自动对用户感兴趣的词进行加亮的用户个人代理

为了帮助用户浏览网页时更快的找到他所需要的信息,提出了一种新的用户个人代理当用户浏览网页时,这种用户代理可以为用户自动加亮所感兴趣的词.用户访问过的网页首先根据内容被分到事先分好的几个目录中,这个分类用于理解用户访问的上下文.在每个目录中可以根据用户的访问历史纪录,用统计的方法得到用户的兴趣地描述.这些个性化的描述,可以为用户快速浏览,定位所需要的信息提供很好的帮助.实验结果证明了该做法改善了用户对网页的浏览状况.     

基于HMM的个性化智能推荐研究

Internet和电子商务的发展带动了对个性化智能技术的研究.提出基于隐马尔可夫模型的浏览兴趣发现方法,通过学习用户访问模式预测用户未来的网页请求,为不同需求的用户推荐所需服务,减少用户的无效操作.     

群体兴趣网的统计特性研究

用复杂网络的方法研究特定群体进行万维网访问的行为特征,构建了具有准二部图形式的动态群体兴趣网络,观察了群体用户进行万维网访问的时间规律性,探讨了网络的拓扑结构,并对一周数据进行了度指数拟合.研究表明,虽然群体用户访问万维网的时间是随机的,所访问的网页各有不同,但大部分人的兴趣是一致的,群体兴趣网络的入度分布具有幂律特征,群体兴趣图谱基本稳定,校园群体上网行为具有特定的时间规律性.     

基于网页类方法进行预测的研究

在网络时代的今天,不同类型,不同内容,不同结构的网站浩如烟海,而网站建设所面临的一个主要问题是：如果能够深入了解用户的浏览兴趣和浏览习惯、预测用户的浏览路径,就可以通过修改网页结构来提高用户的浏览效率,从而提高网站的访问量和访问效率。前人采用基于Markov链用户浏览预测模型的方法对用户的浏览路径进行预测,其缺点是不能确切反应出用户所感兴趣的网页类别,以及用户在不同类别间访问跳转的联系,本文试图通过首先将网页分类,从而基于“网页类”再对用户的浏览进行预测,可以达到了解用户对不同类别网页访问习惯的目的,从而提高网站开发设计的质量。     

基于带权语义距离的网页预取方法

为了体现词条之间的关系,更好地为用户提供个性化服务,提出了在语义网络下对用户兴趣建模的思想. 根据用户的访问历史,利用知网建立基于概念关系的用户兴趣森林模型. 通过计算机链接描述文字的平均带权语义距离,预取用户将来可能访问的Web页. 基于带权语义距离的网页预取方法对用户兴趣进行归纳,用带权语义距离反映词与词之间的概念关系. 实验结果表明,此方法的命中率较高,漏取率较低,平均命中率可以达到61%左右.     

群体兴趣网的统计特性研究

用复杂网络的方法研究特定群体进行万维网访问的行为特征,构建了具有准二部图形式的动态群体兴趣网络,观察了群体用户进行万维网访问的时间规律性,探讨了网络的拓扑结构,并对一周数据进行了度指数拟合.研究表明,虽然群体用户访问万维网的时间是随机的,所访问的网页各有不同,但大部分人的兴趣是一致的,群体兴趣网络的入度分布具有幂律特征,群体兴趣图谱基本稳定,校园群体上网行为具有特定的时间规律性.     

基于网页浏览的用户兴趣度研究

根据高校校园网用户的网页浏览记录,着重分析用户在浏览网页时的不同行为兴趣特征.首先利用文本分类技术,分析提取出用户的兴趣行为关键词.其次在兴趣行为关键词的基础上,选取了若干典型个体用户,统计出这些典型个体用户网页浏览记录中对于每个兴趣关键词的访问量随时间变化的关系.最后运用归一化的方法对典型个体用户的兴趣度进行量化研究,从而实现了对于用户网页浏览过程中不同兴趣行为的度量以及进行相互比较的目标.     

基于网页浏览行为的分析

很多因素可以引起页面的发送请求,使用统计事件间隔的方法来过滤掉非正常访问的过程,并且对比事件间隔和时间间隔的分布规律,对用户浏览网页的行为进行分析.研究国内某高校局域网日志,统计结果显示:这个高校局域网用户访问网页的事件间隔分布也具有明显的规律性,且和用户访问网页的时间间隔分布表现出了明显的差异.     

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.     

基于隐马尔科夫模型的浏览兴趣预测

Web上的信息量正以惊人的速度增加,人们迫切需要能自动地从Web上发现、抽取和过滤信息的工具,即如何从数以亿计的页面中发现需要的内容、如何从大量的访问中发现固有的模式和关联.马尔科夫模型的网页浏览预测,仅仅从用户的浏览网页本身出发,预测用户的下一步链接,并不能捕获到用户的真正兴趣.本文提出基于隐马尔科夫模型的网页浏览路径预测,并将其与基于马尔科夫模型的方法进行对比.根据已知的浏览序列判断用户的类别,当浏览序列长度很短时,本文方法的预测准确性比马尔科夫模型低.这是由于序列长度过短,系统获取判断的信息少,增加了对用户错误分类的可能性.随着浏览序列长度逐渐增加.系统捕获的用户浏览信息越来越多,进而能够折射出用户的兴趣所在.预测准确率也逐步增加.当浏览序列长度大于或等于8时,预测准确率已经到达80%.提高了浏览兴趣预测的准确率.