共查询到10条相似文献，搜索用时 859 毫秒
1.
社会化标签系统中基于密度聚类的Web 用户兴趣建模方法 总被引：1，自引：0，他引：1
Web用户兴趣模型在个性化信息服务中有着非常重要的作用。本文利用社会化标签的独特优势,针对传统社会化标签聚类方法的局限性,提出了一种基于密度聚类的Web用户兴趣建模方法。首先建立基于社会化标签的向量空间模型,并将社会化标签表示为Web资源及其权重的形式,以此为基础利用DBSCAN算法对其进行聚类,进而依据所有Web用户的标注行为以每个聚类为中介计算特定Web用户对Web资源的兴趣度来构建Web用户兴趣模型。实验结果表明了该方法的优越性。 相似文献
2.
《图书馆理论与实践》2014,(9)
将标签引入高校学术资源推荐系统,利用标签数据,采取基于用户的协同过滤算法和基于关联资源的协同过滤算法相结合的方式实现资源推荐,既能体现用户的兴趣点和关注点,也能兼顾资源之间的关联性,使推荐的资源更具个性化和全面性,而且在系统中增加了为用户提供推荐标签词表的功能,提高了用户使用标签的积极性与使用标签的准确率。 相似文献
3.
拟合用户兴趣演变特性的协作过滤推荐算法 总被引：2，自引：0，他引：2
个性化推荐技术是将传统的数据挖掘技术同用户访问信息结合起来,根据用户的兴趣爱好来对用户可能访问的内容进行预测并预取其提供给用户进行选择.目前协作过滤技术是个性化推荐系统中应用最为成功的推荐技术之一,但传统的协作过滤算法没有考虑用户的兴趣演变,难以有效地反映用户真实兴趣.在分析目前协作过滤算法存在问题的基础上,利用用户访问兴趣分为偶然兴趣和稳定兴趣的特性,文章提出了基于偶然兴趣的推荐权重和基于稳定兴趣的推荐权重,并将它们融入新的拟合用户兴趣演变的协作过滤算法中.实验表明该算法能准确地反映用户访问兴趣,较传统的协作过滤算法可以有效提高推荐精度. 相似文献
4.
[目的/意义]针对当前知识发现服务中存在的个性化程度不高和推荐效果不佳等问题，提出一种基于用户兴趣度量和内容分析的推荐算法。[方法/过程]文章通过特征词分布、LDA主题分布、引文结构网络三个维度构建学术资源模型，并通过对用户行为的度量，计算用户对其浏览学术资源的兴趣度，结合学术资源模型构建用户兴趣模型。将用户兴趣模型与学术资源模型匹配，计算其相似度，得到用户对每条学术资源的兴趣值，最后将兴趣值最高的TOP-N学术资源推荐给用户。[结果/结论]通过实验检验算法的有效性和推荐准确率，结果显示，本文从实时动态度量兴趣的角度，提出的推荐算法能较好地预测用户兴趣，推荐效果显著，为实现发现服务精准推荐提供思路。 相似文献
5.
An Approach for Personalized Recommendation via Hypergraph Projection and Random Walk 总被引：1，自引：0，他引：1
以大众分类(folksonomy)为基础的社会化网络中,通常用标签对资源特征和用户喜好进行描述,本文将标签语义引入传统的推荐系统,从用户的标注行为入手,提出一种基于超图投影的推荐方法,该方法利用投影图中节点的连边权重进行节点相似性度量,使待推荐对象在投影图上随机游走,根据待推荐对象在节点上停留概率获得推荐,实验结果表明标签的引入提高了推荐质量,算法在精确性和多样性上均有很好的改进. 相似文献
6.
面对互联网中大量共享的网络书签资源,单个Web用户显然无法充分挖掘它们的潜在价值,迫切需要在网络书签系统中嵌入个性化服务工具.考虑到Web用户在网络书签系统中收藏的Web资源能够有效反映其兴趣,本文提出了一种网络书签系统中基于社团结构的个性化推荐方法.该方法首先依据Web用户收藏的Web资源之间的重叠关系建立Web用户关系网络,然后利用CPM算法划分Web用户关系网络中的社团结构,最后利用这种社团结构实现社团内基于协作过滤的个性化推荐和社团间基于"信息桥"的个性化推荐.实验结果表明了该方法的有效性. 相似文献
7.
推荐算法是个性化推荐系统中最为核心的一部分.文本通过给出产品流行性定义,提出了一种改进的用户兴趣点度量方法,进而将用户的兴趣点嵌入到基于物质扩散原理的推荐算法中.新算法引入参数β度量产品的推荐权重与用户兴趣点之间的关系.MovieLens数据集上的数值结果表明新的用户兴趣点定义方法可以同时改进推荐算法的准确度和推荐列表多样性,当采用60%的数据作为训练集时,多样性可以提高13.15%.进一步的结果表明当训练集很稀疏的时候,应当赋予与用户兴趣点不同的产品更高的推荐能力,随着稀疏度增加,赋予与用户兴趣点相近的产品更多推荐能力可以大幅度提高算法的表现. 相似文献
8.
目前,社会化标注已经成为个性化信息推荐领域中的研究热点之一,标签质量对于推荐效果的影响也受到了广泛关注.本文针对标签的质量问题,指出用户标注偏差普遍存在于标注系统中,尤其是形式偏差,给用户兴趣模型的合理提取形成了阻碍.基于此,我们提出了主流标签的概念,以其体现的大众智慧来克服标注偏差所带来的影响,通过分析资源中标签的平均标注率进行主流标签数量的确定,实现资源模型和用户协同模型的构建,并进一步结合兴趣度对用户协同模型加以了改进.最后,基于Delicious的数据和用户参与评分法,文章运用余弦相似性对模型推荐效果进行了验证. 相似文献
9.
基于社会化标注的个性化推荐研究进展 总被引：6，自引：2，他引：4
社会化标注是当前互联网研究中的一个热点.本文在对社会化标注的内涵和结构加以简单介绍的基础上,重点探讨了基于社会化标注进行推荐的相关进展.首先是明确了标签对于用户模型的意义,接着,从用户、资源和标签三个角度对基于社会化标注的聚类算法进行了讨论.同时也对基于社会化标注的排序算法进行了分析,并进一步将其分为依附补充、独立排序和通用排序三类算法.然后,对标签推荐方面的研究进行了探讨,主要是围绕内容分析、协同分析、语义分析三个方面展开的.最后,分析了社会化标注中个性化信息推荐的研究,发现借助矩阵、聚类和网络的分析是三种主要思路. 相似文献
10.
针对Web 2.0环境下大众分类系统中用户、资源和标签之间的三元相关关系,本文提出一种基于三部图的用户兴趣扩散模型,据此为用户进行网络资源的推荐.其主要思想是:通过迭代的扩散机制,使目标用户对信息的兴趣依三部图结构扩散至其他的用户、标签和资源上,然后以资源兴趣度排序为依据,在目标用户未曾收藏的资源中产生推荐.该推荐方法的优势在于扩大了推荐范围,避免了数据稀疏对推荐造成的干扰.利用公共数据集进行的实验表明,本文提出的推荐方法其准确率和召回率优于基于二部图用户兴趣扩散的资源推荐结果. 相似文献