导读:本文包含了用户兴趣模型论文开题报告文献综述、选题提纲参考文献及外文文献翻译，主要关键词:兴趣,用户,模型,算法,隐语,向量,层级。
用户兴趣模型论文文献综述
王蓉,李小青,刘军兰,严晓梅,陈瑜[1]（2019）在《基于大数据网络用户兴趣个性化推荐模型分析》一文中研究指出针对传统分析方法受噪声和人为因素影响而造成分析结果较差的问题,我们提出了一种基于大数据的社交网络用户兴趣个性化推荐模型。在矢量空间模型的基础上,分析了用户兴趣推荐模型结构及其与周围模型的交互关系,划分了服务器网络部署模块,设计了运行模型网络结构。通过MapReduce模型将任务分布到分布式计算机集群中,用以构建用户感兴趣的个性化推荐模型。利用大数据双层关联规则数据挖掘技术获取用户感兴趣的网络数据,利用推荐结果确定用户对推荐内容的兴趣程度。实验对比结果表明,用此分析方法的分析效果可高达98%,对大规模社交网络用户的个性化推荐具有良好的可扩展性。(本文来源于《电子设计工程》期刊2019年21期）
高永兵,许庆瑞[2]（2019）在《基于改进LDA模型的微博用户兴趣挖掘研究》一文中研究指出为了更准确地挖掘微博用户的兴趣,在LDA主题模型基础上,引入微博用户简介、认证信息以及词汇的语义等先验知识,提出一种基于改进LDA模型挖掘微博用户兴趣的方法 .方法综合考虑了微博用户的微博内容、背景信息等数据,通过改进的LDA模型挖掘出微博用户的兴趣主题.实验结果表明:改进的LDA模型在F值上优于LDA模型,能够更准确地挖掘出微博用户的兴趣.(本文来源于《内蒙古科技大学学报》期刊2019年03期）
卢香利[3]（2019）在《基于用户兴趣模型的叁维室内家居风格推荐方法研究》一文中研究指出为了更好地辅助完成家居风格的推荐工作,提出一种基于用户兴趣模型的叁维室内家居风格推荐方法。该方法包括叁维模型数据采集、家居风格特征定义和风格关联挖掘。通过用户行为数据分析建立用户兴趣模型,结合关联规则挖掘算法中的Apriori算法对叁维模型数据集进行关联分析,从而得到家居风格的推荐结果。实验结果表明,提出的方法可以有效完成叁维室内家居风格分析,并且推荐结果得到了较好的用户满意度。(本文来源于《现代电子技术》期刊2019年15期）
夏立新,曾杰妍,毕崇武,叶光辉[4]（2019）在《基于LDA主题模型的用户兴趣层级演化研究》一文中研究指出【目的】探究用户兴趣层级结构,揭示用户兴趣层级演化规律,以提高个性化信息服务的质量,满足用户信息需求。【方法】利用LDA主题模型获取用户标签主题;通过定义标签兴趣度计算公式,并结合提取的用户标签主题,动态感知用户兴趣;依据构建的兴趣网络划分用户兴趣核心–边缘结构,进而分析用户兴趣层级结构的演化规律。【结果】用户兴趣的核心–边缘结构会随着用户兴趣领域的确定而逐渐收敛并趋于稳定。时间序列下用户兴趣层级的升降级演化主要包括始终处于核心层、核心层向边缘层淡化和边缘层向核心层晋升叁种。【局限】基于已有用户兴趣层级演化规律进行未来时间节点下的用户兴趣预测和评估需要进一步探究。【结论】该方法能够更加精准地感知和预测用户动态变化的兴趣,评估时间序列下用户各兴趣程度的高低并划分用户兴趣层级,进而得到用户兴趣层级演化规律,有助于优化个性化信息服务。(本文来源于《数据分析与知识发现》期刊2019年07期）
李建军,侯跃,杨玉[5]（2019）在《基于情景感知的用户兴趣推荐模型》一文中研究指出随着电子商务和互联网的发展与普及,面向用户的个性化推荐越来越被重视,传统的用户兴趣模型只考虑到用户本身对项目的行为,忽略了用户当时所处情景。因此文中提出了基于情景感知的用户兴趣模型,将用户的浏览行为与情景因素相结合,从两个方面深度挖掘了用户对项目的兴趣,明确了用户对项目的关注度,从而准确地为用户进行聚类,并根据用户聚类的结果对目标用户进行推荐。实验结果表明,该推荐模型的准确率高于其他传统推荐算法的准确率,本模型能更好地挖掘用户兴趣,适应用户的兴趣变化,并且能够更好地解决用户面临的众多信息无从挑选的问题,提高了用户的满意度。因此,需要从多个角度挖掘用户隐藏的信息,能够更好地为用户提供个性化的推荐。(本文来源于《计算机科学》期刊2019年S1期）
