导读:本文包含了用户兴趣建模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,建模,标签,社交,语义,特征。
用户兴趣建模论文文献综述
石宇,胡昌平,时颖惠[1]（2019）在《个性化推荐中基于认知的用户兴趣建模研究》一文中研究指出【目的/意义】在利用用户感兴趣资源进行用户兴趣建模中,传统的资源特征选择方案未能体现用户真实兴趣,针对这一情况,提出一种基于认知的用户兴趣建模方法,改善个性化推荐效果。【方法/过程】在结合用户群体认知对资源特征进行识别的基础上,对用户感兴趣资源进行兴趣建模。以电影数据为例,进行个性化推荐实验,验证模型效果。【结果/结论】实验结果显示,基于认知的用户兴趣建模的推荐准确率明显高于传统基于项目的用户兴趣建模方法,该策略可以更准确地描述用户兴趣,提升用户兴趣建模效果。(本文来源于《情报科学》期刊2019年06期）
黄文明,张健[2]（2019）在《契合用户兴趣变化的评论文本深度建模》一文中研究指出针对目前推荐系统对评论文本的特征提取能力不足导致的性能局限,以及数据稀疏性问题和用户兴趣漂移问题导致的推荐精度下降问题进行研究,提出一种契合用户兴趣变化的评论文本深度建模方法,基于深度学习改进传统推荐算法。使用词嵌入技术,挖掘并利用数据集评论中的语义得到表达结果;通过使用并行的一组卷积神经网络,充分挖掘用户和项目评论数据中的隐含特征;设计兴趣衰减曲线,针对用户兴趣漂移现象进一步调整用户建模的契合度;设计一层耦合结构,将两组特征作为输入使用因子分解机进行评分预测,得到推荐结果。仿真结果表明,推荐结果的准确度得到了提升,该方法可行有效。(本文来源于《计算机工程与设计》期刊2019年05期）
周雪梅[3]（2019）在《基于消费行为理解与分析的用户兴趣建模方法》一文中研究指出国内外多数是从人口统计数据和心理角度对用户兴趣进行研究,然而该方法复杂烦琐,面对海量信息,无法更好地实现基于用户兴趣的个性化信息服务。随着Internet技术的发展,可以通过网上消费行为进行理解与分析,从而获取用户的兴趣,更好地为用户提供贴心的服务,因此提出基于消费行为理解与分析的用户兴趣建模方法。通过采集基于消费行为理解与分析的用户兴趣数据,对消费行为数据与用户兴趣关系进行分析,从而实现用户兴趣模型的构建,最终完成提出的方法研究。通过实验验证证明,提出的方法具有较高的有效性,适用于用户个性化服务中。(本文来源于《电脑知识与技术》期刊2019年14期）
周雪梅[4]（2019）在《用户兴趣建模支持下的行为推荐算法特性分析》一文中研究指出为解决传统的算法中忽视的问题,选择更适合用户的兴趣模型,降低分析准确度较低的方式,为此提出了用户兴趣建模支持下的行为推荐算法特性分析,基于特征维度的选择,以及特性影响因子的求解,完成了推荐算法特性分析影响因子的计算;基于行为推荐算法样本集的确定,实现了行为推荐算法的特性分析,试验数据表明,提出的推荐算法特性分析较传统分析方法,分析准确率提高13.68%。适用于不同用户兴趣建模支持下的行为推荐。(本文来源于《现代信息科技》期刊2019年09期）
李媛媛[5]（2019）在《结合本体与社会化标签的用户动态兴趣建模研究》一文中研究指出根据第43次《中国互联网发展状况统计报告》,截至2018年12月,我国网民规模达8.29亿,普及率达59.6%。随着在线阅读应用平台的个性化发展,越来越多的用户在享受网络阅读服务的便利的同时,对于图书资源的推荐依赖也越来越强。在“快餐阅读”消费模式的引领下,合适的关联资源推荐对用户而言是省时省力的信息消费助力,在帮助平台提高用户黏度的同时,也考验着应用产品制作商、产品设计工作者们对用户需求的把控能力。