导读:本文包含了用户兴趣更新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:模型,兴趣,用户,向量,多维,空间,个性化服务。
用户兴趣更新论文文献综述
袁仁进,陈刚,李锋[1]（2019）在《面向新闻推荐的用户兴趣模型构建与更新》一文中研究指出针对新闻推荐系统中用户兴趣模型构建与用户兴趣漂移问题,提出了一种面向新闻推荐的用户兴趣模型构建与更新方法。首先采用向量空间模型与bisecting K-means聚类算法构建了原始用户兴趣模型;然后以艾宾浩斯遗忘曲线为基础构造了遗忘函数,并以此对用户兴趣模型进行时间加权,从而达到对用户兴趣模型更新的目的。实验以基于用户的协同过滤推荐、基于物品的协同过滤推荐为baseline,实验结果表明所构建的原始用户兴趣模型推荐性能更优,在F值上提升了4%,更新后的模型与原始模型相比F值提高了1. 3%。(本文来源于《计算机应用研究》期刊2019年12期）
宋毅,徐志明[2]（2018）在《个性化搜索用户兴趣更新学习及评价研究》一文中研究指出提出了一种自适应的用户兴趣模型更新学习及评价方法。为了给用户提供更精准的查询结果,将用户兴趣模型加入自适应调整算法后进行验证,研究通过分析用户短期兴趣、长期兴趣规律,成为该系统建立用户的兴趣模型可能。随着时间等的变化,用户兴趣也会发生相应变化。通过自适应学习过程,为了更好地识别用户感兴趣的信息,通过研究规律进行总结分析。对兴趣学习技术进行研究,同时对该算法进行了评价。主要计算了查准率等参数,为此通过评价得出该用户兴趣挖掘精准率较好,对于现代计算机网络购物,以及网络应用过程挖掘用户行为和兴趣提供了良好的方案,也为个性化推荐应用提供了帮助。(本文来源于《计算机技术与发展》期刊2018年06期）
唐晓波,谢力[3]（2016）在《基于主题的用户兴趣模型的构建及动态更新》一文中研究指出随着互联网中信息资源的飞速增长,用户兴趣模型的准确性和时效性成为了个性化服务的关键;采集用户浏览使用过的信息资源,从中挖掘隐性知识,获取用户兴趣并对兴趣模型进行动态的更新,成为目前个性化信息服务一个重要的研究方向。文章利用LDA模型对用户浏览过的信息资源进行主题建模,通过遗忘函数,对用户兴趣模型中的各个主题进行动态的更新。通过豆瓣网上真实的电影语料和用户数据进行实验,构建准确、实时的用户兴趣模型。(本文来源于《情报理论与实践》期刊2016年02期）
任保宁,梁永全,赵建立,廉文娟,李玉军[4]（2014）在《基于多维度权重动态更新的用户兴趣模型》一文中研究指出面向个性化电影推荐领域,提出一种基于多维度权重动态更新的用户兴趣模型。将电影分成演员、导演、类别、地区和时间5个维度,分别计算电影在这些维度上的相似度。采用归一化方法将电影之间的相似度转化为用户兴趣模型中的多维度权重,并应用TF-IDF算法计算各维度中特征词的权重,从而实现电影各维度权重及其特征词权重的动态更新。利用基于内容的推荐算法,在MovieLens数据集进行实验,结果表明,该模型具有较高的推荐准确率和召回率,并且能够发现用户对电影维度的偏好,解决用户兴趣漂移问题。(本文来源于《计算机工程》期刊2014年09期）
夏春燕[5]（2014）在《适用于文本信息推荐的用户兴趣模型构建与更新方法》一文中研究指出随着用户需求的多样化,个性化推荐系统不仅用于电子商务,也用于推荐网页、电影、文本等。为了让人们方便准确地获得需要的文献,研究基于文本信息的推荐技术成为必要。文本信息推荐系统的功能是收集和分析用户历史阅读过的感兴趣文本,据此来认识用户偏好信息并建立用户兴趣模型,然后将与模型匹配度高的文本推荐给用户。在文本信息推荐系统中,用户兴趣建模模块是其中一个核心的模块。模型创建时,通过分词、特征选择直接从文本中获得特征词向量的文本表示方法只考虑了文本在词形上的相同点,而忽略了文本在词义上的相同点。这将会导致推荐时,仅能推荐出词形相同的文本,不能推荐出词形不同但词义相关的文本,从而导致查全率低。此外,当用户使用系统的时间越长,用户累计的历史阅读信息就越多。此时,对用户兴趣模型进行更新时,系统从历史用户阅读文本中提取用户兴趣模型的计算量会变得越来越庞大。