导读:本文包含了用户兴趣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,相似性,向量,模型,画像,社交。
用户兴趣论文文献综述
王刚,郭雪梅[1]（2019）在《基于用户兴趣序列相似性度量的图书协同过滤推荐方法研究》一文中研究指出论文通过用户在一系列时间节点对所借阅图书的评分形成用户兴趣序列,并提取用户之间的最长公共兴趣子序列(LCSIS)和所有公共兴趣子序列(ACSIS),以此为基础计算用户之间的相似性并与传统的协同过滤推荐方法相结合,提出了基于用户兴趣序列的改进协同过滤图书推荐方法。将本文提出的方法和传统的基于用户的协同过滤推荐方法在天津医科大学图书馆图书借阅数据集进行实验验证,结果发现该方法在推荐效果上优于传统方法。(本文来源于《新世纪图书馆》期刊2019年11期）
龙玉绒,王丽珍,陈红梅[2]（2019）在《基于用户轨迹数据的用户兴趣区域推荐》一文中研究指出推荐系统是通过分析已知信息和用户偏好,在用户选择物品或服务时,向用户提供帮助和建议的系统。但是目前大部分推荐系统都是基于用户评价或评分信息向用户推荐购物、电影等电子商务服务,基于用户轨迹数据进行用户兴趣区域推荐的研究十分罕见。用户的轨迹数据蕴含了用户的偏好,不同的轨迹反映不同的用户特性。所以提出一种从用户轨迹数据中挖掘最大频繁项集,并将最大频繁项集用于计算用户相似性和偏好的推荐方法。该推荐方法还综合考虑了相似用户访问次数、置信度和用户住宅信息等可能会影响推荐质量的因素。将提出的方法和基于协同过滤的推荐方法、基于关联规则的推荐方法进行比较,结果显示本文提出方法的效果较好。(本文来源于《软件工程》期刊2019年11期）
王蓉,李小青,刘军兰,严晓梅,陈瑜[3]（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）
樊丽辉[4]（2019）在《一种基于两阶段聚类的用户兴趣聚类算法研究》一文中研究指出通过在处理大型数据集合方面具有明显优势的数据挖掘技术,以某论坛里面现有的全部信息作为数据来源进行聚类分析,并对论坛用户的分布、回复帖子的数量及其时间的分布状况进行综合性分析,最终的结论是即使同为注册用户在访问某论坛、发布、回复帖子的时间间隔方面仍然存在着相当大的差异,也就是说以人类正常遗忘曲线为基础建立起来的兴趣更新模型在某论坛上并不适用,所以我们基于以上对网络用户访问论坛的时间间隔分析所得的结果建立一种新的兴趣更新模型,并以此为依据预测用户的兴趣。并对兴趣更新模型以及这种推荐算法是否有效、其运行结果是否可靠进行了验证。(本文来源于《科技通报》期刊2019年09期）
赵佳旭,陈志德,饶绪黎[5]（2019）在《融合用户兴趣的协同过滤算法》一文中研究指出传统的协同过滤算法存在叁个问题:一是推荐初始阶段的冷启动问题;二是评分矩阵的数据稀疏问题;叁是近考虑评分导致的相似度衡量不准确问题。叁个问题导致用户相似性衡量准确性降低,最终导致推荐精准度的下降。本文考虑将网站或应用中挖掘到的用户兴趣,融入到协同过滤的用户相似性计算中。一方面可以解决协同过滤中的数据稀疏和冷启动的问题,另一方面也可以提高预测推荐的精准性。因此,本文提出了融合用户兴趣的协同过滤算法CFUI。CFUI改进了协同过滤算法中用户相似度的评估方法,在其中加入用户间兴趣的相似度。本文进行了融合参数?最优取值的实验,随后通过实验证实了融合用户兴趣的算法CFUI比未融合用户兴趣的两个算法(UserCF和ItemCF)能够取得更小的推荐MAE,即CFUI的推荐效果更精确。(本文来源于《福建电脑》期刊2019年09期）
刘小捷,吕晓强,王晓玲,张伟,赵安[6]（2019）在《基于维基百科类别图的推特用户兴趣挖掘》一文中研究指出以Twitter为代表的社交网络在人们的生活中发挥着重要作用,其庞大的用户群体给社交网络数据挖掘带来了巨大的价值。社交网络用户兴趣建模方法被广泛研究,并被用于提供个性化推荐。文中提出了一种基于维基百科类别图的Twitter用户兴趣挖掘和表示方法。首先,该方法根据用户活跃度的差异,分别采用基于推文内容的方法和基于关注账号信息的方法来实现活跃用户与非活跃用户的兴趣挖掘。然后,在维基百科类别图上使用个性化PageRank算法进一步拓展用户兴趣,生成维基百科类别表示的用户兴趣画像。在推文推荐的应用背景下,对用户兴趣建模策略进行了实验分析和比较。实验结果表明,与现有的Twitter用户兴趣挖掘方法相比,所提方法显着提升了推文推荐效果,能够有效地改进用户兴趣挖掘效果。(本文来源于《计算机科学》期刊2019年09期）
