基于用户查询意图的搜索排序算法

目前互联网技术的研究热点是智能化的、个性化的服务,而传统的Web搜索排序算法和已有的个性化排序已经不能满足政府、企业等用户的信息查询需要.本文将研究核心定位到充分理解用户查询偏好上,提出了基于用户偏好的PageRank算法.文中利用用户互反馈技术修正查询关键词,利用语义相关性技术分析用户查询意图,理解用户偏好.改进的算法完善了搜索查询的可靠性依据,能够较好地挖掘用户的偏好主题,贴近用户的查询目的,提高搜索查询效率和用户满意度.     

Web信息检索排序算法研究

系统地研究了Web信息检索常用排序算法,即基于Web页面内容的排序算法、基于Web页面链接分析的排序算法和基于检索用户的排序算法,并对其优缺点进行了分析．在此基础上,对Web信息检索排序算法的发展趋势进行了展望．     

基于相关性排序改进的ALCA算法

XML已经广泛的应用于多个领域。基于关键字检索的搜索引擎在商业上获得了巨大的成功。基于相关性进行XML信息检索,将相关性高的结果排在靠前的位置,直接关系到检索质量和用户的满意度。现有的ALCA算法效率较高,但未基于相关性对结果进行排序。在该算法的基础上增加相关性排序方法,先按根结点中是否包含关键字将所有结果分成相关性不同的两个等级,然后再分别对两个等级的结果排序。结果片段与用户信息需求的相关性是由其中的元素、属性和文本结点的总贡献决定的。实验结果表明改进后的算法取得了较好的排序有效性。     

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.     

广度优先遍历方式下拓扑排序算法的实现

拓扑排序算法是图的应用领域中的一种重要算法,用户可以根据拓扑序列解决活动之间复杂的关系。本文根据图的广度优先遍历方式及AOV网中活动之间的优先关系,对于活动的安排进行了拓扑排序算法的分析,并给出了相应的伪代码。     

基于聚类和用户点击的在线多样化排序算法

在互联网信息检索中,多样化排序方法力求在排序结果列表靠前的位置为用户提供多样的结果文档.文中提出一种基于聚类和用户点击的在线多样化排序算法CRBA,通过结合文档的相似性以及用户的点击反馈,在与用户的不断交互中为用户提供多样化的排序结果.该算法将在线和离线的思想进行融合,既可以利用主题聚类的优点,根据主题对候选文档集合进...     

基于改进PageRank算法的微博用户影响力排序研究

针对传统的PageRank算法中存在主题漂移和偏重旧网页的弊端,提出了一种基于改进PageRank算法的微博用户影响力排序方法——TSPR算法.该算法将时间因素作为横向标度,采用TF-IDF方法计算网页间的相似度,并具体分析某个时间段用户搜索主题相似度的变化.通过计算网页PR值的大小,从而对微博用户影响力进行排序.仿真实验结果表明,该算法改善了微博用户影响力排序效果,与此同时,提高了搜索质量和准确率.     

DBSCAN算法在高性能计算中心用户分类的应用研究

为提高集群资源使用效率, 管理员需要对用户进行分类, 从而对不同用户提出资源使用策略。DBSCAN(Density Based Spatial Clustering of Applications with Noise)聚类算法可对用户进行分类, 但对初始参数敏感。为此, 提出改进算法, 首先将密度进行层次划分, 由此得出各层次的密度阈值, 在每种阈值下采用DBSCAN算法, 解决全局参数问题。在此基础上, 创新地使用一个直接可达距离排序队列, 将排序信息作为可变参数, 减小初始参数对结果的影响。通过高性能计算中心用户数据的实例验证了其可行性。实验结果表明, 改进后的算法提高了用户分类的准确性和全面性。     

基于VIKOR和用户QoS优先级的云计算自适应算法

针对传统调度算法不能提供一种在考虑负载平衡的同时满足用户服务质量(Quality of Service,QoS)的自适应方法进行了研究,提出一种基于改进多准则妥协解排序法(VIKOR)和用户QoS优先级的云计算自适应调度算法.该算法首先使用最优-最差多准则决策为每个评估标准或用户QoS优先级分配重要性权重,然后使用VIKOR评估和确定每个用户请求的等级并进行排序,最后自适应任务调度根据虚拟机的负载率来分配工作负载以保持动态负载平衡.实验结果表明:本文方法在MaKespan、吐出量和虚拟机利用率性能方面均有明显改善.     

基于高效非支配排序的多目标人工蜂群算法

多目标优化问题广泛存在于科学与工程领域,为了提高求解效率,改进算法中的关键环节——非支配排序,提出了一种基于高效非支配排序的多目标人工蜂群算法。本文算法根据精英指导离散解生成策略进行局部搜索,运用高效非支配排序计算解的前沿面,最后根据前沿面排名和拥挤距离来挑选表现较好的解进行下一轮迭代。在基准函数上的实验验证了本文算法在保证求解性能的前提下,可以降低1/2的比较次数,运行效率提升近65%。     

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.     

