共查询到18条相似文献，搜索用时 406 毫秒
1.
基于大众分类法的中文博客分类方法 总被引：1，自引：0，他引：1
大众分类法(Folksonomy)的灵活性比传统的机器分类方法高,但是它不能处理大量的数据资源.为了解决这个问题,结合Folksonomy和传统机器学习算法的优点我们提出了一种新的算法FSVMC(Folisonomy and Sup-port Vector Machine Classifier).在FSVMC中,支持向量机算法作为一个TAG代理,决定一个标签是否应该标注在某个资源上,而Folksonomy致力于网页文档的分类.此外还提出了一种创建可以标注网页标签数据库的方法.实验结果表明我们的方法比传统的机器学习方法更加有效和具有柔性. 相似文献
2.
[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
3.
【目的/意义】在利用用户感兴趣资源进行用户兴趣建模中，传统的资源特征选择方案未能体现用户真实兴 趣，针对这一情况，提出一种基于认知的用户兴趣建模方法，改善个性化推荐效果。【方法/过程】在结合用户群体认 知对资源特征进行识别的基础上，对用户感兴趣资源进行兴趣建模。以电影数据为例，进行个性化推荐实验，验证 模型效果。【结果/结论】实验结果显示，基于认知的用户兴趣建模的推荐准确率明显高于传统基于项目的用户兴趣 建模方法，该策略可以更准确地描述用户兴趣，提升用户兴趣建模效果。 相似文献
4.
【目的/意义】通过对大数据环境下的多源用户兴趣特征有效融合,缓解个性化推荐中用户兴趣偏好数据的稀疏性和准确性问题。【方法/过程】考虑到多域的数据权威度、内容质量及体系结构的差异化较为明显,提出了基于多源用户标签的跨域兴趣融合模型,首先把多个域中的用户兴趣进行标签化处理,然后利用跨域用户识别和标签权重归一方法得到多个域的用户实体-标签矩阵,最后使用域权重影响系数对标签进行融合,构造具有复合权重的用户兴趣标签集。【结果/结论】使用5个来源数据域进行实验与分析,融合模型能够有效提高标签用户覆盖效果,在查全率不断提高的情况,融合域能够保持较高的标签用户查准率,有效提高用户兴趣特征的描绘效果。 相似文献
5.
6.
7.
8.
Folksonomy的网络性质分析 总被引：3，自引：0，他引：3
Folksonomy是Web2.0环境下一种有效的网络信息组织方式。本文分析了Folksonomy的网络性质,基于社会化书签系统delicious数据集,发现了标签网络具有的两个基本性质:(1)网络的平均最短路径为3.16,聚集系数0.63,远大于相同参数下的随机网络,这揭示了标签网络的小世界效应;(2)网络中标签的度大体上呈幂律分布,表明标签网络具有无标度特性。 相似文献
9.
【目的/意义】微博用户画像的精准构建,可有效识别用户的需求,提高个性化推荐的准确率。针对现有微
博用户画像构建方法对用户特征提取不全面、不准确的问题,本文提出了基于兴趣转移的用户画像构建方法。【方
法/过程】首先,依据层次分析法确定不同兴趣行为的权重,并将其用于修订兴趣词权重,获得用户的初始兴趣词
集;然后,依据生命周期理论获得用户兴趣行为周期,构建兴趣转移的时间衰减函数,实现对用户兴趣词集的动态
更新和叠加;最后,将用户的静态属性标签与基于兴趣转移的动态兴趣标签融合构建微博用户画像。【结果/结论】
实验采用从新浪微博爬取的真实数据作为数据集,实验结果显示：与已有微博用户画像构建方法相比,本文提出的
方法在个性化推荐中具有较好的性能。【创新/局限】创新点为：借鉴生命周期理论刻画微博用户兴趣行为周期,构
造兴趣转移的时间衰减函数,实现兴趣标签的动态更新。局限是未对静态属性标签的重要性进行界定,且未对存
在异常波动的兴趣行为曲线进行深入探讨。 相似文献
10.
