导读:本文包含了用户兴趣度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,算法,模型,矩阵,情景,互联网。
用户兴趣度论文文献综述
黄贤英,龙姝言,谢晋[1]（2019）在《结合用户兴趣度聚类的协同过滤推荐算法》一文中研究指出针对传统的协同过滤算法忽略了用户兴趣源于关键词以及数据稀疏的问题,提出了结合用户兴趣度聚类的协同过滤推荐算法。利用用户对项目的评分,并从项目属性中提取关键词,提出了一种新的RF-IIF (rating frequency-inverse item frequency)算法,根据目标用户对某关键词的评分频率和该关键词被所有用户的评分频率,得到用户对关键词的偏好,形成用户—关键词偏好矩阵,并在该矩阵基础上进行聚类。然后利用logistic函数得到用户对项目的兴趣度,明确用户爱好,在类簇中寻找目标用户的相似用户,提取邻居爱好的前N个物品对用户进行推荐。实验结果表明,算法准确率始终优于传统算法,对用户爱好判断较为准确,缓解了数据稀疏问题,有效提高了推荐的准确率和效率。(本文来源于《计算机应用研究》期刊2019年09期）
吴熹[2]（2018）在《基于VSM模型的移动互联网用户兴趣度挖掘分析和应用》一文中研究指出通过构建带权的VSM模型,以用户每天的上网内容和行为建立文档向量空间,利用TF-IDF算法进行兴趣度的数据分析处理,将改造后的VSM模型与TF-IDF算法紧密结合,实现用户内容兴趣度和行为兴趣度的统一,构成综合用户上网兴趣爱好的二维VSM模型,实现对用户上网行为和上网内容的深度挖掘。基于挖掘模型开展移动互联网用户兴趣度特征、用户分群研究、业务组合分析等分析应用。(本文来源于《电信技术》期刊2018年02期）
吕健[3]（2017）在《面向移动互联网的用户兴趣度分析及应用》一文中研究指出随着信息技术和移动互联网的飞速发展,移动智能终端日益普及,并将我们带入到信息爆炸时代,人们每天都要接触到无数的垃圾信息。特别是移动互联网的便携性、实时性使得人们能够随时随地获得大量信息。用户迫切希望从海量信息中获取有用信息。这对互联网内容提供商提供服务有着精准性和针对性的新要求。而解决这一问题的关键是必须准确把握用户的需求,根据他们的兴趣进行准确的信息推送和个性化服务。因此分析研究如何获取用户兴趣具有十分重要的意义。本文研究了基于网络浏览行为分析的用户兴趣计算和建模方法,在传统层次向量空间兴趣模型中引入情景因素改善了模型性能,改进了传统的K-means聚类算法和模糊C均值聚类算法并利用改进算法对用户兴趣进行分析,使得用户兴趣的获取和分析准确性有了明显的提升。最后,论文设计了一个基于JFinal开源框架的用户兴趣分析系统。本文主要研究内容为:(1)用户兴趣度量与计算。通过分析用户网络访问过程中的浏览活动,从中发现并计算用户的兴趣,并给出其计算方法。(2)对传统向量空间兴趣模型进行了改进。在传统层次向量空间兴趣模型中引入情景因素,使其具有更好的通用性和适应性。(3)对传统K-means算法和传统模糊C均值算法进行了改进。在传统Kmeans算法的基础上,引入加权欧式距离来基于密度确定初始聚类中心,提高了算法精确性。针对传统模糊C均值算法容易陷入局部最小解的不足,通过引入遗传算法的自然选择和进化理论,显着改善了聚类效果。(4)用户兴趣分析系统。本文基于JFinal开源框架开发了一个用户兴趣分析系统,能够对用户的浏览行为详细分析来找出用户潜在兴趣,并按照用户兴趣实现商品推荐,具有良好的应用意义。(本文来源于《武汉理工大学》期刊2017-05-01）
崔春生[4]（2017）在《基于Vague集理论的推荐系统中用户兴趣度的描述》一文中研究指出用户兴趣度的描述是推荐输入研究中的重点问题,论文通过对用户兴趣描述中存在的复杂性和不确定性因素的分析,提出借助Vague集理论解决这一问题难点的思路.论文定义用户评分,用户注册信息,分享,购买,收藏,浏览时间等六项指标反映用户的兴趣爱好,采用Vague集方法得到了六项指标的取值,利用线性加权的方法得到任一用户对任一属性的Vague兴趣度描述.论文的研究在不确定理论研究推荐算法方面奠定了理论基础,同时也为Vague集理论的研究发现了新的应用背景.(本文来源于《系统工程理论与实践》期刊2017年03期）