徐吉,李小波,陈华辉,许浩[6]（2019）在《基于用户兴趣迁移的隐语义模型推荐算法》一文中研究指出协同过滤算法一般根据用户的评价信息来推测用户的喜好,但受到数据稀疏问题的影响,许多时候无法得到较为理想的推荐结果。除此之外,一般协同推荐算法忽略了用户兴趣的动态变化。本文所提出的基于改进的隐语义模型(TLFM算法)则将用户的兴趣喜好的改变考虑进来。具体的,在传统的隐语义模型的基础上加入对时间信息的权衡,选取适当的权重,有效地模拟用户兴趣随时间的变化状况,根据用户兴趣变化来决定推荐值,可以很好的提高推荐准确度。(本文来源于《无线通信技术》期刊2019年02期）
高强[7]（2019）在《基于用户兴趣模型的个性化推荐算法研究》一文中研究指出寻常情况下,个性化推荐系统的推荐过程是分阶段进行的。首先是兴趣建模阶段,其次是项目匹配阶段,最后是推荐结果反馈阶段。第一阶段主要是为了获取用户的兴趣和用户的需求,然后生成一个包含用户的偏好、背景、需求的用户模型;第二阶段是在第一阶段获取用户模型的基础上运用不同的推荐算法把资源和用户兴趣进行匹配;最后一个阶段是生成推荐列表呈现给用户。作为推荐系统的基础,用户模型的构建至关重要,能否准确的获取用户的兴趣偏好决定了个性化推荐的效果。针对已有工作在利用资源特征选择进行用户兴趣建模时,数据来源单一,未能捕获用户真实兴趣的缺点,本文重点研究对兴趣模型的构建,然后在在综合考虑用户的浏览、评价等多种行为的基础上,综合运用群体智慧思想和表示学习技术实现对用户兴趣的精准建模下,设计高效的推荐算法。本文的主要内容如下:首先,对目前用户兴趣建模及有关推荐算法的研究现状进行了分析与总结,并进一步对推荐领域的基础算法进行了简单介绍,分析了表示学习技术相关研究与应用,对兴趣建模相关技术进行了介绍。其次,本文提出一种基于群体智慧的用户兴趣建模方法,在综合考虑用户的浏览、评价等多种行为的基础上,综合运用群体智慧和表示学习技术实现对用户兴趣的多源数据精准建模,以期提高个性化推荐的效果。再次,提出了基于用户兴趣模型的算法。在获取用户历史兴趣模型的基础上,同时结合用户行为信息构建用户兴趣模型,最后对候选项目和用户进行相似度计算,根据相似度计算结果进行TOP-N推荐。最后,在实验中,本文以电影推荐任务为例进行实证研究,在真实数据上验证了所提出方法的有效性。实验结果表明,与传统的用户兴趣建模方法相比,基于群体智慧的用户兴趣建模方法以海量数据作为研究基础,能够更加准确地刻画用户兴趣,从而获得更好的推荐效果。(本文来源于《山东师范大学》期刊2019-06-10）
高晨峰[8]（2019）在《基于本体的网络新媒体视频用户兴趣判定模型设计与仿真》一文中研究指出随着互联网通信技术的飞速发展,网络新媒体视频已经成为电子商务推广的主要形式。当前,网络运营商普遍采用个性化推荐系统来为用户提供网络新媒体视频观看服务,但是个性化推荐系统的用户视频观看兴趣判定准确率不高,没有完全迎合用户兴趣,甚至在一定程度上会造成用户对网络新媒体视频的反感。为了解决用户视频观看兴趣判定准确率不高的问题,文章设计并提出了基于本体的网络新媒体视频用户兴趣判定模型,该模型以本体为基本单元,根据网络新媒体视频特征,分别生成网络新媒体视频的类别本体、描述本体、主演本体、标题本体,然后建立了类别兴趣分量计算模块、关键字兴趣分量计算模块、兴趣精确度纠正模块,从而实现对用户视频观看长短期兴趣的精准判定。经过仿真测试发现,该模型对用户视频观看长短期兴趣判定准确性较高,能够针对绝大多类型的用户,通用性能较好。(本文来源于《新媒体研究》期刊2019年10期）
王杨[9]（2019）在《基于用户兴趣模型的个性化新闻推荐》一文中研究指出常见的新闻推荐算法大抵分为基于内容的推荐和协同过滤推荐两类.为了能够更好地发挥不同算法的优点,增强推荐结果多样性的同时有效避免冷启动问题,本文决定采用以基于内容推荐为主,协同过滤推荐为辅的混合推荐算法.首先基于文本内容提炼关键词集,构建表示新闻文本的向量空间模型.其次一方面考虑用户的浏览时间、最后浏览时间与用户兴趣的变化关系用以构建用户现存兴趣模型;另一方面在相似用户的浏览记录中提取目标用户可能感兴趣的新闻文本构建用户潜在兴趣模型.然后综合考虑用户现存兴趣模型与用户潜在兴趣模型构造用户加权兴趣模型.最后将待推荐新闻按照发布时间小于当前时刻,发布时间大于当前时刻分为两类;前者与用户的现存兴趣模型进行相似度匹配,后者与用户的加权兴趣模型进行相似度匹配.真实数据表明本文所提出的用户兴趣模型比较符合用户的真实兴趣偏好,基于此模型的新闻推荐算法在多指标的表现上也优于常规算法。(本文来源于《吉林大学》期刊2019-05-01）