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
11.
在信息检索中对基于用户兴趣的检索结果进行重排得到广泛关注。为了构建用户兴趣的知识库,本文对用户的登录细节和点击数据进行综合分析,提出了定制用户访问信息的方法,同时采用开放式目录项目Dmoz自动进行用户兴趣主题映射,对搜索结果进行个性化分类,并根据用户兴趣对检索结果重排,比正常的搜索引擎更容易找到相关的信息。联机实验结果表明,本文提出的方法可有效地提高用户检索精度。 相似文献
12.
[目的/意义]学术用户画像是对用户访问使用学术资源行为的较全面的刻画。本文尝试构建图书馆学术用户画像的信息行为标签和研究兴趣标签,来准确定位学术用户的信息需求,以便推荐合适的学术资源。[方法/过程]具体方法是全面获取用户的访问日志并进行清洗处理,然后构建从学术用户信息行为出发的用户画像标签体系,进一步研究构建了基于研究兴趣关联的信息资源推荐服务。[结果/结论]本研究有助于提高用户信息获取效率,提高图书馆学术资源推荐服务的质量,并为结合其它资源全面构建图书馆学术用户画像提供一定的借鉴。 相似文献
13.
大数据环境下,推荐系统项目评分的稀疏性问题愈加突出,单兴趣表示方法也难以对用户多种情境兴趣进行准确描述,导致推荐结果精度大大降低。鉴于此,提出一种多情境兴趣表示方法,在此基础上构建面向图书馆大数据知识服务的多情境兴趣推荐模型,通过对用户多情境兴趣的层次划分,利用蚁群层次挖掘的优势来发现目标用户的若干最近邻类簇,然后根据类簇内相似用户对目标项目的评分对未评分项目进行预测,最后结合MapReduce化的大数据并行处理方法来进行协同过滤推荐。实验结果表明,多情境兴趣的建模方法改善了单兴趣建模存在的歧义推荐问题,有效缓解了大数据环境下项目评分的数据稀疏问题,MapReduce化的蚁群层次聚类方法也大大改善了推荐系统的运行效率。 相似文献
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.
个性化图书推荐主要是以用户特征和借阅行为为挖掘对象,通过获取用户的兴趣特征及隐含的需求模式,实现用户与图书相互关联的个性化图书推荐服务。本文通过挖掘用户的背景信息构建用户特征模型,然后在设计喜好值计算、用户相似度计算和内容相似度计算以及标签信息获取方法的基础上,研究多种不同的图书推荐方法,以挖掘用户的潜在信息需求。最后利用图书馆的真实数据设计面向高校图书馆的个性化图书推荐系统,同时以标准网络数据集通过实验验证来评估推荐方法的有效性。 相似文献
16.
标签作为一种大众标引的形式,它既可以用于构建词表,也可以表示用户的个性化特征。随着网络用户对于个性化信息服务需求的加剧,个性化成为目前研究的热点。利用本体构建用户模型逐渐成为一种主流趋势。本文重点讨论如何利用用户标签,结合网络词表WordNet来构建用户的个人本体,从而为个性化服务的发展提供一种新的实施方案。 相似文献
17.
【目的/意义】本研究旨在调查与挖掘数据使用者（简称用户）视角下的科学数据共享需求（简称需求）,为数
据提供者、数据管理平台及相关机构挖掘并最大限度地满足用户需求提供依据,也为后续研究者提供借鉴与参考。
【方法/过程】通过问卷调查收集一手数据,采用形式概念分析（FCA）的方法构建需求概念格,并提取相应的关联规
则,进而揭示不同需求之间的关联。【结果/结论】数据内容质量、数据获取效率以及平台的安全性是用户的焦点需
求;性别与学科背景是造成需求差异的主要因素。【创新/局限】运用FCA的理论与工具挖掘用户需求,扩展其应用
领域。样本主要来自于管理学领域,研究结果可能不足以覆盖用户需求的全貌。 相似文献