用户偏好提取算法（论文）

摘要将用户的需求抽象为可表示、可量化、可感知的特征是未来移动业务的重要特点，用户偏好提取算法是探索这 一问题的关键。分析了用户偏好提取算法的数学结构、技术特点、算法类型及研究面临的挑战。针对异构网络环境下移动用 户的业务需求特点，提出将传统用户偏好提取技术与马尔可夫决策过程建模方法相结合，创建用户偏好评估模型。解决动态 判决环境下基于不完整信息的智能判决问题。对研究用户体验的评价问题和业务与业务环境的适配问题提供了新的思路。 关键词偏好提取；马尔可夫决策过程；效用理论；智能学习

论文研究-一种基于信任度的移动用户偏好预测方法 .pdf

一种基于信任度的移动用户偏好预测方法，耿华，孟祥武，随着移动互联网的飞速发展，人们对于移动互联网中的个性化服务提出了更高的要求。为了提供高质量的个性化服务，以及获取更准确的

论文研究-基于用户对项目属性偏好的协同过滤算法.pdf

为了缓解用户项目评分矩阵数据的稀疏性，在传统的协同过滤项目评分矩阵的基础上，对项目的特征进行分析，引入项目特征矩阵，然后结合余弦相似性和基于用户对项目属性偏好相似性综合计算用户的相似性，并通过一个权值来控制两者的重要程度，提出了一种基于用户对项目属性偏好的协同过滤算法。研究结果表明余弦相似性和用户对项目属性偏好的用户相似性比重相等时，推荐系统的推荐质量最好；而且当评分矩阵越稀疏的时候，用户对项目属性偏好的用户相似性的比重越大越可以提高推荐质量；同时提出的基于用户对项目属性偏好的协同过滤算法在[MAE]值都要小于两种传统的协同过滤算法。

基于机器学习算法的社交数据挖掘与用户偏好的建模_崔懿心.pdf

本文提出了用户时事偏好评估模型。首先利用文本挖掘技术 对微博数据进行预处理，再通过九种机器学习算法训练对比得到 一个最优的时事类文本分类模型。研究结果显示，线性支持分类机 为最优分类算法，基于分类结果的偏好评估模型可以结合传统学 生评价指标，得到一个更具创新性的用户评价体系用于高校的学 生评价工作中.

论文研究-基于评论挖掘和用户偏好学习的评分预测协同过滤.pdf

提出了一种新的方法挖掘评论中的文字信息，将评论对象被用户关注的层面发掘出来并评分,根据这些层面的分数以及用户过往的评分数据学习出用户的偏好,最后根据用户的偏好预测其他待评分对象的分数并产生推荐。实验结果表明,提出的方法在预测准确度方面较传统方法有一定程度的提高。

基于上下文用户偏好学习方法

本文讲述了一种基于上下文移动用户偏好自适应学习的方法。

论文研究-基于情境化用户偏好的协同过滤推荐模型.pdf

论文研究-基于情境化用户偏好的协同过滤推荐模型.pdf,  协同过滤推荐是目前个性化推荐系统中使用最为广泛的方法.然而，传统协同过滤推荐一方面仅根据用户对项目的评分来判断用户之间是否存在共同喜好具有一定的片面性，因而降低了近邻搜索的质量；另一方面忽略了不同情境对用户偏好影响的差异性，进而影响了个性化推荐的效果.为此，提出一种基于情境化用户偏好的协同过滤推荐模型.首先，在模型中采用信息熵理论分析不同情境对用户偏好产生影响的重要程度，并结合用户-商品评分和用户对商品属性的偏好来搜索近邻用户；在此基础上，将情境重要度的权重引入到协同过滤推荐的生成过程中进而产生推荐结果.通过MovieLens数据集对该模型和其它两种协同过滤推荐进行比较的结果表明：本模型具有较低的平均误差，进而表明了考虑情境化用户偏好的协同过滤可明显改善个性化推荐的质量.

论文研究-基于用户潜在时效偏好的推荐算法.pdf

针对推荐系统中用户兴趣的潜在性以及高时效性业务场景下用户兴趣的不稳定性和时间迁移性进行研究，提出一种基于用户潜在时效偏好的推荐方法。通过深入分析用户的历史行为与用户潜在兴趣的关系，提出基于概率主题模型的用户兴趣挖掘方法，避免了传统推荐方式对用户兴趣潜在性的忽略；同时，基于高时效业务对时间敏感性的考虑，结合隐马尔可夫模型对用户兴趣进行实时捕获，发现用户的兴趣迁移序列，并以此提出基于用户时效偏好的推荐方法。最后通过相关实验验证了该方法的可行性。

论文研究-在线社会网络用户的信息分享行为预测研究.pdf

在线社会网络中信息的传播路径包含着用户对内容、来源等的偏好信息, 研究运用信息的传播路径来预测用户信息分享行为的方法。基于传播路径的信息过滤能力研究了信息在网络中的传播过程和信息传播路径的转换方法。运用基于关联规则的分类算法对在线社会网络中的信息分享行为进行预测。以新浪微博为例对微博用户的转发行为进行了预测, 结果表明该方法对在线社会网络中的活跃用户的信息分享行为的预测具有较好的效果。

