共查询到15条相似文献，搜索用时 234 毫秒
1.
[目的/意义]为提高知识付费平台用户感知服务质量,文章构建了融合用户画像与协同过滤的个性化推荐模型。[方法/过程]首先根据用户特性构建画像标签体系,利用TF-IDF、熵值法、k-means等方法确定用户特征标签;其次分别基于用户画像与改进后的协同过滤算法计算用户相似度,通过调和权重得到用户综合相似度;最后利用Top-N进行个性化推荐。[结果/讨论]通过知乎live付费用户信息进行验证,发现本文算法在推荐结果的准确率以及召回率上,相比其单一方法均有较大提升,且满意度高于知乎live平台。 相似文献
2.
3.
[目的/意义]旨在深入研究情境信息对用户偏好的影响,提高情境感知推荐的准确性。[方法/过程]提出了基于梯度提升决策树的情境感知推荐模型,根据梯度提升决策树计算情境属性权重,将其与传统协同过滤算法相融合,生成情境感知推荐结果。[结果/结论]该模型可以识别影响用户偏好的重要情景属性,为用户提供个性化推荐服务。 相似文献
4.
5.
[目的/意义]通过融合用户社交与情境信息,构建虚拟知识社区个性化知识推荐模型并开展个性化知识推荐算法的设计,能够在一定程度上完善虚拟知识社区个性化知识推荐方法的理论体系,具有一定的理论价值和应用价值。[方法/过程]首先构建出基于用户社交与情境信息的虚拟知识社区个性化知识推荐模型,然后利用改进的最大团算法设计出虚拟知识社区个性化知识推荐算法,最后通过选取某虚拟知识社区的用户数据进行实例分析实现精准的个性化知识推荐。[结果/结论]在利用融合用户社交与情境信息进行虚拟知识社区个性化知识推荐过程中,通过对某虚拟知识社区的实例分析,表明其个性化知识推荐结果的精准度得到了显著的提升。 相似文献
6.
随着移动互联网的发展,越来越多的用户信息获取过程通过移动终端完成.但当前个性化推荐系统对用户情境的感知能力不足,缺乏为用户提供符合当前情境的个性化信息推荐服务.为此,本文提出了基于贝叶斯方法的情境化用户资源类别偏好学习以及融合该类别偏好的协同过滤个性化信息推荐.运用贝叶斯方法学习用户在不同情境下对各资源类别的偏好,然后将该类别偏好与传统协同过滤推荐算法相结合,生成符合用户当前情境的个性化信息推荐.实验表明本文提出的改进算法可以提高推荐的准确率. 相似文献
7.
[目的/意义]旨在为高校图书馆提高纸质资源采购质量与利用率提供参考。[方法/过程]基于用户画像的理论对不同用户进行多维度的刻画,利用机器学习中监督学习的方法,通过采用协同过滤的推荐算法对用户偏好特征做精细统计分析的定量化计算,并从用户需求的角度建立用户偏好同步变化的自适应优化在线学习的纸本资源推荐系统。[结果/结论]该研究从实证分析角度为用户实现精准的个性化纸本资源推荐服务,为高校图书馆纸质文献检索库实现智能偏好的检索功能,建立纸质文献检索库合理有效的动态更新机制,提升用户体验。 相似文献
8.
【目的/意义】为了提高信息服务的质量,文章融合“用户-标签-资源项”关系模型以及时间因素对于用户
标注资源的影响,提出了一种个性化推荐方法。【方法/过程】首先建立起“用户-标签-资源项”三者之间的关系模
型,分别计算用户对标签的偏好程度以及资源与标签的相关程度,以此为基础进行用户相似性和资源项相似性的
度量;然后,考虑标签使用的时间因素对用户兴趣偏好的影响结合基于用户标注行为的用户相似性以及资源项相
似性度量方法提出了改进的个性化推荐方法。【结果/结论】提出了一种综合标签和时间因素的推荐算法,该方法利
用标签使用频率描述用户偏好,并结合标签使用的时间因素动态更新用户偏好,提高推荐精度。该方法应用于医
学信息服务应用场景之中,并收集实验数据,最后将提出的方法与其他基于标签信息的协同过滤推荐方法在实验
数据集进行比较,实验结果发现该方法在推荐效果上优于对比方法。 相似文献
9.