在此情况下,系统响应时间变得越来越慢。这不利于用户体验。针对以上问题,本文做了如下工作:1)本文设计了一种文本信息推荐系统框架,给出了系统的整体结构和各个模块的功能。本文参与了系统整体设计,实现了用户兴趣模型模块功能。2)提出了一种基于单词间词义相关性的用户兴趣模型创建方法:通常认为每个单词具有多个词义,单纯依靠单词本身无法确定单词的词义,但在同一篇文本中的多个单词,其词义具有相关性,即同一篇文本的多个单词可能具有相同的上位概念(更一般化的概念)。该模型创建方法的主要思想是利用单词间的词义相关性来判断单词在文本中的正确词义,进而选择该词义下的上位概念来构建用户兴趣模型。本文提出了利用文本单词间的词义相关性来进行词义识别的方法。由于单词的一重词义具有它固有的上位概念,单词间词义的相关性体现在它们的上位概念关系中,因此该词义识别方法通过单词间各个词义的上位概念关系来判断单词的正确词义。最后通过该词义识别方法获得单词正确词义下的上位概念,以上位概念表示单词构建文本的概念向量,在此基础上创建用户兴趣模型。3)对用户兴趣模型的快速更新方法进行了研究:通常模型更新是在前一次模型中增加或者删除信息,在这个过程中保存前一次模型创建时的中间结果,在这个中间结果的基础上再进行更新时,可以减少重复计算工作,达到快速更新的目的。本文对模型快速更新方法的一般思路进行了梳理,实现了叁种常见模型的快速更新方法。在本文设计的文本信息推荐系统结构上,实现了基于单词间词义相关性的模型增量更新方法。最后通过实验证明,本文提出的基于单词间词义相关性的用户兴趣模型创建方法提取出的模型在推荐时具有更高的查全率。本文这种增量更新方法比原始更新方法具有计算量低、更新速度快的优点。(本文来源于《电子科技大学》期刊2014-05-13）
史宝明,贺元香,张永[6]（2014）在《个性化信息检索中用户兴趣建模与更新研究》一文中研究指出个性化信息检索系统的实时性关键在于如何动态更新用户兴趣模型。针对原有方法的不足,改进用户兴趣模型的描述与更新方式。首先根据网页文档的特征改进TF-IDF(Term Frequency-Inverse Document Frequency)算法,以此作为用户兴趣特征词的权重,同时通过引入领域本体,将用户兴趣特征项进行语义扩展,并根据用户浏览行为,改进其用户兴趣主题计算方式,并在此基础上提出用户兴趣模型的更新与遗忘机制。实验对比结果表明,该方法能够捕捉用户兴趣的变化,进一步提高个性化信息检索的准确度与用户满意度。(本文来源于《计算机应用与软件》期刊2014年03期）
范玉全,陈跃新[7]（2013）在《基于本体的用户兴趣模型的更新方法》一文中研究指出本文描述了用户兴趣变化,给出了用户兴趣模型初始化方法。基于领域本体,提出了单向激活扩散的用户兴趣模型的更新方法,最后通过一个实例说明了更新过程。(本文来源于《计算机光盘软件与应用》期刊2013年07期）
韩晓吉,刘凤鸣[8]（2012）在《基于艾宾浩斯遗忘的用户兴趣模型更新机制》一文中研究指出用户兴趣更新是指在用户兴趣模型建立之后,对模型增加新获取的用户兴趣知识或者删除过时不用的用户兴趣知识。本文基于艾宾浩斯遗忘规律,对用户兴趣漂移和更新用户兴趣模型分别提出前验用户兴趣漂移和基于遗忘百分比更新的算法,这两个算法共同组成了用户兴趣模型的更新机制。(本文来源于《网络安全技术与应用》期刊2012年07期）
郝水龙[9]（2012）在《面向个性化服务的用户兴趣模型表示及更新研究》一文中研究指出随着Internet信息的快速增长，信息极其丰富，而知识相对缺乏，如何准确、快速的从信息海洋中寻求所需知识日益制约人们高效使用网络。为了适应不同用户需求，个性化信息服务为具有不同个性特征的用户提供针对性服务内容及策略。作为个性化信息服务的关键技术，用户兴趣建模的质量直接影响个性化信息服务的性能。用户兴趣建模是个性化服务的基础与核心，而用户的兴趣会随着时间发生变化，这种用户兴趣漂移现象会导致系统预测用户兴趣的准确性下降。为此，本文提出一种基于层次向量空间模型的用户兴趣模型表示及更新处理机制，基于特征项形成兴趣主题，基于兴趣主题形成用户兴趣，由此建立层次型用户兴趣模型。快速估计网页兴趣度，基于用户反馈自适应更新兴趣模型。