导读:本文包含了个性化用户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:用户,模型,兴趣,算法,动力学,社交,信息。
个性化用户模型论文文献综述
禹春霞,李南南[1]（2019）在《面向燃气具的用户个性化推荐模型》一文中研究指出基于协同过滤推荐技术,构建了面向燃气具的用户个性化推荐模型。首先,根据用户注册信息与评分信息获取目标用户的相似用户以及偏好产品集;然后,根据目标用户的购买偏好确定产品的评价指标,并对偏好产品集进行评价。最后,通过算例分析证明了提出模型对燃气具个性化推荐的可行性和推荐结果的有效性。(本文来源于《工业工程》期刊2019年06期）
王蓉,李小青,刘军兰,严晓梅,陈瑜[2]（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）
陈丹,柳益君,罗烨,钱秀芳,吴智勤[3]（2019）在《基于用户画像的图书馆个性化智慧服务模型框架构建》一文中研究指出用户画像为图书馆理解用户、洞察用户,进而实现知识性、场景性、主动性的个性化智慧服务提供了有力工具。提出基于用户画像的图书馆个性化智慧服务模型框架,应用机器学习等智能技术分析和挖掘用户大数据,构建用户画像,以用户画像关联用户和资源,为用户提供个性化智慧服务。着重从知识服务、阅读推广、场景推荐、主动定制等方面提出基于用户画像的图书馆个性化智慧服务策略。(本文来源于《图书馆工作与研究》期刊2019年06期）
高强[4]（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）
王杨[5]（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）
詹丽华[6]（2019）在《面向用户任务的FRBR用户情景分析及个性化模型构建》一文中研究指出【目的/意义】在分析FRBR用户情景的基础上构建FRBR用户个性化模型,旨在促进查找、识别、选择、获取四个用户基本任务的实现。【方法/过程】引入情景的相关理论,分析FRBR用户情景要素的构成及其对用户任务实现的影响,采用实体—关系模型探讨FRBR用户情景的实体及实体间的关系,面向用户任务构建FRBR用户个性化模型。【结果/结论】该模型能助于FRBR系统结合用户的当前任务,根据用户数据的分析结果,为用户提供个性化的书目服务。(本文来源于《情报科学》期刊2019年02期）
武慧娟,孙鸿飞,尹慧子[7]（2018）在《基于用户认知的个性化微阅读自适应推荐模型研究》一文中研究指出【目的/意义】为进一步完善个性化微阅读推荐模型,丰富个性化微阅读推荐的理论体系以及拓展个性化微阅读推荐的研究方法。【方法/过程】首先探讨基于用户认知的个性化微阅读推荐模型的研究框架,然后从"人——用户"到"需求——偏好"再到"系统——推荐"叁个层面入手,提出从微阅读用户画像建模、微阅读用户偏好提取及匹配以及个性化微阅读自适应推荐模型构建叁个方面开展研究,最终形成具有针对性的个性化微阅读自适应推荐模型。【结果/结论】通过借鉴用户认知的基本理论和技术方法,将移动用户微阅读的情境感知、社交网络和情感体验进行融合构建用户画像并且在融合的基础上实现个性化微阅读自适应信息推荐。(本文来源于《情报科学》期刊2018年12期）
薛四猛[8]（2018）在《基于用户购物信息的个性化推荐系统的模型和算法研究》一文中研究指出随着当前互联网技术的不断发展,现在越来越多的商家都通过互联网来发展自己的网络电子商务平台,随着web 2.0以及“互联网+”的到来,互联网已经成为了人们生活中不可或缺的一部分。因此,当我们使用互联网时,海量的数据信息就呈现在我们面前,随着互联网的不断普及,这一问题也会更加凸显,这就会导致消费者很难在海量的数据中找到符合自己兴趣的商品,对于商家来说也会面临着用户丢失的风险。为了解决信息过载与信息爆炸的问题,个性化推荐系统应运而生,个性化推荐系统通过挖掘用户历史信息或者近邻信息从而计算他们之间的相似度,实现为用户推荐的功能。当前,个性化推荐系统需要考虑的问题主要有以下叁点:一是随着用户和项目的增长,如何避免推荐系统的的稀疏性弊端。二是如何高效快速从海量的数据中拆分剥离出那些完整,可靠的用户信息。叁是在推荐过程中如何按照时间信息进行相关的推荐推送。为了更好的为用户和商家提供个性化推荐,论文将针对以上所提出叁个问题进行研究。首先,论文提出基于平衡参数的协同过滤算法。该算法主要针对传统协同过滤的稀疏性问题,传统算法中,用户评分矩阵往往会产生空值,这样在计算用户相似度的过程中就会导致一些不同兴趣的用户拥有相同的相似度,为此,论文提出来平衡参数来解决这个问题,平衡参数针对用户的属性差异进行计算,每个数据集不同,产生的结果就不同,然后将其与传统的余弦相似度计算法相结合,达到平衡用户相似度的效果。从实验结果来看,该方法缓解了传统协同过滤算法所存在的稀疏性问题。其次,论文对所需处理的数据集搭建数据预处理框架并进行数据处理。