基于用户兴趣模型的元搜索引擎算法研究
基于概念模型的个性化搜索引擎研究
ａ ｌ ｇ ｏ ｒ ｉ ｔ ｍ ，ａ ｈ Ｄ ｅ ｗ ｑ ｕ ｅ ｙ ｒ ｃ ｌ ｕ ｓ ｔ ｅ ｉ ｒ ｎ ｇ ａ ｌ ｇ ｏ ｉ ｒ ｔ ｍ ｈ ｂ ａ ｓ ｄ ｅ ｏ ｎ ｏｎ ｃ ｃ ｅ ｐ ｔ ｉ ｓ ｐ ｏｐ ｒ ｏ ｓ ｅ ｄ ．Ｉ ｎ ｔ ｈ ｉ ｓ ｃ ｌ ｕ ｓ ｔ ｅ ｉ ｒ ｎ ｇ ａ ｌ ｇ ｏ ｉ ｒ ｔ ｍ ，ｑ ｈ ｕ ｅ ｒ ｙ － ｏｎ ｃ ｃ ｅ ｐ ｔ ｂ ｉ ｐ ａ ｒ ｔ ｉ ｔ ｅ ｇ ｒ ａ ｐ ｈ
ｃ ｌ ｕ ｓ ｔ ｅ ｒ ｉ ｎ ｇ ａ ｌ ｇ ｏ ｒ ｉ ｔ ｈ ｍ． Ｅｘ ｅｒ ｐ ｉ ｍｅ ｎ ｔ ｓ ｈ ｏ ｗｓ ｔ ｈ ｅ ｐ ｒ ｅ ｃ ｉ ｓ ｉ ｏ ｎ ａ ｎ ｄ ｒ ｅ ｃ ａ ｌ ｌ ｏ ｆ ｐ ｅ ｒ ｓ ｏ ｎ ａ ｌ ｉ ｚ ｅ ｄ ｓ ａｒ ｅ ｃ ｈ ．
Ｔ Ｐ ３ ９ １ Ｄ Ｏ Ｉ ： １ ０ ． ３ ９ ６ ９ ／ ｊ ． ｉ ｓ ｓ ｎ １ ６ ７ ２ — ９ ７ ２ ２ ． ２ ０ １ ４ ． ０ ３ ． ０ ２ ９
中图分类号
Ｐｅ ｒ ｓ ｏ ｎａ ｌ ｉ ｚ ｅ ｄ Ｓ ｅ ａ ｒ ｃ ｈ Ｅｎｇ ｉ ｎ ｅ Ｂａ ｓ ｅ ｄ ｏ ｎ Ｃｏ ｎ ｃ ｅ ｐ ｔ ｕ ａｌ Ｍｏ ｄｅ ｌ
ＲＡＮ Ｌｉ ｎ ｇ ｓ ｈ ｕ ａ ｉ Ｍ Ａ Ｅｎ ｑ ｉ ｏ ｎ ｇ
（ Ｄｅ ｐ ａ ｒ ｔ ｍｅ ｎ ｔ ｏ ｆ Ｃ ｏ ｍｐ ｕ ｔ ｅ ｒ Ｓ ｃ ｉ ｅ ｎ ｃ ｅ ａ ｎ ｄ Ｔｅ ｃ ｈ ｎ ｏ ｌ ｏ ｇ ｙ ， Ｎａ ｎ ） ｉ ｎ ｇ Ｕｎ ｉ ｖ ｅ ｒ ｓ ｉ ｔ ｙ ｏ ｆ ｃｉ Ｓ ｅ ｎ ｃ ｅ ａ ｎ ｄ Ｔｅ ｃ ｈ ｎ ｏ ｌ ｏ ｇ ｙ ， Ｎａ ｎ ） ｉ ｎ ｇ ２ １ ０ ０ ９ ４ ）
个性化搜索引擎中用户兴趣模型研究
软 件 导 刊
ＳＯ ｔ ｒ ｆ ｗａ ｅ Ｇｕｉ ｅ ｄ
ｖ０１１ ． ｌＮ Ｏ ８
Ａｕｇ ２ ２ ． ０１
个 性 化 搜 索 引擎 中 用 户 兴 趣 模 型 研 究
林 国 ， 李伟 超
（ 州航 空工业 管理 学院 计算 中心 ， 南 郑 州 ４ ０ １ ） 郑 １ 河 ５ ０ ５
新 动 作 做 出反 应 。
当前 ， 用 的信 息 检 索 系 统 对用 户本 身 的个 性 需 求 没 通 有 给予 较 大 的关 注 ， 们 大 多 通 过 改 进 当 前 的 检 索 模 型 、 它
优化信息处 理过 程等 方 面的工 作来 提 高检索 的准确性 。 这 类 搜 索 引擎 系统 中 没 有 考 虑 到 用 户 的 检 索 行 为 、 史 ， 历 用 户也 不 能方 便 地 发 现 其 最 新 兴 趣 偏 好 点 。用 户 兴 趣 模 型是 用 来 描 述 用 户 潜 在 兴 趣 需 求 的 模 型 ， 主要 功 能 是 捕 其 获用户查询需求及其 兴趣偏好 ， 同时 记 录 、 理 用 户 兴 趣 管 偏 好 。在 信 息 查 询 系统 中引 进 用 户 兴 趣 模 型 ， 助 于 为 用 有 户 提 供 个 性 化 的信 息 查 询 服 务 ， 以实 现 自适 应 信 息 搜 索 。