[目的] 为了满足情报3.0时代用户对科技情报服务个性化与智能化的要求,采用用户画像方法挖掘科技情报用户情报需求与偏好。[方法] 以TAM理论的两个关键因素（感知有用性与易用性）为理论基础,通过挖掘科技情报用户行为日志数据以及问卷调查等方法深入挖掘科技情报用户在不同情境下的科技情报需求偏好以及搜索行为习惯,以专家访谈法为基础,基于VSM理论构建科技情报用户画像模型。[结果] 通过协同过滤算法对不同场景的科技情报用户进行服务推送。[结论] 运用标签云技术（Tagxedo技术）为处于不同场景的科技情报用户定制有针对性的个性化服务方案是情报3.0时代一种有效的智能化服务途径。 相似文献
10.
[目的/意义]将情境感知技术引入图书馆以提高服务的智能化，已成为数字图书馆的发展趋势之一。为了提高情境感知模型中推荐结果的准确度。[方法/过程]本文研究并提出了一种融合了朴素贝叶斯算法与情景感知功能的协同推荐模型，并通过实验对推荐效果进行了评估。具体为：首先，获取用户的当前任务和情景信息，同时提取历史信息库用户的行为偏好；其次基于属性加权贝叶斯算法计算用户的行为相似度，继而进行协同推荐；通过计算目标情景中所有情景属性对所推荐资源的影响的权值，对协同推荐所得评分进行加权处理，形成最终的预测预测；最后通过实验对模型进行检验。[结果/结论]结果表明：使用该模型得出的推荐结果优于传统的协同推荐结果。因此该模型能够更好地为为个性化信息服务提供支持。 相似文献
11.
12.
[目的/意义]用户需求研究对我国信息机构开展东盟信息资源建设与服务具有重要意义。[方法/过程]立足国家“一带一路”倡议,构建东盟信息资源用户需求模型,通过数据采集、信息处理、建立多维度用户需求标签,全面分析用户需求与偏好。[结果/结论]借助东盟信息资源用户需求模型,实现明确机构定位、指导资源建设、服务精准营销、资源协同推荐,对用户需求进行有效管理。 相似文献
13.
14.
《Information processing & management》2020,57(2):102142
With the information explosion of news articles, personalized news recommendation has become important for users to quickly find news that they are interested in. Existing methods on news recommendation mainly include collaborative filtering methods which rely on direct user-item interactions and content based methods which characterize the content of user reading history. Although these methods have achieved good performances, they still suffer from data sparse problem, since most of them fail to extensively exploit high-order structure information (similar users tend to read similar news articles) in news recommendation systems. In this paper, we propose to build a heterogeneous graph to explicitly model the interactions among users, news and latent topics. The incorporated topic information would help indicate a user’s interest and alleviate the sparsity of user-item interactions. Then we take advantage of graph neural networks to learn user and news representations that encode high-order structure information by propagating embeddings over the graph. The learned user embeddings with complete historic user clicks capture the users’ long-term interests. We also consider a user’s short-term interest using the recent reading history with an attention based LSTM model. Experimental results on real-world datasets show that our proposed model significantly outperforms state-of-the-art methods on news recommendation. 相似文献
15.
针对创新社区日益增长的海量信息阻碍了用户对知识进行有效获取和创造的现状,将模糊形式概念分析（FFCA）理论应用于创新社区领先用户的个性化知识推荐研究。首先识别出创新社区领先用户并对其发帖内容进行文本挖掘得到用户——知识模糊形式背景,然后构建带有相似度的模糊概念格对用户偏好进行建模,最后基于模糊概念格和协同过滤的推荐算法为领先用户提供个性化知识推荐有序列表。以手机用户创新社区为例,验证了基于FFCA的领先用户个性化知识推荐方法的可行性,有助于满足用户个性化知识需求,促进用户更好地参与社区知识创新。 相似文献