网络用户分析相关研究归纳总结的基础上,综述了在线社交网络用户分析的最新进展,主要包括通过用户影响力和用户偏好进行用户行为分析、采用隐式和显式的分类方法对用户属性预测算法进行综述,简述了基于用户属性特征或(和)用户关系拓扑结构的用户分类研究进展,并分析了动态社交网络、并行算法及社交用户语义信息给在线社交网络用户分析所带来的机遇和挑战,对该研究方向上的发展趋势进行了展望.     

基于用户偏好的HTN规划在网格服务组合中的研究

分析了用户对组合网格服务的偏好,对这些偏好的表达进行了研究,提出了一种提供用户偏好选择的网格服务组合方法.该方法利用模糊约束来表达用户的偏好,并将用户偏好满意程度转化为模糊约束满足问题,进而使用分支定界法对层次化任务网络(HTN)进行分解.实验结果表明,用户的满意度有显著的提高.     

结合地点类别和社交网络的兴趣点推荐

随着互联网和全球定位技术的高速发展,基于位置的社交网络(location-based social network)不断涌现,鼓励用户通过签到的形式发布个人动态并实时分享地理位置。海量的签到数据为挖掘用户偏好提供了机会,有利于提供基于位置的服务,如兴趣点(point of interest)推荐。兴趣点推荐旨在通过分析用户历史出行记录来得到用户的位置偏好,从而在未来为用户推荐新的地点,同时也能帮助广告商精准地投放用户感兴趣的广告。地点类别往往能够精准地提炼出位置的上下文语义,而现有的兴趣点研究大多都直接去计算用户对地点的偏好,没有有效地结合类别信息。通过对社交网站Yelp的公开数据集进行分析,发现相比访问共同的地点,朋友之间更容易访问相同的类别。因此,考虑朋友间地点类别偏好关系比直接考虑用户间项目偏好的关系更为合适。文中提出一种结合地点类别和社交网络的兴趣点推荐算法CSRS,先从用户历史签到记录获取用户地点类别偏好,然后考虑朋友间的类别偏好差异性。在Yelp数据集上的实验结果表明,与其他算法相比,文中提出的算法在准确率和召回率指标上都取得了更好的结果。     

基于非结构化P2P网络用户模型的协同过滤推荐机制

协同过滤是当前应用在信息推荐系统中最成功的技术之一。但随着用户数量和所需过滤信息的增加,计算复杂度迅速增长,大多数推荐系统都因集中式的体系结构而面临可扩展性差的问题。本文提出了一种基于非结构化P2P网络的协同过滤推荐机制,采用基于词汇链的方法构建资源对象描述向量,建立由偏好资源对象集合构成的用户模型,并且根据用户的兴趣变化,通过动态邻居重组的方法获得实时的个性化推荐。实验数据表明采用基于非结构化P2P网络的协同过滤推荐机制较传统集中式推荐方案有更好的可扩展性和预测准确性。     

关于互联网中搜索引擎的应用分析

随着internet的迅速发展,网络信息和资源也不断丰富和扩展。当面对浩如烟海的网络资源,互联网用户要想找到自已所需要的信息时却又手足无措,搜索引擎正如网络信息海洋中的导航灯为网络用户提供了高效的搜索工具。因此搜索引擎的应用对互联网用户来说显得尤为重要。     

一种用户码率偏好敏感的网络编码视频分发算法

无线网络用户拥有差异化的网络与视频接收设备,通过单一优化用户获得的下载速率,无法最终确保用户获得良好的视频质量. 多码率视频流编码基于一种多描述编码（MDC）,在MDC视频流中,由于各层数据以数据分片的形式传输,网络编码成为一种有效的视频分片传输机制. 从网络、用户兴趣、内容属性等角度分析用户对视频流码率的偏好,提出了一种用户码率敏感的流媒体数据传输算法. 实验表明该算法在用户偏好满足与降低网络消耗率上,优于已有研究. 在用户可以获得偏好码率的同时,保证了流媒体的连续性.      