不 同 知识 结 构 的用 户 对 文 档 相 关 性 的 判 断 和对 检 索
结 果 的 要求 是 各 不 相 同 的 ， 使 同 一 个 用 户 ， 不 同 的 时 即 在
期 其 兴 趣 的侧 重也 是 不 同 的 。用 户 兴 趣 模 型 是 为 用 户 提
供 个性 化 服务 信 息 检 索 或 信 息 过 滤 系统 的核 心 组 成 部 分 ， 它 能 够 获 取 每个 用 户 不 同 的信 息 需 求 ， 踪用 户 的兴 趣 与 跟 行 为 ， 此 对 每个 用 户 需 要 分 别 建 立 用 户 描 述 文 件 ， 即 因 也 个 性 化 服 务 文 件 ， 文 件 用 来 保 存 用 户 的 兴趣 偏 好 。 该 目前 ， 掘 用 户兴 趣 主 要 有 两 种 方 式 ： 式 获 取 和 隐 发 显 式 获 取 。显 式 获 取是 指用 户 主动 提 供 自己 的兴 趣 偏 好 ， 进
《2024年基于用户兴趣建模的推荐方法及应用研究》范文
《基于用户兴趣建模的推荐方法及应用研究》篇一一、引言随着互联网的飞速发展，信息过载问题日益严重。
在如此庞大的信息海洋中，如何有效地为用户提供符合其兴趣的推荐内容，成为了许多互联网公司和服务提供商关注的焦点。
基于用户兴趣建模的推荐方法应运而生，其通过分析用户的兴趣偏好，构建用户兴趣模型，从而为用户提供个性化的推荐服务。
本文将深入探讨基于用户兴趣建模的推荐方法及其应用研究。
二、用户兴趣建模的基本原理用户兴趣建模是推荐系统的基础。
其基本原理是通过收集、分析和处理用户的各种行为数据，如浏览记录、搜索记录、购买记录等，从而构建出反映用户兴趣偏好的模型。
这些数据可以反映用户的喜好、需求和习惯，为后续的推荐提供依据。
三、基于用户兴趣建模的推荐方法1. 协同过滤推荐方法协同过滤是一种基于用户行为的推荐方法。
它通过分析用户的历史行为数据，找出与当前用户兴趣相似的其他用户，然后根据这些相似用户的喜好来推荐内容给当前用户。
协同过滤可以分为基于用户的协同过滤和基于项目的协同过滤两种。
2. 内容推荐方法内容推荐方法主要是通过分析项目的特征和内容，找出与用户兴趣相关的项目进行推荐。
它需要构建一个包含项目特征和内容的模型，然后通过比较项目与用户兴趣模型的相似度来推荐内容。
内容推荐方法的优点是可以发现新的、潜在的用户兴趣点。
3. 混合推荐方法混合推荐方法是将协同过滤和内容推荐方法结合起来，综合利用两者的优点进行推荐。
混合推荐方法可以提高推荐的准确性和满意度，同时也可以避免单一方法的局限性。
四、应用研究基于用户兴趣建模的推荐方法在各个领域都有广泛的应用。