实验结果表明设计的用户模型表示及更新机制能有效提高个性化服务性能，准确率及召回率均有所提高。本文的主要工作如下：(1)阐述了个性化服务的形式，围绕个性化服务的核心技术——用户兴趣建模技术进行理论分析，主要包括用户兴趣建模的信息来源与用户反馈、用户兴趣表示模型、文本计算、兴趣更新及评价方法等。(2)在分析传统用户兴趣表示模型基础上，提出了基于层次VSM构建用户兴趣模型的方法。基于特征项形成兴趣主题，基于兴趣主题形成用户兴趣，由此建立层次型用户兴趣模型。这种层次性表示相比于传统的整体表示，表达能力更好。(3)在分析已有兴趣漂移领域经典算法基础上，设计了用户兴趣模型自适应更新机制，实现用户兴趣的动态更新。最后对用户兴趣模型的建立和更新做了对比实验，基于不同特征选择方法以及模型更新前后，对模型的性能进行比较，并对实验结果作出分析。实验结果表明，对于系统性能提升方面，TFIDF特征选择方法优于TF方法，基于用户反馈信息的兴趣模型自适应更新算法有效提升了用户兴趣模型的表示能力。易于实现用户兴趣模型的建立与更新，用户兴趣模型能较准确描述用户兴趣及其变化，在个性化推荐服务中具有实际应用价值。(本文来源于《合肥工业大学》期刊2012-04-01）
郝水龙,吴共庆,胡学钢[10]（2012）在《基于层次向量空间模型的用户兴趣表示及更新》一文中研究指出用户兴趣建模是个性化服务的基础与核心,而用户的兴趣会随着时间发生变化,这种用户兴趣漂移现象会导致系统预测用户兴趣的准确性下降.提出一种基于层次向量空间模型(VSM)的用户兴趣模型表示及更新处理机制,基于特征项形成兴趣主题,基于兴趣主题形成用户兴趣,由此建立层次型用户兴趣模型.采用基于用户浏览行为来计算用户对网页的兴趣度,快速估计网页兴趣度,以提高个性化系统的实用性,从而更好地满足用户个性化需求.实验结果表明,设计的用户模型表示及更新机制能有效提高个性化服务性能,准确率及召回率均有所提高.(本文来源于《南京大学学报(自然科学版)》期刊2012年02期）
用户兴趣更新论文开题报告
（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：
提出了一种自适应的用户兴趣模型更新学习及评价方法。为了给用户提供更精准的查询结果,将用户兴趣模型加入自适应调整算法后进行验证,研究通过分析用户短期兴趣、长期兴趣规律,成为该系统建立用户的兴趣模型可能。随着时间等的变化,用户兴趣也会发生相应变化。通过自适应学习过程,为了更好地识别用户感兴趣的信息,通过研究规律进行总结分析。对兴趣学习技术进行研究,同时对该算法进行了评价。主要计算了查准率等参数,为此通过评价得出该用户兴趣挖掘精准率较好,对于现代计算机网络购物,以及网络应用过程挖掘用户行为和兴趣提供了良好的方案,也为个性化推荐应用提供了帮助。
（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。
用户兴趣更新论文参考文献
[1].袁仁进,陈刚,李锋.面向新闻推荐的用户兴趣模型构建与更新[J].计算机应用研究.2019
[2].宋毅,徐志明.个性化搜索用户兴趣更新学习及评价研究[J].计算机技术与发展.2018
[3].唐晓波,谢力.基于主题的用户兴趣模型的构建及动态更新[J].情报理论与实践.2016
[4].任保宁,梁永全,赵建立,廉文娟,李玉军.基于多维度权重动态更新的用户兴趣模型[J].计算机工程.2014
[5].夏春燕.适用于文本信息推荐的用户兴趣模型构建与更新方法[D].电子科技大学.2014
[6].史宝明,贺元香,张永.个性化信息检索中用户兴趣建模与更新研究[J].计算机应用与软件.2014
[7].范玉全,陈跃新.基于本体的用户兴趣模型的更新方法[J].计算机光盘软件与应用.2013
[8].韩晓吉,刘凤鸣.基于艾宾浩斯遗忘的用户兴趣模型更新机制[J].网络安全技术与应用.2012
[9].郝水龙.面向个性化服务的用户兴趣模型表示及更新研究[D].合肥工业大学.2012
[10].郝水龙,吴共庆,胡学钢.基于层次向量空间模型的用户兴趣表示及更新[J].南京大学学报(自然科学版).2012
论文知识图