在论文的实验中,由于实验所使用数据存在冗余,缺失的问题,为此,我们对于该数据集采用Hadoop集群进行数据的筛选,搭建了叁个节点的Hadoop数据处理集群,使用自己所编写的MapReduce程序对数据集中的一些冗余数据进行清理,得到可靠的用户信息。最后,论文提出了基于时间感知标签的推荐算法。该算法主要针对推荐时间不敏感的问题,在用户权重的计算过程中,根据用户所购买的项目时间的不同,采用新型的权重计算法,根据时间选择使用自适用函数来缓解推荐算法时间上的不敏感问题,同时将改进后的协同过滤算法与时间感知的标签模型结合,提出算法的具体步骤。通过实验结果分析,论文算法的精确性,召回率等性能指标上都有了一定提升,并且缓解了推荐时间不敏感的问题。总体而言,论文对个性化推荐系统所存在的叁个问题进行了改进,从实验结果来看,改进后的推荐算法的性能和准确性都有了较高的提升。(本文来源于《南京邮电大学》期刊2018-11-14）
张永棠,罗海波[9]（2018）在《考虑用户-发布者关系的个性化微博搜索模型》一文中研究指出提出了一种考虑用户与发布者建模的个性化微博搜索模型,该模型一方面运用主题模型与语言模型构建微博主题维度的用户兴趣模型,另一方面,融合用户与微博发布者的关系特征,构建用户-发布者关系维度的用户兴趣模型。并将二者进行有效融合,设计了将单个用户的微博作为一个文本的训练方法,解决微博文本短、语料稀疏的问题。基于真实用户搜索反馈的实验表明,融合用户-发布者关系的微博搜索模型可有效提高微博搜索的个性化效果。(本文来源于《电子科技大学学报》期刊2018年04期）
沈婧[10]（2018）在《基于在线系统的用户兴趣模型与个性化推荐》一文中研究指出随着互联网的兴起,人们在互联网中分享与交流着各类信息。人们在日常生活中享受着互联网带来的便捷服务的同时,产生了巨大的行为数据。人们的行为数据往往隐含了用户的偏好、习惯、行为模式等有价值信息。如果能通过用户的行为数据,挖掘其背后的用户行为发生机制和用户偏好,这不仅可以让人们更深刻的认识自身与发现人类的行为特征,而且还能帮助人们更高效且更精确的找到自己想要的信息。本文将基于以下两个方面展开对用户行为的研究:本文的第一部分着眼于人类行为动力学这一交叉学科。基于在线系统中的用户观影行为,本文分别从用户的长时间尺度和短时间尺度出发,统计分析了在线系统中的用户观影行为特征。首先定义了一个方法刻画用户兴趣的演化,以及结合信息熵分析用户的兴趣特征,发现用户在长时间尺度上,往往会存在较大的随机性选择观看各类风格的电影。接着本文定义了回转半径这一特征值刻画用户兴趣的回转,通过对真实在线系统数据集的回转半径的统计分析,发现用户在短时间尺度下存在一定的规律性,大部分用户在观看电影时,常常在一定兴趣范围内停留,具有较小的回转半径;而经过一段较长时间演化后,用户又会聚焦回曾经观看过的较久远的兴趣点,表现出具有较大回转半径。为了较贴切的模拟和刻画了在线系统中的用户观影行为模式与发生机制,本文基于上述的用户行为统计特性,与动物觅食过程相结合,并将在线系统中用户兴趣偏好演化考虑在内,同时结合时间特征设计了一个基于Lévy Flight的用户兴趣偏好模型。本文第二部分将人类行为的研究推广到推荐算法中,由于考虑到用户兴趣之间的差异性,我们提出了一个基于用户行为的个性化推荐算法,该推荐算法打破了以往推荐算法具有相同的参数这一限制,将算法置于个体层次,为每个用户分配个性化参数,同时发现每个用户具有不同的最佳个性化参数。最后,我们还设计了一个简单的方法来估计用户的个性化参数,从而提高推荐算法的精确度与多样性。(本文来源于《深圳大学》期刊2018-06-30）
个性化用户模型论文开题报告
（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：
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。
（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。
个性化用户模型论文参考文献
[1].禹春霞,李南南.面向燃气具的用户个性化推荐模型[J].工业工程.2019
[2].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
[3].陈丹,柳益君,罗烨,钱秀芳,吴智勤.基于用户画像的图书馆个性化智慧服务模型框架构建[J].图书馆工作与研究.2019
[4].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
[5].王杨.基于用户兴趣模型的个性化新闻推荐[D].吉林大学.2019
[6].詹丽华.面向用户任务的FRBR用户情景分析及个性化模型构建[J].情报科学.2019
[7].武慧娟,孙鸿飞,尹慧子.基于用户认知的个性化微阅读自适应推荐模型研究[J].情报科学.2018
[8].薛四猛.基于用户购物信息的个性化推荐系统的模型和算法研究[D].南京邮电大学.2018
[9].张永棠,罗海波.考虑用户-发布者关系的个性化微博搜索模型[J].电子科技大学学报.2018
[10].沈婧.基于在线系统的用户兴趣模型与个性化推荐[D].深圳大学.2018