共查询到20条相似文献，搜索用时 156 毫秒
1.
基于Web访问挖掘的个性化智能信息推荐服务方法的处理过程分为在线部分和离线部分。离线部分主要完成从站点服务器的访问LOG文件中挖掘出适合在线智能个性化推荐服务的用户事务模式,采用基于聚类用户事务方法获取用户个性化模式。在线部分通过个性化智能推荐服务智能接口实现基于URL聚类模式的个性化信息推荐服务,给出了链接距离因子定义和基于URL聚类模式的生成算法。通过实验总结这种方法的优缺点,这种方法是有效和可实现的。 相似文献
2.
推荐系统在高校数字图书馆的应用研究 总被引：5，自引：0，他引：5
信息时代，数字图书馆连渐成为满足图书馆用户个性化服务的主要解决方案。本文在描述高校数字图书馆个性化服务的概念及其特点后，提出使用电子商务中的推荐系统采帮助实现高校数字图书馆的个性化服务的论点。文章中建立了高校数字图书馆推荐系统的框架模型．井在此基础上对高校数字图书馆推荐系统的组成、处理、以及推荐结果的形式进行了探讨，指出了适合本系统的推荐算法。 相似文献
3.
通过分析和提取图书馆数据库服务器上的网站描述文件和网站日志文件,获得图书馆网站浏览用户的浏览行为模式,分析图书馆网站网页间的相关性,从而构建模拟的图书馆网站个性化推荐系统,节省搜索网页的时间。 相似文献
4.
一种基于用户聚类的协同过滤个性化图书推荐系统 总被引：1，自引：1，他引：1
综合协同过滤技术和聚类技术，提出了一种个性化图书推荐系统的具体实现方案。系统对图书馆数据库保留的大量用户图书借阅记录进行挖掘，向用户提供个性化图书推荐，为图书馆个性化服务的研究和实践提供了一种新的思路。 相似文献
5.
大数据环境下图书馆个性化服务研究 总被引：1，自引：0，他引：1
文章在描述大数据研究背景及其特点的基础上,分析大数据对图书馆信息推送、参考咨询、学科服务,好书推荐等个性化服务的影响,总结大数据在图书馆个性化服务及图书馆管理中的应用,针对数据分析的平台、成本问题、用户隐私等关键问题展开讨论。 相似文献
6.
电子商务中的个性化推荐方法评述 总被引：8，自引：0，他引：8
随着电子商务的不断发展,如何更好地了解用户需求以提供更令人满意的个性化服务变成了一个十分关键的问题,也就是电子商务推荐系统产生的动因.文章首先介绍了电子商务个性化推荐系统的概念和作用.然后对当前最主要推荐策略的原理、应用进行了描述,随后对这些推荐策略的优劣势进行了深入的分析、评价.接着评述了推荐算法评价的相关难题和研究,再就是对电子商务推荐系统的相关因子研究进行了介绍.在最后部分.文章对将来个性化推荐的研究方向进行了探讨,希望通过这样的探索能进一步推动个性化推荐的相关研究. 相似文献
7.
搜索引擎系统中的Web个性化信息推荐技术 总被引：1，自引：0，他引：1
Web个性化推荐技术在现代互联网中有着广泛的应用,它能将Web网络信息按照用户的个性化需求主动地向用户提供服务。但是由于现代搜索引擎通常缺乏用户的相关登录信息和网页访问路径信息,所以传统的Web个性化推荐服务并不完全适用于搜索引擎。由于用户在访问搜索引擎时会产生大量的关键词访问序列,而这种关键词访问序列蕴含着丰富的用户个性化信息,基于此,提出了一种利用搜索引擎访问日志中的关键词访问序列来进行Web个性化推荐服务的方法,并分析了相关技术特点和实现细节。 相似文献
8.
9.
本文从Web2.0时代的用户信息需求分析出发,探讨了基于显性行为和隐性行为的个性化服务需求,分析了用户对推荐服务的要求,构建了基于推荐服务的用户信息需求转化模型. 相似文献
10.