论文研究-基于用户偏好与语言模型的个性化引文推荐 .pdf

基于用户偏好与语言模型的个性化引文推荐，刘亚宁，严睿，根据引文上下文，自动为科研人员推荐备引用的论文列表具有很大的实用价值和研究意义。在科研人员写作时，一个为引用符自动推荐引

基于信任和项目偏好的协调过滤算法

针对传统协同过滤算法不能深度挖掘用户关系，以及无法对新项目进行用户推荐的问题，提出了基于信任和用户偏好的协同过滤( TIPCF) 算法。首先，通过分析用户评分判断用户的可信度并量化用户间的信任程度，挖掘用户潜在的信任关系; 其次，考虑到用户之间对于不同目标项目偏好程度的差异会对用户相似性产生影响，在传统用户相似性算法上添加用户偏好度改进相似性算法; 然后，通过结合用户信任度和改进的相似度，使得最近邻的选取更加准确; 最后，根据用户对项目属性的偏好对新项目进行推荐。Movielens 数据集实验结果表明，与传统的协同过滤算法相比，TIPCF 算法的平均绝对误差减少了 6． 7% ; 在推荐新项目时，TIPCF 算法的平均绝对误差减少了 10． 7% 。TIPCF 算法不仅提高了推荐的准确度，而且增加了新项目的推荐概率。

微博中基于用户偏好的信息传播研究

对用户行为的分析是Web社会网络分析中的重要课题之一,包括对用户个体和群体的行为和偏好进行建模。为预测Web社会网络中的信息传播趋势,以微博为平台,基于对用户历史行为信息的统计分析,抽取出影响用户决策的因素,进而定性地分析各因素之间的关联关系,从而挖掘出用户潜在的偏好。在此基础上,利用CP-nets偏好表达工具建立了用户偏好模型,直观有效地表达各因素之间的偏好关系,同时可根据其导出图输出最优的特性来选取最佳特征项组合,以便用户进行转发决策度量。

论文研究-基于用户评论评分与信任度的协同过滤算法.pdf

针对现有基于评论分析推荐算法中的评论真实度问题和传统协同过滤算法中的数据稀疏问题，通过分析用户评论所包含的主题分布和反馈信息，将改进的用户偏好和信任度引入传统协同过滤算法中，提出了基于用户评论评分与信任度的协同过滤算法。该算法以用户评论为基础，学习物品特征在不同主题上的分布及用户对物品不同特征的偏好程度，生成用户评论主题分布，根据用户评分计算评论差异度来放大主题分布中的突出特征，并利用评论反馈数据生成评论帮助度，进一步矫正用户偏好，以减少虚假评论的影响；引入信任度用于计算更精确的用户相似度，进而对用户进行评分预测和物品推荐。在真实数据集上进行了实验验证，结果表明该算法有效提高了系统的评分预测性能和推荐效果。

论文研究-基于聚类分析策略的用户偏好挖掘.pdf

利用训练文档集准确高效地挖掘隐藏的用户文本偏好和概念向量是文本信息过滤和多文档自动文摘等自然语言处理应用的关键技术之一。针对训练文本集中往往存在多个主题类别的问题，提出一种基于聚类分析策略的文本偏好挖掘方法。其基本思路是对训练文档集进行聚类处理，然后对同主题文档进行共性分析，并经过特征权值调整和特征约简，获得表示用户不同主题偏好的概念向量。实验结果表明该方法具有对用户的文本偏好刻画更加精确，对相关阈值变化不敏感等优点，可以与Rocchio等算法结合来进行用户兴趣建模。

论文研究-基于网络预测与用户偏好的服务推荐 .pdf

基于网络预测与用户偏好的服务推荐，宋望，张雷，随着近年来网络上的Web服务越来越多，服务推荐的难度逐渐增加。本文针对网络中服务随时间的变化以及用户的服务调用历史对提出了一

论文研究-基于消费者时间偏好和决策者风险偏好的定价与订货策略.pdf

针对供应链管理过程中，消费者时间偏好和决策者风险偏好对产品定价与订货决策的重要作用，以累积前景理论为框架，将消费者时间偏好与价格依赖等影响产品市场需求的因素和决策者风险偏好与参考依赖等影响决策的因素共同纳入模型考量范围，建立了基于消费者时间偏好和决策者风险偏好的定价与订货模型。研究表明，随着消费者时间偏好的增大，产品的最优定价和订货量都将减少；随着决策者心理参考点的增大，产品的最优定价降低，最优订货量增加；随着决策者损失规避程度的增大，产品最优定价增加，而最优订货量减少。考虑消费者时间偏好和决策者风险偏好的定价与订货模型能够提高供应链中决策者的最大累积前景效用。

基于用户偏好的文献推荐系统

基于用户偏好的文献推荐系统

论文研究-基于模糊PA算法的微博信息传播分享预测研究.pdf

微博已经成为网民信息获取、分享的主要平台之一。对信息分享进行预测，是对微博信息传播进行监管控制的基础。微博用户和信息属性中包含着用户偏好、生理特征、内容类型等数据，基于这些数据可进行信息分享预测。分析了微博信息传播模式、分享预测理论方法，基于PA算法提出了信息分享预测模型，以新浪微博数据为例验证了预测模型。结果表明，该模型对信息分享具有较高的预测准确率。