地理社交网中基于范围的星型组查询

针对星型组查询只考虑了用户的位置信息和朋友关系,而没有考虑用户的偏好信息,使得推荐质量不高的问题,本文提出一种基于范围的星型组查询算法(m SG),同时考虑用户的社交关系、文本信息和当前位置信息,在给定范围为用户返回k个得分最高的星型组。为了迅速查找中心点用户,提出带倒排表的网格索引结构。为中心点用户更快速地查找朋友,提出了社交关系和文本信息混合索引结构。最后,通过实验表明,利用所提索引结构减少了查询算法的运行时间。     

基于加权谱分析的用户网络社团协作推荐方法

推荐技术是解决信息过载的一种有效方法.为将纷杂的网络世界中人的行为和信息服务粘合在一起,提出了基于网络社团的协作推荐方法.利用加权谱分析提高特征向量的社团划分贡献度,充分考虑社团内用户的评价风格,将社团内用户的评价值依照用户评价偏好进行了均一化处理,最后按项目相似度对目标项目的评价进行预测.实验结果表明该方法具有较好的推荐性能.     

评价数据中的用户偏好建模:一种基于隐变量模型的方法

互联网应用中的评价数据包含丰富的用户观点和偏好信息.为了能更准确地发现用户偏好,综合考虑用户的评分和评论数据,基于贝叶斯网提出了一种针对评价数据的用户偏好建模方法.首先给出了从评论数据中抽取不同评论属性的方法,然后分别从评分和评论出发确定了用户偏好模型的初始结构约束和初始参数约束,最后给出了基于约束条件的用户偏好建模方法.实验结果表明,与单独评分或者评论数据构建的用户偏好模型相比,综合考虑评分和评论数据的用户偏好模型能更准确地估计用户偏好.     

基于用户偏好加权的混合网络推荐算法

基于热传导或物质扩散理论的推荐算法首先利用网络结构得到对象间推荐关系,然后根据对象间关系预测用户喜欢的对象,而忽略了用户偏好。为了弥补这个缺陷,根据用户已选择对象的标签,利用TF-IDF方法构建用户偏好模型,以用户在预测对象标签上的平均偏好作为对该对象的偏好程度,采用加权方法与现有基于网络推荐算法混合运算。经在基准数据集MovieLens上测试表明,通过与目前效果最好的几种基于网络推荐算法进行加权混合运算,推荐结果在推荐精度、个性化、多样化等多种评价指标方面均比原有算法有明显提高。     

位置信息挖掘中的差异化服务机制设计

在基于位置服务(LBS)系统中,用户通过主动上报个人位置信息即可获取所需服务.LBS在带给用户便利的同时,也会泄露个人隐私.相反,服务提供方则希望通过获取位置信息等隐私来最大化自身收益.在实际的LBS系统中,不同用户对于服务水平和位置隐私间的偏好存在差异.服务提供方只能了解用户偏好的分布情况,无法准确获知每个用户的真实偏好.因此,在位置信息挖掘过程中,针对这一信息的不对称性,本文设计了基于合同理论的差异化服务机制.该机制构建了逆向选择模型,针对不同偏好类型的用户设计了不同的最优合同组合以实现差异化服务.性能仿真验证了算法机制的可行性和有效性.结果也表明,本算法机制可以激励用户上报更真实的位置信息,使得服务提供方在位置信息挖掘中获取更大的收益.     

元搜索引擎的个性化

提出一种通过产生用户动态偏好来达到个性化搜索的方法．利用RDF的语义表达能力存储和优化基于访问记录的用户偏好,并采用聚类方法划分用户群,实现对用户偏好的有效管理。给出了元搜索引擎选择算法和搜索结果排序算法,实现了一个个性化的元搜索引擎,实验表明,该搜索引擎提高了查询准确率和使用效率,并能够根据用户及其所在群的历史偏好信息重新组织搜索结果．     

用户偏好建模：考虑长期与短期兴趣因素

鉴于电子商务网站推荐系统的需要,将用户兴趣分为长期兴趣和短暂兴趣,并提出一种基于长期兴趣和短暂兴趣的用户偏好表示法.利用web服务器数据库的数据,采用无监督学习方法,对用户注册信息进行挖掘,提取出用户长期兴趣.基于向量映射,对web服务器日志上的用户使用记录数据和内容数据进行分析,提取用户短暂兴趣.通过用户反馈信息修正"粗糙"用户偏好文档,使得用户偏好文档更新得以实现.最后,应用了实证案例验证了该方法的合理性和有效性.