例如，在电商领域，可以通过分析用户的购买记录、浏览记录等数据，构建用户兴趣模型，从而为用户推荐符合其需求的商品。
在视频网站、音乐平台等领域，可以根据用户的观看记录、搜索记录等数据，为用户推荐感兴趣的视频、音乐等内容。
此外，在社交网络、新闻推送等领域也有广泛的应用。
五、结论与展望基于用户兴趣建模的推荐方法已经成为互联网领域的重要研究方向。
基于群用户兴趣模型的搜索结果排序研究
摘
要： 为提高搜索 引擎 的查准率 ， 出了一种基 于群 用户兴趣模 型的加权全局相 关度查询排 序算法 。算法 提
综合考虑 了用户搜索意图与搜索结果的全局相关度 ， 改进 了搜 索引擎 的排 序结果 ， 为用户提供 了准确 的搜索 服务 。实验结果表明 ， 与用户意 图相关 的搜索结果能够排在最前面 ， 搜索准确率 明显提高 。
始搜索向量的相似度 ； 。 为搜 索结果文 档中特
征词 的权重 ； 为对应用户搜索兴趣 向量 中相
序算法的思路是搜索结果与用户搜索意图的全局 相关度 ， 利用结果文档向量与搜索意图向量 间的 相似性来表示相关度 ， 与用户兴趣相关 的结果 将
同特征词 的权值。 （） ３ 计算用户扩展搜索 向量 ｑ ＝｛。ｇ， ｑ， …， ｇ｝ 与 ＝｛ ｄ ， ，，的相似度。 ｄ ，：… ｄ ｝
３ 加权全局相关度查询排序算法的实现
假设用户初 始搜 索 向量为 ｑ＝｛。ｑ， ｑ，： …， ｑ ｝经过搜索意 图分析 ， ， 并经扩展后得到搜索扩 展向量 ｑ ＝｛。ｑ ， ， ｝依据搜索扩展向量 ｑ ，：… ｑ ，
者是关注度最高的兴趣点 ， 加入这部分兴趣特征
能够扩展用户兴趣点 ， 并且实时性较好 ， 信息的采 集采用文本聚类 的方法。对以上信息进行处理 ，
要提高用户使用搜索引擎查找所需信息 的准 确性 ， 建立对用户兴趣偏好进行描述的用户模型 ，
利用兴趣模型获取用户的准确搜索兴趣需求 ， 是 种行之有效 的方法 。图２ ｊ 所示为基于群体特
一
性的用户兴趣模型功能结构图。
网络扩展 搜索
０ＤＰ
知识 库
用户 临时 兴趣模 型
１ 搜索引擎体 系结构
基于用户兴趣的推荐算法研究与实现
基于用户兴趣的推荐算法研究与实现随着互联网的发展和普及，人们对于信息的获取和处理需求越来越强烈，尤其是在面对海量信息的时候。
因此，如何利用用户兴趣为基础，对信息进行精准推荐，成为了一个备受研究者关注的问题。
本文将从什么是用户兴趣、用户兴趣如何获取、用户兴趣与推荐算法、推荐算法的实现等几个方面来深入探讨基于用户兴趣的推荐算法。
一、用户兴趣是什么？用户兴趣是指用户在各个领域、方面、时间、空间等因素影响下，对于某些特定事物或信息的认同、追求、关注等心理状态。
根据用户兴趣的不同，可划分为个人兴趣、社交兴趣、时事兴趣等。
而对于不同平台、应用来说，用户兴趣也会存在一定的差异，这就需要推荐算法能够精准地获取用户的兴趣。
