改进的查询-概念二分图用户兴趣建模算法

"这篇论文是2015年由吉林大学学报(信息科学版)发表的，属于工程技术领域，主要探讨了如何构建更合理的用户兴趣模型。研究者宋天勇等人提出了一种基于查询-概念二分图的建模算法，以解决原有模型在概念抓取和查询词权重设计上的不足，从而更准确地反映用户的查询意图。他们使用tf × idf公式来提取概念，并结合用户对查询词的浏览时间来确定查询词的权重。实验证明，这种改进的方法能更好地构建用户兴趣模型。关键词包括查询-概念二分图、浏览时间和用户兴趣模型。" 本文是关于信息检索与个性化推荐领域的一篇学术论文，主要研究了如何构建一个更有效的用户兴趣模型。传统的查询-概念二分图模型在处理用户兴趣时可能存在缺陷，尤其是在概念获取和查询词重要性评估方面。宋天勇等人的工作针对这些不足提出了创新性的解决方案。 首先，他们采用了tf × idf（词频-逆文档频率）公式来抓取和识别用户查询中的关键概念。tf × idf是一种常用的文本分析方法，它考虑了一个词在文档中的出现频率（tf）以及在整个文档集合中出现的频率（idf），以此来判断一个词的重要性和独特性。在用户兴趣模型中，这种方法有助于筛选出真正代表用户兴趣的概念。 其次，论文引入了用户对查询词的浏览时间作为权重计算的依据。通常，用户在某个查询词上花费的时间越长，表明他们对该主题的兴趣可能越浓厚。通过将浏览时间纳入权重计算，模型能够更精确地捕捉到用户的实际需求和偏好。 实验结果显示，采用这种新的用户兴趣建模算法，能够构建出更加合理和准确的模型，更好地反映出用户的查询意图。这在信息推荐系统、搜索引擎优化等领域具有重要意义，因为能够提供更个性化、更符合用户期望的搜索结果，从而提升用户体验。 这篇论文为用户兴趣建模提供了一个改进的框架，强调了结合概念理解和用户行为数据的重要性。这对于未来的研究和开发更智能的信息检索系统具有重要的理论和实践价值。