用戶建模概述--個性化系統(tǒng)應(yīng)用(編輯修改稿)
2025-02-14 19:05 本頁面
【文章內(nèi)容簡介】 更新：即每次瀏覽后就對用戶模型進行更新 ? 長期興趣類更新：即用戶使用一段時間后進行更新一次 ? 興趣類的調(diào)整：經(jīng)過長時間的用戶瀏覽以后，每次都用即時更新，用戶興趣類就有可能不能準確描述用戶興趣，這時就需要對用戶興趣類進行重新調(diào)整。 19 合肥工業(yè)大學人工智能與數(shù)據(jù)挖掘?qū)嶒炇? 用戶模型的評價方法 ? 對用戶模型性能的評價目前還沒有一個統(tǒng)一而合理的標準，下面是兩種代表性的標準： ? 查準率 (preeision)=過濾結(jié)果中符合用戶興趣的信息條數(shù) /過濾結(jié)果得到的信息條數(shù) ? 查全率 (reeall)=過濾結(jié)果中符合用戶興趣的信息條數(shù) /信息源中符合用戶興趣的全部信息條數(shù) 徐小琳，網(wǎng)喜戎，程時端 .信息過濾技術(shù)和個性化信息服務(wù) [J1]，計算機工程與應(yīng)用 2022， 40(9):182一 184 20 合肥工業(yè)大學人工智能與數(shù)據(jù)挖掘?qū)嶒炇? 個性化系統(tǒng)中用戶模型的應(yīng)用框架 21 合肥工業(yè)大學人工智能與數(shù)據(jù)挖掘?qū)嶒炇? 實例：基于 Web文檔內(nèi)容的用戶興趣建模介紹 ?建模主要思路 : ? 針對用戶所瀏覽的 Web頁面，分析這些頁面與用戶興趣的相關(guān)度 : ? 若是已有興趣則對其權(quán)重進行加權(quán)，否則根據(jù)其權(quán)重與閥值的大小關(guān)系決定是否進入用戶興趣詞條集 ? 何曉林 .基于用戶興趣學習的個性化信息服務(wù)模型研究 .北京交通大學碩士 .2022. 22 合肥工業(yè)大學人工智能與數(shù)據(jù)挖掘?qū)嶒炇? 用戶興趣模型構(gòu)建流程圖 23 合肥工業(yè)大學人工智能與數(shù)據(jù)挖掘?qū)嶒炇? 常用中文分詞方法 ? 通常使用的方法主要有機械分詞和知識分詞。 ? 機械分詞方法的思路是先查字典進行匹配 ,然后再適當?shù)乩貌糠衷~法規(guī)則進行歧義校正。 ? 知識分詞不僅通過詞典匹配，而且還要利用詞法、句法甚至語義等方面的知識進行匹配。 24 合肥工業(yè)大學人工智能與數(shù)據(jù)挖掘?qū)嶒炇? 正向最大匹配算法（ MM） ?基本思想為 :設(shè) D為專業(yè)詞典， Max表示 D中的最大詞 ,String為待切分字串，其長度為 nLen。 ? Step1:從待切分字串 string中取字長為 Max的字串 Str令nLen=Max。 ? Step2:將 Str與 D中的詞進行匹配 。 ? Step3:若匹配成功，則認為該字串 Str為詞，指向待切分字串的指針向后移 Max單位的漢字，返回 Step1。 ? step4:若匹配不成功 :如果 nLen1則令 nLen=nLen1，再從待切分字串中取字長為 nLen的字串 str，返回到step2。否則，得到長度為 1的單字詞，指向待切分字串的指針向后移動 1個漢字，返回到 step1。 25 合肥工業(yè)大學人工智能與數(shù)據(jù)挖掘?qū)嶒炇? 特征項相關(guān)概念 ? 特征項：指文檔中含有且能夠代表該文檔性質(zhì)的基本語言單位 ? Web文檔 的特征提取原則 : ? 一是應(yīng)當選擇包含語義信息較多，對文檔的表示能力較強的語言單位作為特征項 。 ? 二是文檔在這些特征項上的分布應(yīng)當有比較明顯統(tǒng)計規(guī)律性 。 ? 三是比較容易實現(xiàn)，時間和空間的開銷都不是很大 ? 特征項的選擇： ? 字特征項 ? 詞匯特征項 ? 概念特征項 ? 李凡，魯明羽，陸玉昌 .關(guān)于文本特征抽取新方法的研究 .清華大學學報
教學課件相關(guān)推薦
鄂ICP備17016276號-1