二、如何获取用户兴趣？用户兴趣的获取有许多方式，很多原始数据都可以被转化成用户兴趣。
主要包括以下几种：1. 历史行为数据：包括用户的搜索历史、点击历史、转化历史等信息，这些信息可以反映出用户的兴趣爱好、性格特点等。
2. 人工标记数据：是在对信息进行处理或整理时，由人工为信息打上标签或分类，例如豆瓣电影的分类标签、新浪微博的话题标签等。
3. 基于用户画像的数据：是根据用户的基本信息（如年龄、性别、地域、职业等）推断出用户的兴趣和偏好，例如人群画像分析模型。
三、用户兴趣与推荐算法用户兴趣是推荐系统的基础。
根据用户兴趣的多样性、时效性和复杂性，现有的推荐算法可以分为以下三类：1. 基于内容的推荐算法：主要是通过分析用户过去的行为、喜好和静态属性来推断出用户潜在的喜好，利用信息的元数据进行推荐。
2. 协同过滤算法：主要是利用多个用户相对行为模式的相似性，来推荐与用户兴趣相近的物品。
3. 深度学习算法：主要通过对用户和物品的深度学习处理，进行推理和推荐。
四、推荐算法的实现推荐算法的实现需要综合考虑很多因素，例如数据量、数据质量、算法性能等。
具体地讲，需要用到以下技术：1. 数据预处理：对数据进行清理、去重、过滤、转换等操作，去除噪声、异常值、缺失值等。
基于改进用户浏览行为个性化搜索引擎系统研究
基于改进用户浏览行为个性化搜索引擎系统研究摘要：提出了一种改进用户浏览行为的用户兴趣模型，该模型综合考虑了用户对页面的浏览行为、用户的长期兴趣和短期兴趣。
将这种改进的用户兴趣模型应用于个性化搜索引擎系统中，详述了系统的基本框架、系统基本功能模块，开发了一个演示系统IUBPSES。
模拟实验显示：利用该改进用户兴趣模型的搜索引擎系统进行关键词搜索，其搜索效果优于当前主流搜索引擎系统。
最后，指出了需要改进和进一步研究方向。
关键词：用户浏览行为；个性化服务；搜索引擎；用户兴趣模型；IUBPSES系统0引言用户兴趣模型是存储用户的兴趣偏好、存储和管理用户的行为历史、存储学习用户行为的知识和进行相关推导知识的功能集合<sup>[1]</sup>。
近年来学者对个性化搜索引擎系统中的用户兴趣模型进行了广泛深入的研究，林国<sup>[2]</sup>分析了现有用户兴趣模型的不足，指出了用户兴趣模型的基本结构，提出了个性化搜索引擎中用户兴趣模型的工作过程。
刘东飞<sup>[3]</sup>提出了一种基于群用户兴趣模型的加权全局相关度查询排序算法，改进了搜索引擎的排序结果，为用户提供了较准确的搜索服务。
王微微<sup>[4]</sup>提出了一种基于用户行为的兴趣度模型，分析了用户的行为模式，结合用户的浏览内容发现用户兴趣。
刘文杏<sup>[5]</sup>根据用户的兴趣和喜好提出了一种挖掘用户兴趣的路径浏览模型和算法，使Web 服务器能更快地反馈信息，能够为用户提供更好的信息服务。
郝水龙<sup>[6]</sup>提出一种基于层次向量空间模型（VSM）的用户兴趣模型表示及更新处理机制，采用基于用户浏览行为来计算用户对网页的兴趣度，快速估计网页兴趣度。
