共查询到10条相似文献，搜索用时 156 毫秒
1.
用户建模已成为个性化信息服务的关键。对用户兴趣建模几种方法的优缺点进行分析对比,引进本体概念,介绍本体建模的优点、建模思路、建模流程,并利用用户兴趣树思想建立基于本体的用户个性化兴趣模型。 相似文献
2.
个性化服务中用户兴趣建模与更新研究 总被引：1，自引：0，他引：1
目的:为了使用户兴趣模型更好地被推荐系统理解,实现个性化服务.方法:引入领域本体,对特征项语义进行扩展,构建电影领域本体.根据信息论思想,改进相似度的计算方法,构建基于本体的用户四元组多兴趣细粒度表示模型和相应更新机制.结果:随着用户欣赏同类电影的数量的不断增加,用户兴趣模型能进行累加学习,推荐的准确性不断提高.当用户的兴趣爱好发生转移时,用户兴趣模型能随着用户兴趣的转移合理地"遗忘"掉用户过去的爱好,而积累用户新近感兴趣的电影主题.结论:实验表明该用户兴趣模型能够准确及时地跟踪用户多种兴趣及其变化,保证用户模型的可靠性. 相似文献
3.
用户兴趣建模是个性化信息服务的基础和核心,它的主要构建环节包括了信息获取、模型表示、模型学习更新。通过对现有基于本体的用户兴趣建模思路分析,采用了叙词表改造本体的方法介绍用户兴趣模型的构建,构建过程中应用到了初始本体、领域本体、用户本体和参考本体。 相似文献
4.
基于本体构建的协同推荐研究 总被引：2，自引：0，他引：2
通过构建领域本体,利用用户兴趣与领域本体中概念的映射关系,构建用户兴趣本体,发掘用户兴趣模式。研究用户兴趣本体相似度的计算方法,并通过用户兴趣相似度进行垂直加权,通过时间新颖度进行水平加权,从而利用改进的加权关联规则挖掘算法对用户感兴趣的领域本体中的概念进行挖掘,实现面向内容的协同推荐。 相似文献
5.
基于Web挖掘技术的用户兴趣本体学习研究 总被引：2，自引：1，他引：1
目前针对基于关键词的用户模型不能从语义上表达用户需求真正内涵,基于领域本体的用户模型多数忽略研究概念间非分类关系和语义应用环境较分散等缺陷。本文提出一种循环式的基于Web挖掘技术的用户兴趣本体学习模型,即综合应用统计分析、关联规则和聚类分析等技术进行电子商务领域用户兴趣概念及概念间分类与非分类关系学习,面对用户兴趣的迅速变化,还提出一种传递激活方法来实时更新本体或重新进行本体学习,以不断提高该本体的质量。经验证,基于该本体的用户模型在文本过滤等应用中能较上述两种用户模型满足用户个性化服务需求。 相似文献
6.
7.
一种面向用户兴趣的个性化语义查询扩展方法 总被引：1，自引：0，他引：1
在基于本体的语义查询扩展研究的基础上,结合用户模型的研究,提出要将用户的兴趣模型与查询扩展相结合,实现个性化的语义查询扩展,并把个性化的语义查询扩展过程分为两个阶段——检索关键词向用户模型中的个性化领域本体概念的映射以及在本体层次对映射概念的语义扩展,给出每一阶段的实现算法。实验表明该方法能够提高信息检索的查准率和查全率,在一定程度上满足个性化的查询需求。 相似文献
8.
[目的/意义]提出一个药物不良反应本体的半自动构建方法，构建的细粒度药物不良反应本体为利用社交媒体挖掘潜在的药物不良反应信号提供语义资源库。[方法/过程]首先，采用业务层次和语言层次相分离的设计理念，将用户在社交媒体中评论的药物不良反应表示成"对象要素-属性要素-描述概念"的形式。细粒度体现在社交媒体用户对药物同一不良反应描述概念表达的多样性上。然后，基于深度学习的思想，利用基于word2vec的描述概念候选词抽取算法自动地抽取出更多的描述概念候选词构建本体。[结果/结论]以糖尿病药物的建模实例表明，提出的细粒度药物不良反应本体的半自动构建方案，提高了本体构建的智能化水平，构建的细粒度药物不良反应本体为利用社交媒体挖掘潜在的药物不良反应信号提供语义资源库。 相似文献
9.
语义层次上的用户建模研究对提高用户需求偏好描述准确度和提升推荐服务质量具有重要意义.本文从基于语义层次树的用户建模机理分析入手,将领域本体引入资源描述和用户建模中,通过资源主题特征提取和语义表达、用户需求偏好程度计算,进行基于语义向量空间模型的用户需求偏好建模和表示,最终得到用户的需求偏好模型.实验结果显示,本文所提方法可行且有效,能够提高用户兴趣偏好描述的准确度和提升推荐服务的质量. 相似文献
10.
文章提出了一种基于本体的用户建模方法。首先,基于用户兴趣概念集合,分别从同主题源本体的RDFS闭包中抽取子本体,然后采用多策略映射方法将其合并形成初始用户本体;其次,基于各类用户Web使用数据,挖掘高频关键词,追踪用户兴趣变化,构建增量本体;然后,利用衰减函数和相关阈值,将增量本体与初始用户本体合并,在增加新概念及其关系的同时,剔除不再感兴趣的概念,以实现用户本体的自动优化。 相似文献