孙海真[5]（2017）在《基于情景信息的用户兴趣度建模研究》一文中研究指出随着互联网上信息的迅速增长,人们对个性化服务的需求越来越高。海量的信息虽然给互联网上的用户带来了极大的方便,但是大量无用的信息淹没了用户感兴趣的内容,增加了用户获取有用信息的难度。在信息服务系统中,引入用户兴趣模型可以更好地为用户提供个性化服务,有效缓解信息过载问题,改善用户体验。传统的用户兴趣模型通过分析用户的浏览行为和访问内容,获取内容特征及用户的兴趣偏好,而很少考虑到用户当前所处的情景信息对用户偏好的影响。本文主要从用户的角度考虑,深入研究融入情景信息的用户历史浏览行为日志。通过提取用户所处的情景信息,并对情景信息进行分类,最终建立两种基于情景信息的用户兴趣模型。第一种基于情景的层次性向量空间模型(Hierarchical Vector Space Model based on Context,HVSM)是针对传统的向量空间模型的改进。该方法首先根据情景相似度划分用户的近似情景集,对“情景—用户—兴趣项”叁维模型采用情景预过滤的方式降维处理;接着采用粗分类的方法,归纳用户浏览的网页得到用户兴趣类别;然后深入挖掘每种兴趣类别的页面内容,获取用户感兴趣的关键词及权重;最终建立基于情景的层次性向量空间模型。实验结果表明,基于情景的层次性向量空间模型将用户兴趣的预测误差控制在9%以内,并对传统的向量空间模型进行了优化。第二种基于情景的用户兴趣主题模型(User Topic Model based on Context,UTM)是针对主题模型的改进。在主题模型中引入情景这一变量,对用户情景和文本信息采用各自独立的隐变量进行表征,模型经过训练后,得到用户在不同情景下的主题特征向量及关键词序列。实验结果表明,引入情景信息后,可以得到对用户兴趣更精确的描述,同时降低了模型的困惑度。(本文来源于《东华大学》期刊2017-01-08）
高秋云[6]（2016）在《基于用户兴趣度和地理位置的活动推荐》一文中研究指出随着社交网站热潮席卷全球,各种SNS网站也如雨后春笋般迅速崛起,人们不再满足于线上活动和互动,开始转向线下活动。Meetup网站一直以服务社区出名,通过一些小组,专门组织一些有着共同兴趣爱好的人们参与线下活动。为了让用户更好地享受这些网站带来的乐趣,群组活动推荐算法成为研究热点。传统的推荐算法大都是根据用户的兴趣爱好、标签之类作为推荐依据,忽略了多样化的社会关系、位置信息。本文结合传统的推荐算法,从用户的个人偏好、多样化的社会关系、位置的异构性、活动内容进行分析,提出了基于用户兴趣度和地理位置的活动推荐模型。该模型从线上标签和线下活动考虑多样化的社会关系,采用聚类算法将群组根据位置信息划分区域,再结合隐语义模型做出群组的推荐;之后再根据活动内容利用逻辑回归模型进行活动推荐,提高推荐算法的准确性及可信度。该模型由对用户进行活动的推荐扩展到先对用户进行群组推荐,再结合用户的行为特征,对推荐群组里组织的活动进行推荐,缩小了活动推荐的范围,提高效率。对于模型的评估,本文通过AUC曲线下面积值、F值来衡量。将基于用户兴趣度和地理位置的活动推荐模型与基于协同过滤的活动推荐模型和社会化正则化推荐模型进行实验对比,来验证该模型的优越性,并将结果应用于用户的个性化推荐中。经过实验对比,可知基于用户兴趣度和地理位置的活动推荐算法模型比其他两个算法性能好、匹配度高,有着明显的优势。(本文来源于《南京邮电大学》期刊2016-11-18）
