共查询到17条相似文献,搜索用时 274 毫秒
1.
2.
在社会化媒体时代,如何在创新社区的海量数据环境中识别出领先用户,是企业从创新社区中获取价值的关键问题。本文从语言风格的视角出发,首先通过内容分析法探索了创新社区中领先用户表达的典型语言风格特征,即成就需求、未来导向、积极情绪和集体主义。其次,收集了355名创新社区用户所发表的47310篇帖子,利用自动文本分析方法对其中包含的积极情绪、集体主义和未来导向语言风格进行了测量,并验证了这四种语言风格与用户领先性的关系。研究结果表明,创新社区用户生成内容中所表现的语言风格起到了“信号”的作用:除了集体主义之外,成就需求、未来导向和积极情绪的语言风格都与用户领先性有显著的正向关系,可以作为识别领先用户的有效指标。最后,讨论了基于语言风格的领先用户识别机制的理论意义和实践价值。 相似文献
3.
为提高图书馆个性化推荐的效果,采用模糊聚类和模糊识别技术建立数字图书馆的个性化推荐系统。通过分析用户的信息素质、兴趣爱好、网络和电子资源检索情况,对读者进行数学模糊聚类分析,确定最佳阈值λ,得到最佳聚类。根据个体用户的基本情况进行模糊识别,由识别结果的归属给出针对当前用户的个性化推荐。实验结果表明,在模糊聚类与模糊识别基础上的个性化推荐方案是可行的和有效的,为创新数字图书馆个性化服务提供了一种新的方法。 相似文献
4.
[目的/意义]通过融合用户社交与情境信息,构建虚拟知识社区个性化知识推荐模型并开展个性化知识推荐算法的设计,能够在一定程度上完善虚拟知识社区个性化知识推荐方法的理论体系,具有一定的理论价值和应用价值。[方法/过程]首先构建出基于用户社交与情境信息的虚拟知识社区个性化知识推荐模型,然后利用改进的最大团算法设计出虚拟知识社区个性化知识推荐算法,最后通过选取某虚拟知识社区的用户数据进行实例分析实现精准的个性化知识推荐。[结果/结论]在利用融合用户社交与情境信息进行虚拟知识社区个性化知识推荐过程中,通过对某虚拟知识社区的实例分析,表明其个性化知识推荐结果的精准度得到了显著的提升。 相似文献
5.
6.
[目的/意义] 构建基于用户兴趣标签的网络社团识别模型(Fuzzy Interests and User Hybrid Model,FIUHM),揭示用户兴趣与社团形式概念间的模糊层级关系,实现多粒度属性与社团拓扑结构的层次聚类。[方法/过程] 通过抽取豆瓣电影社区数据,实现基于用户标签的兴趣强度语义标注,利用用户相似度,获取社区用户间兴趣语义距离;将网络社区的领接矩阵映射为社团形式背景,构建社团模糊概念格,建立社团形式概念及其偏序关系集,完成社团形式概念建模;通过计算社团稳定指数,识别网络社团边界,并聚类最大独立社团,实现兴趣社团的在线检测。[结果/结论] 通过对比实验,验证了FIUHM模型的有效性,实验表明将模糊形式概念分析引入网络社团识别研究,利用模糊概念格的偏序关系建模用户节点间的兴趣相似度,有利于提高社团识别的分辨率。 相似文献
7.
领先用户在开放式创新社区中发挥着重要作用,成为产品创新的有力推动者。但网络环境下领先用户识别的研究刚刚兴起,相关研究非常缺乏。本文首先对开放式创新社区中领先用户特征进行理论研究,提出需求领先力、活跃表现力、社区影响力三大特征。然后基于改进的网络志方法,将定性的网络志和定量的数据分析结合,构建了识别领先用户的理论步骤。遵循社区选择原则,以知乎社区扫地机器人版块103位用户为研究对象,对用户的提问数、回答数等7个指标进行因子分析和聚类分析,识别出2位领先用户;并采用扎根理论,比较发帖内容和未来市场上扫地机器人新产品功能,发现领先用户提出的大部分建议会体现于未来新产品功能上,证明了领先用户识别方法的有效性。研究有助于完善领先用户识别方法,并为后续领先用户行为研究奠定坚实基础。 相似文献
8.
