混合行为兴趣度在用户兴趣模型中的应用

"这篇论文探讨了基于混合行为兴趣度的用户兴趣模型，旨在改进个性化推荐技术中的用户兴趣评价。文章指出，现有的用户兴趣模型在构建过程中存在兴趣度评估的缺陷，特别是未能充分考虑用户阅读时间的特殊性。为此，论文提出了一种新的方法，强调在用户阅读时间异常时，通过分析其其他浏览行为来量化兴趣度，并结合浏览内容建立用户兴趣模型。通过实验，这种方法的有效性得到了验证，与K-means聚类模型对比，显示了更高的推荐准确度。" 这篇研究论文主要关注的是个性化推荐系统的用户兴趣模型，这是一个关键的技术组成部分。当前的模型通常存在对用户兴趣度量的不足，尤其是没有充分考虑用户在不同活动上的停留时间，这可能会影响兴趣的准确评估。论文中提出的解决方案是采用混合行为兴趣度值，这一方法能够处理用户阅读时间不一致的情况。当用户的阅读时间出现异常（可能是快速浏览或长时间沉浸），模型会依赖用户的其他浏览行为（如点击、滚动、页面停留等）来更全面地理解他们的兴趣。 论文的核心创新点在于结合用户的行为和浏览内容来构建兴趣模型。它引入了一个表示和更新用户兴趣的机制，这个机制动态地适应用户行为的变化。通过这种方式，模型可以更精确地捕获用户的实时兴趣，而不是仅仅依赖于静态的历史数据。实验结果表明，这种基于混合行为兴趣度的方法在推荐准确度上显著优于传统的K-means聚类模型，这证实了其在推荐系统中的实用性。 此外，论文还提到了一些支持这项研究的项目，包括国家自然科学基金和四川省的科技项目，这表明了研究的学术背景和资金支持。作者们分别来自西南科技大学的信息工程学院和特殊环境机器人技术四川省重点实验室，他们在网络信息语义理解、信息共享技术、个性化推荐技术、社交网络和数据挖掘等领域具有专业研究背景。 关键词涵盖的领域包括用户兴趣模型、用户兴趣度、向量空间模型、文本聚类和推荐系统，这些都是该研究领域的核心概念。向量空间模型常用于表示文档和用户的兴趣向量，而文本聚类则有助于将大量文本数据组织成有意义的类别。这些技术的综合应用有助于构建更精确的用户兴趣模型，进而提升推荐系统的性能。 这篇论文提供了一种新的用户兴趣建模方法，通过结合多种行为数据来增强兴趣度的评估，以实现更精准的个性化推荐。这一研究对于理解用户行为、优化推荐算法以及提升用户体验有着重要的理论和实践意义。