一种基于协同推荐的网页排序算法

针对目前搜索结果个性化排序算法中的用户兴趣模型构建难、相关度计算不精确等问题,提出了一种结合用户兴趣模型和协同推荐算法的个性化排序方法.该方法从用户的搜索历史,包括提交查询、点击相关网页等反馈信息来训练用户的兴趣模型,然后采用协同推荐算法获取具有共同兴趣的邻居用户,根据这些邻居对网页的推荐程度和网页与用户的相关程度来排序搜索结果.实验结果表明:该排序算法的平均最小精确度比一般排序算法提高了约0.1,且随着用户邻居数目的增长,最小精确度随之增长.与其他排序算法相比,采用协同推荐算法有助于提高网页与用户兴趣关联程度计算的精确度,从而提高排序的效率,有助于改善用户的搜索体验.     

基于用户兴趣挖掘的个性化搜索引擎研究

随着互联网应用的不断深入,搜索引擎已经成为互联网信息检索必不可少的工具。传统的搜索引擎由于没有考虑到用户个人的兴趣爱好,无法满足人们信息需求的多元化趋势,因此个性化搜索引擎逐渐产生和发展起来,基于用户兴趣的个性化搜索服务越来越受到用户的欢迎。     

智能搜索引擎中个性化信息检索技术研究

信息检索的一个难点是构造一个可以精确表达用户信息需求的检索式。个性化信息检索从某种程度上促进了这个问题的解决,它把用户区别对待,认识到了用户之间的不同之处,它为不同的用户提供不同的服务,以满足不同的需求。从智能搜索引擎中的个性化信息检索服务的角度出发,对其中用户建模的关键技术进行了研究,使用向量空间模型来表示网页和用户兴趣模型,并在此基础上,根据用户浏览网页的日志信息,通过隐性反馈技术,动态地调整用户模型,使用户模型的质量更高、描述用户的兴趣偏好更准确。经过模拟实验验证,该个性化检索算法能够有效地提高检索的查准率,并且具有良好的适应性。     

一个基于k-means算法的聚类

用k-means算法对二维数据进行聚类分析,并用C#语言实现了该算法。先按照样本点的距离进行初始划分,然后再按照各样本点和初始中点的距离远近进行聚类。结果表明,k-means算法对二维数据的聚类是有效的,实现该算法的程序对二维数据的聚类具有通用性。     

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.     

混合分层抽样统计与贝叶斯个性化排序的旅游景点推荐模型研究

传统协同过滤推荐模型仅处理稀疏的评分数据,未深入挖掘用户及对象的潜在语义,且用户喜好信息也未充分利用.围绕旅游景点推荐这一热点问题,提出全新的混合分层抽样统计与贝叶斯个性化排序的推荐模型：采用分层抽样统计及主观赋值评价法刻画用户旅游喜好;基于矩阵分解算法(Matrix Factorization,简称MF)分析用户及对象(景点)的潜在语义,运用贝叶斯个性化排序算法(Bayesian Personalized Ranking,简称BPR)对推荐模型进行优化;综合用户旅游喜好信息及BPR优化结果,生成混合推荐列表.在新的“Wisdom Tourism”数据集上进行仿真实验.实验表明：推荐模型的RMSE、MAE、F1值较最强基线分别提升16.59%、10.05%、5.04%;相比于分层抽样统计方法,BPR算法在推荐过程中发挥更显著的作用.     

基于链接分析的科学文献个性化排序算法

 首先分析CiteSeer引文网络的结构特征,然后深入讨论PageRank算法的本质,并在此基础上给出一种科学文献个性化排序算法;最后将该算法应用于CiteSeer引文网络,并对实验结果进行分析。个性化向量的计算是实现个性化排序的关键,本文给出等概率、伪被引次数和带时间约束的伪被引次数3种计算方法。     

关于个性化搜索引擎中用户兴趣模型的研究

针对个性化搜索引擎中不能准确建立用户兴趣模型的问题,通过分析用户有效的搜索行为,得到用户感兴趣的网页,并根据用户对网页的操作情况,得到用户对网页的兴趣程度,据此改进TF-IDF公式,得到用户的兴趣特征词及其权重,建立用户兴趣模型;并根据更新时间因子来实现用户兴趣模型的动态更新.实验结果表明,通过此种方法建立的用户兴趣模型,更加准确地反映了用户的兴趣爱好,提高了搜索结果的准确度.     

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．     

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.     

个性化FTP搜索引擎的设计与实现

为了解决传统FTP搜索引擎对检索结果优化程度不够而造成的检索质量低的问题，本文在FTP用户查询日志的统计分析基础上采用双字节倒排索引、检索结果自动分类以及查询自动纠错等技术设计了一种高性能的智能化FTP搜索引擎，试验表明该方案能够有效地提高了FTP文件检索效率与质量。     

个性化搜索引擎算法研究

搜索引擎是用户利用网络资源不可或缺的工具,但目前搜索引擎的查准率有待提高。对于不同的用户而言,即便是相同的查询词其期望的查询对象可能不同,那么搜索引擎此时的查准率其实就是让搜索引擎具有个性化搜索的特点。个性化搜索引擎的关键是用户兴趣的确定和文档兴趣值的确定,只有把抽象的个性化兴趣量化成数值类的模型,才可以了解用户真正的需求和量化文档与兴趣的相关程度,从而准确地对网页进行筛选并达到个性化排序的功能。     

区间数排序的一种新方法

本文给出了一个反映区间数指标的概念——距,并以此详细研究了它的一些性质,在此基础上给出了区间数的一种新的排序方法。     

一种排序模糊数的新方法

在分析讨论模糊数排序方法的基础上,提出一种新的模糊数排序方法:首先建立一个理想边界,然后求出每个模糊数到左右边界的左右相离值,并结合质心指标,综合形成基于左右相离值的模糊数排序方法.     

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.     

搜索引擎系统中搜索方法的设计

根据搜索引擎中的快速搜索方法，设计逻辑符号检索词组或短语的内容检索等7大类搜索方法，并用Java语言实现了其中的部分功能。     

三角模糊数的一种新排序方法

根据模糊数的α截集,定义三角模糊数的左、右优于度,构造一致性正互反优于度判断矩阵,并根据其最大特征根所对应的规范化特征向量来确定各个模糊数在α水平下的排序,最后通过积分确定模糊数的排序.该方法满足模糊排序方法合理性的5个公理,而且计算方便.     

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．     

对一个三角模糊数距离测度公式的改进

针对利用三角模糊数距离公式对模糊数排序中存在运算量大的问题,对已有的三角模糊数排序公式加以改进,有效地减小了计算量;并针对属性值为模糊数的多属性决策问题进行算例分析.