如何根据用户与网络应用平台的交互行为记录信息对用户进行精准的实时资源推荐,是目前信息推荐、信息检索、信息质量、用户行为、用户兴趣相关研究领域的热门话题。社会化标签是Web2.0时代的产物,是由用户主动对信息资源进行标记、组织和分类的行为记录。豆瓣读书等应用平台便是基于用户标注信息为用户提供关联资源推荐服务的,以更好地满足用户的个性化阅读需求。社会化标签是用户兴趣信息的体现,通过合理的数据分析算法或模型,捕获用户的兴趣偏好是社会化标签系统信息推荐的常见研究方式。研究者指出用户的兴趣偏好在现实中受季节时令、环境甚至年龄阅历的影响,随时间的迁移而变化。然而,相关领域的研究者们往往未考虑到社会化标签系统用户兴趣的动态变化问题对标签推荐算法或模型的准确性、有效性的影响,使得大多数分析方法只适用于用户长期、稳定兴趣的资源推荐,无法满足当下人们对信息服务的高效性、精准性的需求。因此,设计体现社会化标签用户兴趣动态变化的兴趣模型及相关信息数据分析的方法是适应目前网络阅读服务情境的重要举措,也是基于社会化标签的信息推荐、信息检索、信息质量等研究及应用中亟待解决的问题。目前鲜少有结合本体与社会化标签进行用户动态兴趣的挖掘研究,本文从此角度出发,采用文献研究法、对比分析法、模型构造法和实证研究法,通过形式概念分析方法,在已有本体《中国分类主题词表》和《中国图书馆分类法》对词语的约束规则和关系定义的基础上,构建了豆瓣读书样本用户的兴趣标签本体;并通过兴趣强度指标、稳定指标对标签数据进行预测实验,确定了标签兴趣指数的表示形式,在此基础上构建了用户初始兴趣模型,并提出了以兴趣强度为主,兴趣稳定指数为辅的兴趣节点更新的流程。研究结合了本体相关理论与用户动态兴趣模型构建的研究方法,构建反映用户动态兴趣特征的兴趣模型,并依据用户兴趣的动态性变化特征总结模型更新的方法,为社会化标签系统的信息推荐、信息检索、信息质量等研究或应用领域提供了参考依据。(本文来源于《武汉大学》期刊2019-05-01）
王艳茹,马慧芳,刘海姣,魏家辉[6]（2018）在《基于多标签语义关联关系的微博用户兴趣建模方法》一文中研究指出微博用户利用标签信息表征其兴趣及属性,通过分析微博用户标签特点以及现有微博推荐方法的局限性,提出一种改进的基于多标签语义关联关系的微博兴趣建模方法。为了解决现有加标方法忽略了语义关联及多标签间关联的问题,首先通过计算标签对在微博用户集合中的共现频率得到标签对语义内联关系;其次构建由标签对连接词组成的路径,通过共享熵进一步计算标签对语义外联关系;最后将两者结合得到标签对语义关联关系矩阵,由此来对用户-标签矩阵进行更新,得到基于多标签语义关联关系的微博用户兴趣模型。以新浪微博公开API抓取的大量微博信息作为实验数据,进行了一系列的实验和分析,结果表明本文构建的用户兴趣模型具有较好的性能。(本文来源于《计算机工程与科学》期刊2018年11期）
李文清[7]（2018）在《基于用户兴趣建模的个性化旅游信息推荐研究》一文中研究指出用户兴趣建模是通过对用户的偏好信息、行为过程和背景理论等信息综合分析并计算构建用户的兴趣模型。用户兴趣模型的构建是个性化信息推送应用的关键环节,是为用户提供个性化服务的基础部分,用户建模的质量直接决定着个性化推送服务水平的高低。该文依据用户建模的流程依次对用户数据收集、用户模型的表示、用户模型的学习和用户模型的更新四个部分展开研究,最后通过个性化推送方法进行旅游信息推送分析。(本文来源于《电脑知识与技术》期刊2018年22期）