9.
【目的/意义】面对网络时代数据的海量性和无序性,为用户推荐个性化资源有利于增强用户间合作、提高
知识的共享速度,对新知识的发现具有深远意义。【方法/过程】基于具有相同兴趣用户的聚合优于单纯的信息聚
合,构建基于社会化标注系统的个性化推荐模型。通过引入社会网络中用户使用标签的频次来选择与用户关联显
著的标签,并通过加权派系发现和聚合“小众”凝聚组群和相似标签集,进而为用户推荐优质资源,使其真正契合用
户的个性化需求偏好。【结果/结论】结果表明模型能够有效实现信息的个性化推荐,消除单独聚类带来的粗糙数据
集,并通过抓取豆瓣上的数据进行实证分析。 相似文献
10.
11.
社会标签系统是Web2.0中提出的概念,旨在更好地表达用户的兴趣和意愿。而标签聚类是社会标签系统的个性化推荐中一个重要的研究课题。本文研究了如何基于标签聚类与用户模型来进行个性化推荐的方法。通过计算标签的相似度进行标签聚类,结合用户模型,根据标签聚类结果做出推荐。通过采用CiteULike公布的数据集进行实验证明,与未采用标签聚类的推荐方法相比,本方法不仅可提高推荐的命中率,优化目标资源的排名,而且能为用户发现更多新的感兴趣的资源。 相似文献
12.
13.
14.
互联网时代,个性化推荐系统逐渐被应用到各个不同的领域,随之个性化推荐算法也成为目前研究的热点。然而,传统的推荐算法往往存在着冷启动、数据稀疏等问题。本文在对传统推荐算法研究的基础上,提出了一种基于相似传播和情景聚类的协同过滤推荐算法,根据计算用户间的情景相似度对用户进行聚类,然后根据相似传播原理找出目标用户更多的最近邻居,最后根据预测目标用户对项目的评分进行推荐。借助网上公共数据集在Matlab上实现了该算法并验证了算法的有效性。实验结果表明,本文所提算法的准确性相比传统算法有所提高,同时缓解了传统推荐算法存在的冷启动和数据稀疏性等问题。 相似文献
15.
《Information processing & management》2023,60(5):103464
Existing approaches to learning path recommendation for online learning communities mainly rely on the individual characteristics of users or the historical records of their learning processes, but pay less attention to the semantics of users’ postings and the context. To facilitate the knowledge understanding and personalized learning of users in online learning communities, it is necessary to conduct a fine-grained analysis of user data to capture their dynamical learning characteristics and potential knowledge levels, so as to recommend appropriate learning paths. In this paper, we propose a fine-grained and multi-context-aware learning path recommendation model for online learning communities based on a knowledge graph. First, we design a multidimensional knowledge graph to solve the problem of monotonous and incomplete entity information presentation of the single layer knowledge graph. Second, we use the topic preference features of users’ postings to determine the starting point of learning paths. We then strengthen the distant relationship of knowledge in the global context using the multidimensional knowledge graph when generating and recommending learning paths. Finally, we build a user background similarity matrix to establish user connections in the local context to recommend users with similar knowledge levels and learning preferences and synchronize their subsequent postings. Experiment results show that the proposed model can recommend appropriate learning paths for users, and the recommended similar users and postings are effective. 相似文献
16.
《Information processing & management》2016,52(5):976-988
The massively growing documents make it a challenge for researchers to find high value papers. To solve information explosion, some work on personalized paper recommendation have been proposed. However, the knowledge gap between a researcher's background knowledge and research target is seldom concerned. In this paper, we propose a new method of recommending helpful papers to support researchers by bridging the knowledge gap. First, domain knowledge is extracted as the concept map, which provides a basis of comparing user background knowledge and target knowledge. Then, the knowledge gap is defined with the concept map. To bridge the knowledge gap, the shortest concept paths are searched to explore some suitable knowledge paths, which can help researchers to acquire target knowledge in accordance with their cognition patterns. Finally, experiments are performed to demonstrate the effectiveness of the recommendation method. 相似文献
17.