个性化推荐服务可以帮助用户克服信息过载问题,受到广泛的关注.虽然目前的个性化推荐方法较多,但大多数方法与用户之间的交互性不强,很难满足用户个性化需求.鉴于TOPSIS方法是一种常用的有限方案多属性决策分析法,对对象评估既全面又客观,所以将其用到了个性化推荐研究之上,进而提出了基于TOPSIS算法的个性化推荐模型及其算法,最后通过举例表明了该算法能够较好地与用户进行交互,同时能够为用户提供满足其需求偏好的个性化推荐. 相似文献
11.
用户画像作为大数据环境下的用户分析及服务设计工具,为图书馆开展个性化服务提供了新思路。文章概述了用户画像及其相关研究实践应用,并归纳了图书馆现有资源推荐服务现状,分析了图书馆用户画像数据源并构建了图书馆用户画像模型,最后提出并设计了从单用户和多用户角度分别推荐馆藏资源的模式,为大数据环境下面向用户的图书馆资源精准推荐提供参考。 相似文献
12.
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
13.
14.
15.
【目的/意义】用户画像深刻地描述了视频用户的个体和群体行为特征,为视频的个性化推荐服务提供参
考。【方法/过程】通过文本挖掘对爬取的视频、用户及其观影数据分析,构建单个用户画像,并通过K-Means和LDA
模型对用户聚类并提取主题,挖掘群体用户特征。基于用户画像和时间指数衰减的视频兴趣标签,并结合视频喜
爱度和协同过滤,进行视频推荐。【结果/结论】考虑时间指数衰减的个性化推荐,提高了系统对用户兴趣的感知。
结合视频喜爱度和协同过滤,推荐视频评分达0.87,有助于提高用户对网站的忠诚度和活跃度。【创新/局限】基于用
户生成内容的文本挖掘结果,进行单个和群体用户画像,并创新性采用时间指数衰减构建用户视频兴趣标签,以捕
获用户兴趣的变化。由于网络爬虫的限制,实验数据量有一定的局限性,且特征提取兴趣范围有限。 相似文献
16.
【目的/意义】利用用户画像以及个性化推荐算法实现智慧图书馆中的图书推荐。【方法/过程】从构建智慧
图书馆用户画像的自然属性、兴趣属性、社交属性三个数据维度出发,借助相似度计算方法分别计算不同维度读者
和图书的相似度,实现基于相似读者和相似图书的虚拟图书推荐,阐述了借助智慧图书馆的先进技术实现基于位
置的实体图书推荐。【结果/结论】实验结果表明将用户画像用于智慧图书馆图书推荐可提升图书馆个性化服务能
力,针对读者实现精准推荐。【创新/局限】基于用户画像的图书推荐从多个维度进行组合推荐,实现了智慧图书馆
虚拟图书和实体图书的个性化推荐,提高了推荐质量,为提升智慧图书馆个性化服务具有一定的借鉴意义。局限
在于选取的读者以及图书数量较少。 相似文献
17.
大数据时代,图书馆个性化服务面临着诸如数据海量、种类繁多、快速增长、价值巨大的严峻的挑战。本文在描述大数据背景及其特点的基础上,研究了基于情景大数据的图书馆个性化服务推荐系统。该系统将读者的情景大数据引入个性化服务推荐过程,可以全面、及时、准确地评估读者需求,并根据读者的爱好实时、主动地推荐服务。 相似文献
18.
基于社会标签的推荐系统研究 总被引：1，自引：0，他引：1
社会标签是一种新颖的大众索引方法,在Web 2.0时代各种收藏、检索、共享网站中得到广泛的应用,个性化推荐系统是基于用户的偏好为用户提供个性化信息服务的重要技术。本文针对推荐技术如何与社会标签结合的问题,分析了最新的研究现状和应用。详细阐述了3个方面的研究进展:标签推荐系统的研究、基于社会标签的个性化推荐系统的研究、社会标签的推荐应用系统。 相似文献
19.
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
20.
《Information processing & management》2022,59(2):102871
The rapid development of the web has led to a considerable increase in information dissemination. Recently, personalized web service recommendation has become a popular research area in service computing. Research on web service recommendation systems mainly addresses two problems: prediction and completion of sparse QoS data, and the user's personalized recommendation. To address the issue of high data sparsity and low recommendation accuracy in the traditional service recommendation models under mobile cloud, this study presents a hybrid collaborative filtering model for consumer service recommendation based on mobile cloud by introducing user preferences. The example verified that the service recommendation based on the model can effectively reduce the data sparsity and increase the accuracy of the prediction. 相似文献