基于改进TFN-AHP的微博用户属性特征向量提取算法研究

在对传统TFN-AHP算法进行研究的基础上,针对其中判断矩阵标度选择不合理、计算过程中会出现错误以及各属性评价指标权重差异小不易区分和排序的问题,提出了改进的TFNAHP算法,该算法通过构造模糊精度矩阵和采用闭区间[0,1]的实数作为模糊判断矩阵标度值,避免了传统TFN-AHP算法中将某一属性特征权重武断判定为0的错误,同时使用可控迭代精度的迭代方法计算特征向量,使各属性权重间有较好的区分性,有利于各属性的重要性排序,并基于该算法提取了微博用户属性特征向量.     

DBSCAN算法在高性能计算中心用户分类的应用研究

为提高集群资源使用效率,管理员需要对用户进行分类,从而对不同用户提出资源使用策略.DBSCAN(Density Based Spatial Clustering of Applications with Noise)聚类算法可对用户进行分类,但对初始参数敏感.为此,提出改进算法,首先将密度进行层次划分,由此得出各层次的密度阈值,在每种阈值下采用DBSCAN算法,解决全局参数问题.在此基础上,创新地使用一个直接可达距离排序队列,将排序信息作为可变参数,减小初始参数对结果的影响.通过高性能计算中心用户数据的实例验证了其可行性.实验结果表明,改进后的算法提高了用户分类的准确性和全面性.     

基于用户关系的在线社会网络关键用户识别算法

为了从在线社会网络中识别关键用户,并对用户的关键性进行量化排序,提出URRank算法,通过模拟人类社会的投票行为,综合考虑用户自身的活跃度和用户间的关注与互动关系,经过迭代计算,量化用户的关键性.以新浪微博的部分抓取数据为例,通过比较现有几种关键用户排序算法发现,URRank算法能够避免其他算法存在的被欺骗及片面性问题,识别出具有高认知度和高覆盖度的关键用户.     

基于网页结构和用户行为的PageRank排序算法

为了提高网页排序算法的准确率,从网络用户对网页的浏览、回复、转载等行为引入用户行为因子,从网页结构关系的角度解决网页的权威性需求。结合用户行为和网页结构分析提出一种改进的PageRank算法BPR(PageRank based on User-behavior)。实验表明,该算法能够有效地解决PageRank排序算法中关于新网页排名过低和网页权威值均分的问题,提高了网页排序的精确性。     

基于网页分割的语义信息检索研究

如何准确表达用户意图,判断网页与用户需求的相关性是信息检索技术研究的重要方向。本文提出了一种基于网页内容分割的语义信息检索算法。该算法根据网页半结构化的特点,按照HTML标记和网页的内容将网页进行区域分割。在建立HTML标记树的基础上,利用内容相似性和视觉相似性进行节点的整合。根据用户的查询,充分利用区域信息来对相关的检索结果进行排序。实验表明,本文提出的方法可以显著地提高搜索引擎的查询效果。     

基于用户浏览兴趣的网页预取策略

提出一种基于用户历史浏览情况对未来相关网页进行预取的算法.该算法能自适应调整用于生成会话的参数,并使用Session-tree结构完成对相关页面的预取.在实现中考虑到用户在特定事件和时间下的历史浏览行为,使用奖励因子和快速排序策略以提高效率.试验分析结果表明,基于自适应会话调整及群体共同兴趣剖像的预取算法能较好地完成对相关页面的预取.     

搜索引擎PageRank算法的比较与改进

搜索引擎查询的结果按照一定的规则排序供用户查看,这种规则就是搜索引擎排序算法。目前大多数搜索引擎仍然是通过对搜索引擎的链接关系进行分析,找到相对比较重要的网页。这些算法大多是以PageRanks等经典算法为基础,进行改良,加入各自偏重的参数形成综合的排序模型。     

TLRank:一种新的社会化协同排序推荐算法

已有的社会化协同排序推荐算法的研究只是简单地融入用户的社交网络信息,没有考虑用户之间社会化信任网络的传递性;同时,该推荐算法的性能面临数据高度稀疏性问题的挑战.为了进一步解决这些问题,在传统的协同排序推荐算法(ListRank, List-wise Learning to Rank)和最新的社会化协同过滤算法(TrustMF, Social Collaborative Filtering by Trust)的基础上,提出了一种新的社会化协同排序推荐算法(TLRank),融合均高度稀疏的用户的显式评分数据和社会化信任网络数据,以进一步增强协同排序推荐算法的性能.实验结果表明:在各个评价指标下,TLRank算法的性能均优于几个经典的协同排序推荐算法,且复杂度低、运算时间与评分点个数线性相关;TLRank算法的推荐精度高、可扩展性好,适合处理大数据,可广泛运用于互联网信息推荐领域.     

一个新的个性化搜索引擎排序算法

通过对现有个性化搜索引擎排序算法的研究,提出了一个新的排序算法.该算法首先在不同粒度上多次使用SVD技术和k-means聚类技术,将用户浏览历史及其所包含的词在不同层次上进行文档聚类和词聚类,创建两棵加权兴趣树:文档类树和词类树.其中,树中每个节点的权值表示用户对该类文档或该类词的感兴趣程度.接着,利用朴素贝叶斯分类器对搜索引擎得到的网页进行文档分类和词分类,并根据分类结果进行网页评分.最后,将网页根据文档得分降序排列.实验表明该方法能为用户提供更为精确的个性化排序.