郭力军<sup>[7]</sup>改进了基于RSS数据源的用户兴趣模型，模拟实验表明该改进的用户兴趣模型个性化程度较高，对用户兴趣更新及时、准确。
个性化元搜索引擎模型的研究与设计
Ｒｅ ｅ ｒ ｈ ａ ｄ Ｄｅ ｉ ｎ ｏ ｒ ｏ ａ ｉ ｅ ｅ ａ ｓ ａ ｃ ｇ ｎｅ Ｍ ｏ ｌ ｓ ａ ｃ ｎ ｓ ｇ ｆＰｅ ｓ ｎ ｌｚ ｄ Ｍ ｔ － ｅ ｒ ｈ Ｅｎ ｉ ｄｅ
Ｌ ｎｊ ｎ ，Ｄ Ｎ ｕｈ ｉ Ｕ Ａ － ａｇ Ｏ Ｇ Ｘ —ｕ ｉ
ｍｅａ ｓ ａ ｃ ｎ ｉ ｅＯｌ ｈ ｎ ｏｍａｉｎ ｃ ｌ ｃｉｎ ａ ｄ ｐ ｏ ｅ ｓｎ ｒ ｃ ｓ ．Ｔ ｅｐ ｒｏ ａｉｅ ｔ— ｅ ｒｈ ｅ ｇｎ ａ ｅ ｔｉ ｐ ｌ ｔ—ｅ ｒ ｈ ｅ ｇｎ ｉ ｔ ｅ ｉｆ ｒ ｔ ｏｌ ｔ ｎ ｒ ｃ ｓ ｉ ｇ ｐ ｏ ｅ ｓ ｈ ｅｓ ｎ ｌ ｄ ｍｅａ ｓ ａｃ ｎ ｉ ｅ ｈ ｓ ａｃ ｒ ｎ ａ ｐ ｉ ｏ ｅ ｏ ｚ ａ —
（ ｅａｔ ｅｔ ｆ ｏ ｕｅ Ｓ ｉ ｃ ｎ ｆｒ ａｉ ， ｕｚｏ ｎｖｒ ｔ， ｕｙｎ ５０ ５ Ｃ ｉａ Ｄ ｐｒ ｎ ｏ Ｃ ｍｐｔ ｃ ｎｅａｄｈ ｏｍ ｔ ｎ Ｇ ｉ ｕＵ ｉ ｓｙ Ｇ ｉ ｇ ０ ２ ， ｈｎ ） ｍ ｒ ｅ ｏ ｈ ｅｉ ａ ５
Ａｂｓｒ ｃ ： ｉｈ ｐ ｏ ｌ Ｓｃ ｎｉ ｕａｌ ｎ ｒ ａ ｉ ｇ ｄ ｍａ ｄ ｆｓ ａ ｃ ｆ ｃｅ ｃ ｎ ｍｐ ｏ ｉｇ ｑｕ ｌｔ ｆｒｑｕ ｒｍ ｅ ｔ ｔ ａ ｔ Ｗ ｔ ｅ ｐｅ’ ｏ ｔｎ ｌｙ ｉｃ ｅ ｓｎ ｅ ｎ ｓｏ ｅ ｒ ｈ ｅ ｉｎ ｙ ａ ｄ ｉ ｒ ｖｎ ａｉｙｏ ｅ ｉｅ ｎｓ，ｔ ｅ ｔａ ｉｉ — ｉ ｈ ｒ ｄ ｔ ｏｎ ａ ｅ ｒ ｈ ｅ ｇ ｎ ｓ ｈ ｖ ｅｅ ｕ ａ ｌ Ｏ ｉ ｅ ｏ ｅ’ ｅ ． Ｔｏ ｓ ｈ， ｔｉ ｐ ｏ ｌ ， ｔ ｓ ｐａ ｅ ｎｒ ｄｕ ｅ ｔ —ｅ ｒ ｈ ｅ ｇ ｎ ｌｓ ａ ｃ ｎ ｉ ｅ ａ ｅ ｂ ｎ ｎ ｂ ｅ ｔ ｎｅ ｔｐｅ ｐｌ Ｓ ｎｅ ｄｓ ｏ ｅ ｈｓ ｒ ｂｅｍ ｈｉ ｐ ｒｉ ｔｏ ｃ ｓ ｍｅ ａ ｓ ａ ｃ ｎ ｉ ｅ ｔｃ ｎｏｏ ａ ｅ ｓ ａｉａｉｎ ｔｃ ｎｏｏ ｙ，ａ ｄ ｔ ｏ ｂｎ ｉｎ ｏ ｈ ｗｏ ｆｃ ｓ ｓｏｎ ｔｅ ｐ ｒｏ ａｌ ｅ ｎ ｔ ｓ ａｃ ｎ ｉ ｅ ｍｏ ｌ ｅ ｈ ｌ￣ ｎｄ ｐ ｒｏｎ ｌｚ ｔｏ ｅ ｈ ｌ ｇ ｎ ｈｅｃ ｍ ｉａｔ ｆｔｅ ｔ ｏ ｕ ｅ ｈ ｅ ｓ ｎ ｉ ｄ ｌｅａ—ｅ ｒ ｈ ｅ ｇ ｎ ｄｅ ， ｏ ｚ ｉｃ ｕ ｉ ｅ ｓ ｎ ｌｚ ｄ ｍｅａ ｓ ａ ｃ ｎｇｎ ｖ ｒ ｌ ｓ ｓｅ ａ ｃ ｉｅ ｔ ｒ ｕ ｅ ｎ ｅｅ ｔｍｏ ｌａ ｄ ｔ ａ ｉ ｔｕ ｔ ｒ ｏ ｅ ｓ ｎ ｌｔ ｎ ｌ ｄｎｇ ｐ ｒｏ ａ ｉｅ ｔ— ｅ ｒ ｈ ｅ ｉｅ ｏ ｅ ａｌ ｙ ｔ ｍ ｒ ｈ ｔｃ ｕ ｅ， ｓ ｒ ｉｔ ｒｓ ｄｅ ｎ ｈｅ ｂ ｓｃ ｓｒ ｃ ｕ ｅ ｆｐ ｒｏ ａ ｉ ｙ