王艳茹[8]（2018）在《基于标签特征空间的微博用户兴趣建模研究》一文中研究指出《中国互联网络发展状况统计报告》数据显示,截至2016年6月,我国网民规模达7.1亿,互联网普及率为51.7%,手机网民规模达6.56亿;而截至2017年6月,中国网民规模来到7.51亿,互联网普及率为54.3%,手机网民规模达7.24亿。其中,微博月活跃人数已从2016年的2.97亿增长到2017年的3.76亿,用户人数急剧上升,微博发布量和浏览量数目巨大,所携带信息量更庞大多元,如何从信息过载的大数据时代更精确地获得用户想要的信息变得尤为重要。微博用户通常使用标签信息表征其兴趣及属性,为了解决原始兴趣模型高维稀疏与现有加标方法忽略了多标签间语义关联的问题,本文提出一种改进的基于标签特征空间与用户关系的微博用户兴趣建模方法。首先计算标签对语义内联关系,构建标签路径并计算共享熵得到标签对语义外联关系,结合内外联关系得到标签对语义关联关系矩阵。其次,构成标签-标签代表元矩阵对原始标签矩阵进行降维,与标签对语义关联关系矩阵相结合构成多标签关联关系矩阵,迭代该矩阵以更新传统的用户-标签矩阵。然后,通过考虑用户间的社交关系,来构建用户关系矩阵,与多标签语义关联关系矩阵相结合,最终得到一种基于标签特征空间与用户关系的微博用户兴趣模型,来表征用户兴趣。论文的主要工作如下:1)在缓解原始用户标签矩阵稀疏问题时,使用多标签间的关联关系,在计算标签对外联关系时候给出一个新的定义路径(Path),再利用求路径上的连接标签间的共享熵,更好地挖掘多标签间的外联关系,利用所构建的多标签语义关联关系矩阵更新原始用户标签矩阵。2)在缓解原始用户标签矩阵高维问题时,根据标签间相似度将标签进行聚类,得到标签-标签代表元矩阵再次更新用户-标签矩阵,用聚类后得到的标签代表元表示用户兴趣,有效地降低由于用户认知程度不同而造成的标签多样性与模糊性。3)将多标签关联关系与用户的社交关系迭代融合,来更好地表征用户兴趣。其中用户的社交关系使用一种新的社交关系矩阵来表示,包括用户间背景和属性的静态关系与关注和被关注等动态关系,将其融入更新后的用户-标签矩阵中,最终获得标签特征空间,更好地表征用户兴趣。最后,以新浪微博公开API抓取的大量微博信息作为实验数据,进行了一系列的实验和分析,结果表明本文构建的用户兴趣模型具有较好的性能。(本文来源于《西北师范大学》期刊2018-05-01）
曾子明,周知[9]（2018）在《基于主题热度调权的用户兴趣建模研究》一文中研究指出【目的/意义】针对不同主题下资源数量的差异对用户兴趣建模存在影响的问题,提出一种基于主题热度的兴趣建模策略,提升模型的预测能力与推荐系统的推荐效果。【方法/过程】以主题下不同资源的数量代表该主题的热度,以此对用户兴趣特征进行调权处理,并在此基础上利用向量空间模型进行兴趣表示。以抓取的"豆瓣电影"675351位用户的观影数据进行推荐实验,验证本文策略的效果。【结果/结论】实验结果显示,基于主题热度调权的兴趣建模方法的推荐准确率明显高于传统基于绝对频次的兴趣建模方法,该策略可以提升用户兴趣建模效果。(本文来源于《情报科学》期刊2018年04期）
孙培杰[10]（2018）在《基于深度用户兴趣建模的社交推荐问题研究》一文中研究指出协同过滤技术在推荐系统领域得到广泛应用,然而协同过滤技术却无法解决数据集稀疏问题。社交推荐问题提出采用社交关系作为补充信息,尝试解决推荐中的数据集稀疏问题。由于深度学习技术在许多研究工作中表现优秀,本研究工作将采用深度学习技术解决社交推荐问题。研究工作将从两个方面进行展开,第一点是不考虑时间因素,即忽略用户以及产品随时间变化的特性,称为静态社交推荐问题,该研究工作存在以下问题,1)如何有效的将社交网络包含的信息和推荐结合起来?2)如何设计网络结构建模用户和产品之间的交互关系?第二点是融合时间因素,只考虑用户随时间变化的特性,称为动态社交推荐问题。