共查询到18条相似文献，搜索用时 392 毫秒
1.
2.
3.
基于XML的Web日志挖掘研究* 总被引：2，自引：0，他引：2
潘有能 《现代图书情报技术》2006,1(5):62-64
设计一个基于XML的Web日志挖掘体系结构，简要介绍XGMML和LOGML，并在此基础上讨论LOGML文档的生成方法及利用Apriori算法对日志文档进行频繁集、频繁序列和频繁子图挖掘。 相似文献
4.
Web使用挖掘是利用数据挖掘技术从Web数据中发现用户使用模式的过程。以Web使用挖掘技术为基础,提出了一种个性化服务推荐模型。分析了Web使用挖掘的数据收集、数据预处理、模式发现及分析、个性化服务引擎等过程,并对各过程的个性化服务的实现进行了阐述,还对个性化服务的发展进行了展望。 相似文献
5.
6.
7.
基于协作过滤的Web智能信息推荐方法 总被引：1，自引：0，他引：1
8.
本文结合个性化服务的思想,提出了一种新的基于Web挖掘的个性化远程教学模型。它能充分利用用户Web访问记录以及用户与站点的交互数据进行挖掘,以此来发现学习者的学习兴趣,从而改进页面设计,优化站点结构,更好地满足学习者的个性化需求,提升个性化远程教育的质量。 相似文献
9.
10.
11.
可变多阶Markov链模型及在WWW个性化推荐中的应用 总被引：2，自引：1，他引：1
WWW个性化推荐问题是WEB挖掘的一个重要研究方向.针对传统的固定阶数的Markov链模型用于WWW个性化推荐问题的不足,提出可变多阶Markov链模型(Variable Multiple Order Markov Chain-VMOMC).VMOMC将用推荐目标网页概率值度量的可变多阶Markov链并行组合,组合模型中采用遗传算法确定各单阶Markov链模型的最优权重,在真实WWW站点访问日志数据上的实验结果表明:VMOMC与传统的定阶Markov链浏览推荐模型相比,具有较理想的推荐性能. 相似文献
12.
[目的/意义]深入挖掘和准确理解中国大学生日常网络行为模式，不仅对促进用户行为和检索领域的发展具有巨大的理论意义，而且在提升面向大学生用户的企业个性化服务与信息推荐能力方面也具有潜在的社会价值和实践意义。[方法/过程]提出一种基于大规模日志分析的大学生用户行为模式识别新方法，该方法包括一种基于深度学习和文本分析技术的半监督学习算法"MaxMatching"以及混合两种特征熵（香农熵与真实熵）的聚类模型。[结果/结论]实证结果表明本方法不仅在算法和结果解释上具有一定的优势，而且能从网络使用能力、访问时序性和主题倾向性三方面归纳与呈现中国大学生网络行为全方位模式。该方法和结论有效地拓展了信息检索领域查询项的语义化理解方面的方法体系，也为企业提升面向大学生用户的个性化信息推荐服务提供一定的参考和可行性意见。 相似文献
13.
基于最大频繁模式挖掘算法进行书目推荐系统的设计与实现 总被引：2，自引：0，他引：2
赵麟 《现代图书情报技术》2010,26(5):23-28
以南开大学图书馆Unicorn系统为基础,介绍基于最大频繁模式挖掘算法的书目推荐系统的设计与实现,详细描述利用Unicorn系统中积累的借阅数据分析读者的行为模式,提供个性化书目推荐的方法。该系统利用图书馆现有资源拓展读者服务,可以提高现行自动化借阅系统的使用效率。 相似文献
14.
CtoC电子商务站点中的Web个性化推荐技术 总被引：2，自引：1，他引：1
分析CtoC电子商务平台中的用户行为特征,提出在此类站点中实施Web个性化推荐技术的基本原则和特点,并指出该种技术的三个明显特点。最后,结合Web个性化推荐技术的三种主要流程,对CtoC电子商务平台实施Web个性化推荐技术的方法作详细说明。 相似文献
15.
16.
17.
18.
Recommender systems help users deal with information overload and enjoy a personalized experience on the Web. One of the main challenges in these systems is the item cold-start problem which is very common in practice since modern online platforms have thousands of new items published every day. Furthermore, in many real-world scenarios, the item recommendation tasks are based on users’ implicit preference feedback such as whether a user has interacted with an item. To address the above challenges, we propose a probabilistic modeling approach called Neural Semantic Personalized Ranking (NSPR) to unify the strengths of deep neural network and pairwise learning. Specifically, NSPR tightly couples a latent factor model with a deep neural network to learn a robust feature representation from both implicit feedback and item content, consequently allowing our model to generalize to unseen items. We demonstrate NSPR’s versatility to integrate various pairwise probability functions and propose two variants based on the Logistic and Probit functions. We conduct a comprehensive set of experiments on two real-world public datasets and demonstrate that NSPR significantly outperforms the state-of-the-art baselines. 相似文献