张雄涛[10]（2019）在《融合用户兴趣和混合估计的微博检索模型研究》一文中研究指出中国互联网络信息中心发布的第42次《中国互联网络发展状况统计报告》显示:截止2018年6月,中国微博用户规模已达3.37亿人,在整体网民数中微博用户数占比已达42.1%。巨大的用户数量使微博逐渐成为人们获取和分享信息的重要途径。为从庞大的微博数据中获取有效信息,微博检索已成为微博服务的重要组成部分。微博检索虽属文本检索范畴,但却不同于传统文本检索,两者的区别主要体现在排序原则和搜索数据两个方面。在排序原则方面,微博检索除要考虑查询与文档的内容相似度外,还应考虑其它因素,如时间、兴趣、博文质量等;在搜索数据方面,微博检索面向的是微博文档,其典型特点是长度较短、内容稀疏。结合微博检索的特点,本文在查询似然模型的基础上提出一个融合用户兴趣和混合估计的微博检索模型。新模型主要对传统查询似然模型中的文档先验概率和文档语言模型估计进行改进,具体工作体现在两个方面:(1)在文档先验概率方面,首先通过量化用户对微博的兴趣行为得到用户的兴趣博文库,然后通过计算用户兴趣博文库和微博之间的相似度对微博集中每条微博先验概率的计算进行改进,最终使符合用户兴趣的微博具有较高的先验概率,以在一定程度上满足用户的个性化检索需求。(2)在文档语言模型估计方面,首先基于微博的文本内容得到微博间内容相关度,然后通过量化微博所属用户间的交互行为得到用户间交互度,最后混合微博内容相关度和用户间交互度得到微博的相关文档集,并将其作为平滑项对微博文档语言模型进行估计,以在一定程度上缓解微博稀疏性对微博检索造成的影响。由于目前权威测试集难以满足实验需求,本文采用从新浪微博爬取的真实数据对研究内容的有效性进行验证。首先对爬取的661845条微博原始数据进行清洗和预处理,并依据规范测试集构建本文的测试集;然后对不同微博检索模型的检索性能进行比较。实验结果表明:与本文的阶段性工作相比,本文的总体工作在P@k和MRR两个指标上均较优;与当前主流的微博检索模型相比,本文提出的微博检索模型在P@k和MRR两个指标上均较优。(本文来源于《河北大学》期刊2019-05-01）
用户兴趣模型论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
为了更准确地挖掘微博用户的兴趣,在LDA主题模型基础上,引入微博用户简介、认证信息以及词汇的语义等先验知识,提出一种基于改进LDA模型挖掘微博用户兴趣的方法 .方法综合考虑了微博用户的微博内容、背景信息等数据,通过改进的LDA模型挖掘出微博用户的兴趣主题.实验结果表明:改进的LDA模型在F值上优于LDA模型,能够更准确地挖掘出微博用户的兴趣.
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
用户兴趣模型论文参考文献
[1].王蓉,李小青,刘军兰,严晓梅,陈瑜.基于大数据网络用户兴趣个性化推荐模型分析[J].电子设计工程.2019
[2].高永兵,许庆瑞.基于改进LDA模型的微博用户兴趣挖掘研究[J].内蒙古科技大学学报.2019
[3].卢香利.基于用户兴趣模型的叁维室内家居风格推荐方法研究[J].现代电子技术.2019
[4].夏立新,曾杰妍,毕崇武,叶光辉.基于LDA主题模型的用户兴趣层级演化研究[J].数据分析与知识发现.2019
[5].李建军,侯跃,杨玉.基于情景感知的用户兴趣推荐模型[J].计算机科学.2019
[6].徐吉,李小波,陈华辉,许浩.基于用户兴趣迁移的隐语义模型推荐算法[J].无线通信技术.2019
[7].高强.基于用户兴趣模型的个性化推荐算法研究[D].山东师范大学.2019
[8].高晨峰.基于本体的网络新媒体视频用户兴趣判定模型设计与仿真[J].新媒体研究.2019
[9].王杨.基于用户兴趣模型的个性化新闻推荐[D].吉林大学.2019
[10].张雄涛.融合用户兴趣和混合估计的微博检索模型研究[D].河北大学.2019
论文知识图