高兴,杨秀梅,孙咏,李岩[7]（2016）在《基于时间段的动态用户兴趣度矩阵的新闻推荐研究》一文中研究指出针对新闻推荐系统对于推荐时效性的要求,提出基于时间段的动态用户兴趣度矩阵的推荐方法.充分考虑用户兴趣在一天中变化这一因素,根据用户不同时间段的点击记录建立用户兴趣度矩阵,实现新闻主题与用户兴趣度矩阵匹配并达到迅速推荐的目的.实验结果表明,本文提出的方法能够明显提高新闻推荐的速度和用户满意度.(本文来源于《小型微型计算机系统》期刊2016年05期）
张怡文,王冉,程家兴[8]（2015）在《基于用户兴趣度的改进二部图随机游走推荐方法》一文中研究指出传统的二部图随机游走算法主要采用基于共同项目的相似度计算,并且项目之间、用户之间的影响程度是对称的,这种对称信息不能体现用户兴趣,推荐精度不高。为了提高推荐准确性,提出一种基于用户兴趣度的二部图随机游走方法。采用共同项目和用户打分项目数量的共同性质体现用户兴趣度,分析信息的不对称性,并在二部图中随机游走。实验表明,基于用户兴趣度的二部图随机游走算法提高了预测准确率和命中率。(本文来源于《计算机应用与软件》期刊2015年06期）
黄倩,谢颖华[9]（2015）在《一种基于网页浏览行为的用户兴趣度计算方法》一文中研究指出用户兴趣度的计算是个性化服务的核心,而用户浏览网页时的行为能反映用户的兴趣。文中着重分析保存页面、收藏页面以及网页浏览速度这叁种网页浏览行为,且在此基础上结合用户兴趣衰减因子,提出一种新的基于网页浏览行为的用户兴趣的计算方法,并利用K-means算法将浏览的网页内容聚类成不同主题,最后基于这叁种网页浏览行为和用户兴趣衰减因子计算用户主题兴趣度。实验结果表明,提出的用户兴趣度计算方法是有效的。(本文来源于《信息技术》期刊2015年05期）
杜聪,王锁柱[10]（2014）在《基于情景和用户兴趣度的移动Web预取方法》一文中研究指出通过研究移动用户的访问行为特点,给出了情景和用户兴趣度的定义,提出了一种基于情景结合用户兴趣度的移动Web预取算法。依据Web日志数据计算移动用户在不同情景下的兴趣度,建立移动用户的情景相似度矩阵和兴趣度矩阵,通过这两个矩阵预取移动用户最感兴趣的N个页面同时计算预取的准确率。采用实例介绍了该算法的具体过程,验证了其有效性。(本文来源于《计算机工程与设计》期刊2014年07期）
用户兴趣度论文开题报告
（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：
通过构建带权的VSM模型,以用户每天的上网内容和行为建立文档向量空间,利用TF-IDF算法进行兴趣度的数据分析处理,将改造后的VSM模型与TF-IDF算法紧密结合,实现用户内容兴趣度和行为兴趣度的统一,构成综合用户上网兴趣爱好的二维VSM模型,实现对用户上网行为和上网内容的深度挖掘。基于挖掘模型开展移动互联网用户兴趣度特征、用户分群研究、业务组合分析等分析应用。
（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。
用户兴趣度论文参考文献
[1].黄贤英,龙姝言,谢晋.结合用户兴趣度聚类的协同过滤推荐算法[J].计算机应用研究.2019
[2].吴熹.基于VSM模型的移动互联网用户兴趣度挖掘分析和应用[J].电信技术.2018
[3].吕健.面向移动互联网的用户兴趣度分析及应用[D].武汉理工大学.2017
[4].崔春生.基于Vague集理论的推荐系统中用户兴趣度的描述[J].系统工程理论与实践.2017
[5].孙海真.基于情景信息的用户兴趣度建模研究[D].东华大学.2017
[6].高秋云.基于用户兴趣度和地理位置的活动推荐[D].南京邮电大学.2016
[7].高兴,杨秀梅,孙咏,李岩.基于时间段的动态用户兴趣度矩阵的新闻推荐研究[J].小型微型计算机系统.2016
[8].张怡文,王冉,程家兴.基于用户兴趣度的改进二部图随机游走推荐方法[J].计算机应用与软件.2015
[9].黄倩,谢颖华.一种基于网页浏览行为的用户兴趣度计算方法[J].信息技术.2015
[10].杜聪,王锁柱.基于情景和用户兴趣度的移动Web预取方法[J].计算机工程与设计.2014
论文知识图