研究在两种情况下,如何设计神经网络结构有效解决社交推荐问题,该研究工作存在以下问题,1)考虑时间因素的情况下,如何建模用户的消费历史?2)考虑时间因素的情况下,用户的行为偏好会时间发生改变,这时如何衡量用户的社交邻居之间的影响力?针对静态社交推荐问题,本研究工作提出了模型协同神经网络社交推荐模型CNSR(Collaborative Neural Social Recommendation)。该模型包括社交空间特征学习和协同神经网络推荐两个部分。其中社交空间特征学习部分采用无监督深度学习技术将用户的社交邻居作为输入,并采用社交关系作为正则项,学习用户在社交空间中的特征。协同神经网络模型将用户和产品的特征作为输入,并采用协同过滤层以及多个隐含层捕获用户和产品之间的浅层和深层交互关系。在模型训练阶段,通过一个联合学习框架提高模型训练效果。针对动态社交推荐问题,本研究工作提出了模型注意力循环社交网络模型ARSE(Attentive Recurrent Social Recommendation)。该模型基于两个注意力网络结构捕获用户的社交邻居在动态行为偏好和静态行为偏好建模上对用户产生的影响。其中,动态行为偏好建模阶段,基于注意力网络结构学习到用户的社交邻居带来的影响的同时,可以通过循环神经网络结构学习到用户行为偏好变化的潜在规律。在静态行为偏好建模阶段,用户的静态行为偏好被认为由自身和社交邻居共同决定。最终的用户对产品的预测评分将取决于用户的动态行为偏好和静态行为偏好的共同作用。本研究工作提出CNSR和ARSE两个深度学习模型分别用来解决静态社交推荐问题和动态社交推荐问题,最终的实验结果将展示本研究工作提出的模型在解决社交推荐问题相对于现有的方法存在一定提升。(本文来源于《合肥工业大学》期刊2018-04-01）
用户兴趣建模论文开题报告
（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：
针对目前推荐系统对评论文本的特征提取能力不足导致的性能局限,以及数据稀疏性问题和用户兴趣漂移问题导致的推荐精度下降问题进行研究,提出一种契合用户兴趣变化的评论文本深度建模方法,基于深度学习改进传统推荐算法。使用词嵌入技术,挖掘并利用数据集评论中的语义得到表达结果;通过使用并行的一组卷积神经网络,充分挖掘用户和项目评论数据中的隐含特征;设计兴趣衰减曲线,针对用户兴趣漂移现象进一步调整用户建模的契合度;设计一层耦合结构,将两组特征作为输入使用因子分解机进行评分预测,得到推荐结果。仿真结果表明,推荐结果的准确度得到了提升,该方法可行有效。
（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。
用户兴趣建模论文参考文献
[1].石宇,胡昌平,时颖惠.个性化推荐中基于认知的用户兴趣建模研究[J].情报科学.2019
[2].黄文明,张健.契合用户兴趣变化的评论文本深度建模[J].计算机工程与设计.2019
[3].周雪梅.基于消费行为理解与分析的用户兴趣建模方法[J].电脑知识与技术.2019
[4].周雪梅.用户兴趣建模支持下的行为推荐算法特性分析[J].现代信息科技.2019
[5].李媛媛.结合本体与社会化标签的用户动态兴趣建模研究[D].武汉大学.2019
[6].王艳茹,马慧芳,刘海姣,魏家辉.基于多标签语义关联关系的微博用户兴趣建模方法[J].计算机工程与科学.2018
[7].李文清.基于用户兴趣建模的个性化旅游信息推荐研究[J].电脑知识与技术.2018
[8].王艳茹.基于标签特征空间的微博用户兴趣建模研究[D].西北师范大学.2018
[9].曾子明,周知.基于主题热度调权的用户兴趣建模研究[J].情报科学.2018
[10].孙培杰.基于深度用户兴趣建模的社交推荐问题研究[D].合肥工业大学.2018
论文知识图