高永兵,许庆瑞[7]（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）
徐海玲,张海涛,张枭慧,魏明珠[8]（2019）在《基于概念格的高校图书馆群体用户兴趣画像研究》一文中研究指出【目的/意义】本文基于概念格构建了高校图书馆群体用户兴趣画像,揭示不同群体用户的行为需求,挖掘潜在的行为规律,为高校图书馆不同群体用户的个性化服务提供参考。【方法/过程】以高校图书馆为服务主体,对服务对象进行细化和分类,利用Con Exp1.3工具构建不同群体用户类别的细分标签,并生成Hasse图,深入挖掘用户的行为属性和需求特征,通过概念格"Calculate Association Rule"对不同群体的用户行为进行关联规则挖掘,实现群体兴趣画像的精准刻画。【结果/结论】借鉴概念格的方法,能够更加清晰和全面的展示层级关系,识别群体用户的需求属性和行为特征,进而探索用户之间的关联,有助于提升高校图书馆的服务质量,提升服务效率。(本文来源于《情报科学》期刊2019年09期）
王仁武,张文慧[9]（2019）在《学术用户画像的行为与兴趣标签构建与应用》一文中研究指出[目的/意义]学术用户画像是对用户访问使用学术资源行为的较全面的刻画。本文尝试构建图书馆学术用户画像的信息行为标签和研究兴趣标签,来准确定位学术用户的信息需求,以便推荐合适的学术资源。[方法/过程]具体方法是全面获取用户的访问日志并进行清洗处理,然后构建从学术用户信息行为出发的用户画像标签体系,进一步研究构建了基于研究兴趣关联的信息资源推荐服务。[结果/结论]本研究有助于提高用户信息获取效率,提高图书馆学术资源推荐服务的质量,并为结合其它资源全面构建图书馆学术用户画像提供一定的借鉴。(本文来源于《现代情报》期刊2019年09期）
龚振华,吴毅涛[10]（2019）在《基于用户距离的兴趣点推荐算法》一文中研究指出传统协同过滤算法在计算用户的相似度时,只考虑了用户的共同兴趣点的签到记录,忽略了许多有价值的信息,导致用户相似度计算不精确。本文利用用户的签到距离来度量用户间的兴趣差异,并结合用户签到记录数量和共同签到记录数量等因素来计算相似度,设计了基于用户距离的兴趣点推荐算法,通过实验证明了本文提出的算法能够有效地提高推荐精度。(本文来源于《测绘与空间地理信息》期刊2019年08期）
用户兴趣论文开题报告
（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：
推荐系统是通过分析已知信息和用户偏好,在用户选择物品或服务时,向用户提供帮助和建议的系统。但是目前大部分推荐系统都是基于用户评价或评分信息向用户推荐购物、电影等电子商务服务,基于用户轨迹数据进行用户兴趣区域推荐的研究十分罕见。用户的轨迹数据蕴含了用户的偏好,不同的轨迹反映不同的用户特性。所以提出一种从用户轨迹数据中挖掘最大频繁项集,并将最大频繁项集用于计算用户相似性和偏好的推荐方法。该推荐方法还综合考虑了相似用户访问次数、置信度和用户住宅信息等可能会影响推荐质量的因素。将提出的方法和基于协同过滤的推荐方法、基于关联规则的推荐方法进行比较,结果显示本文提出方法的效果较好。
（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。
用户兴趣论文参考文献
[1].王刚,郭雪梅.基于用户兴趣序列相似性度量的图书协同过滤推荐方法研究[J].新世纪图书馆.2019
[2].龙玉绒,王丽珍,陈红梅.基于用户轨迹数据的用户兴趣区域推荐[J].软件工程.2019
[3].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
[4].樊丽辉.一种基于两阶段聚类的用户兴趣聚类算法研究[J].科技通报.2019
[5].赵佳旭,陈志德,饶绪黎.融合用户兴趣的协同过滤算法[J].福建电脑.2019
[6].刘小捷,吕晓强,王晓玲,张伟,赵安.基于维基百科类别图的推特用户兴趣挖掘[J].计算机科学.2019
[7].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
[8].徐海玲,张海涛,张枭慧,魏明珠.基于概念格的高校图书馆群体用户兴趣画像研究[J].情报科学.2019
[9].王仁武,张文慧.学术用户画像的行为与兴趣标签构建与应用[J].现代情报.2019
[10].龚振华,吴毅涛.基于用户距离的兴趣点推荐算法[J].测绘与空间地理信息.2019
论文知识图
