自适应用户模型在RSS网络信息服务中的研究

论文摘要

互联网技术的迅猛发展带来了信息过载的问题,人们不得不花大量的时间和精力去搜索、浏览需要的信息。如何快速地从过载的信息中获取感兴趣的信息,已成为一个亟待解决的问题。个性化服务概念的提出和应用,为解决这一问题找到了途径,它为每个用户提供不同的服务,以满足他们不同的需求。用户的建模与模型更新技术,已经成为个性化服务的核心,也是当前的研究热点问题之一。而RSS信息服务在许多领域得到广泛应用,它改变了信息获取方式,并且能够为人们快捷地提供最新的信息服务。本文将重点研究自适应的用户建模技术在当前RSS信息服务中的应用,提高RSS信息服务质量。本文提出的用户模型以向量空间模型为基础,由用户兴趣与兴趣权值的二元组构成,用户兴趣采用混合的用户兴趣模型,即长期兴趣和短期兴趣模型。人们的兴趣是以不确定的方式变化着,为了准确、及时地追踪用户模型的兴趣变化,本文运用基于Rocchio反馈方法的用户模型更新方式。提出Rocchio单次反馈和多次反馈相结合的方法,追踪用户兴趣的概念漂移,实现系统的在线学习和离线学习。在线学习提高系统的可塑性,而离线学习保证系统的稳定性,在稳定-可塑性问题上找个平衡点。最后,通过设计和实现一个基于自适应用户模型的信息服务平台――RSS新闻内容过滤系统（RSS News Filtering）,尝试着为人们提供个性化的RSS信息服务。同时,使用面向主题的搜索引擎作为新的信息源,平台利用Google的自定义搜索引擎为用户获得更多的相关信息。实验数据表明,采用本文所提出的用户建模和更新的方法是可行的。

论文目录

• 摘要
• ABSTRACT
• 第一章 绪论
• 1.1 课题的研究背景
• 1.2 国内外研究现状
• 1.2.1 用户模型
• 1.2.2 RSS 信息服务
• 1.3 本文的研究内容
• 1.4 本文结构安排
• 第二章 用户模型介绍
• 2.1 建立用户模型
• 2.1.1 基于向量空间模型的表示
• 2.1.2 基于神经网络的表示
• 2.1.3 基于用户-项目评价矩阵的表示
• 2.1.4 基于粗细兴趣粒度的表示
• 2.1.5 基于本体论的表示
• 2.1.6 基于语义网络的表示
• 2.2 学习用户模型
• 2.2.1 信息论方法
• 2.2.2 概率论方法
• 2.2.3 基于实例的方法
• 2.2.4 基于神经网络的方法
• 2.2.5 其它方法
• 2.3 更新用户模型
• 2.3.1 神经网络技术
• 2.3.2 信息增补技术
• 2.3.3 进化技术
• 2.4 本章小结
• 第三章 ROCCHIO 反馈构建自适应用户模型
• 3.1 用户反馈技术
• 3.2 ROCCHIO 反馈
• 3.3 自适应用户模型建立
• 3.4 自适应用户模型的学习和更新
• 3.4.1 概念漂移
• 3.4.2 自适应用户模型学习和更新
• 3.5 本章小结
• 第四章 RSS 信息平台的设计与实现
• 4.1 内容过滤及相关技术
• 4.1.1 相似度计算
• 4.1.2 文本预处理
• 4.2 RSS 与GOOGLE CSE
• 4.2.1 RSS 介绍
• 4.2.2 Google CSE 介绍
• 4.3 平台设计
• 4.3.1 平台结构
• 4.3.2 数据库设计
• 4.4 平台实现
• 4.5 本章小结
• 第五章 系统实验和结果分析
• 5.1 实验
• 5.1.1 实验环境
• 5.1.2 实验数据来源
• 5.1.3 实验方法
• 5.2 结果分析
• 5.2.1 实验准备与步骤
• 5.2.2 实验结果与分析
• 5.3 本章小结
• 第六章 总结与展望
• 6.1 总结
• 6.2 展望
• 参考文献
• 致谢
• 在学期间的研究成果及发表的学术论文