用户搜索行为模型与个性化推荐研究
用户搜索行为模型与个性化推荐研究随着互联网技术的迅猛发展和各种信息的爆炸式增长，用户在互联网上进行检索和浏览的行为日益频繁。
为了满足用户的信息需求，搜索引擎系统不断完善和优化，而个性化推荐系统正是其中的重要组成部分。
本文将从用户搜索行为模型和个性化推荐两个方面进行研究，探讨如何利用用户的搜索行为模型来实现更好的个性化推荐。
一、用户搜索行为模型1.搜索行为模型的概念用户搜索行为模型是对用户在搜索引擎平台上的行为进行建模和预测的方法。
通过分析用户的搜索关键词、点击行为、查询意图等信息，可以揭示用户的信息需求和行为习惯，为个性化推荐提供依据。
2.搜索行为模型的分类根据用户行为数据的不同特点，搜索行为模型可以分为统计模型和机器学习模型。
统计模型基于对用户历史行为数据的统计分析，通过计算概率模型来预测用户的搜索行为。
机器学习模型则通过对用户行为数据的学习和建模，利用各种算法实现对用户行为的分类和预测。
3.搜索行为模型在个性化推荐中的应用用户搜索行为模型可以为个性化推荐系统提供重要的参考和依据。
通过对用户的搜索行为进行分析，可以推测用户的兴趣偏好并建立用户兴趣模型，从而实现更准确的个性化推荐。
例如，当用户在搜索引擎中输入某个关键词时，搜索引擎可以根据用户的历史搜索行为和点击行为，推测出用户的真实需求，并向用户推荐相关的内容。
二、个性化推荐1.个性化推荐的概念个性化推荐是根据用户的兴趣、历史行为等信息，为用户提供符合其需求和偏好的个性化推荐内容。
通过挖掘用户的潜在兴趣和喜好，个性化推荐系统可以更好地满足用户的信息需求，提高用户的搜索体验。
2.个性化推荐的算法个性化推荐系统的算法包括基于内容的推荐、协同过滤推荐和混合推荐等。
基于内容的推荐主要通过分析推荐对象本身的特征和内容，将相似的推荐对象推荐给用户；协同过滤推荐则是通过分析用户的行为模式和用户之间的相似性来进行推荐；混合推荐则是将多种推荐算法相结合，综合考虑多方面的因素进行推荐。
个性化搜索中的用户兴趣模型研究
１２ 系统 结构 ．
收稿 日期 ：０ ｌ ｏ — ５ 修 回 日期 ：０ １ ｏ — ７ ２ １—４ ２ ； ２ １ 一 ７ ２
基 金项目 ： 国家 自 然科 学基 金项 目（ ０ ３０ ４ ６ ７ ３ ７ ） ６ ７ ６４ ， ７０ ０ ０
作者 简介 ： 宋
毅 （９１ ）女 ， １８ 一 ， 吉林德惠人 ， 硕士研究 生 ， 主要研 究
Ａｂ ｔａ ： ｅｇ ａ ｆｔｅｒｓａｃ ｍ ｉ ｇ ｉｇ ｕ ｅ ｎｔｒｓ ｎ ｅ ｌｚｎ ｅｓ ｎ ！Ｔ ｅｒｈ． ｅｍｅ ｄ ｆ ｅｅ ｒｈｉ ｉ ｄｎ ｃ ｕ － ｓｒ ￣ Ｔｈ ｏ ｌｏ ｌ ｅｅ ｒｈ ｌ ｓ￣ ｇｎ ｓｒｉ ｅｅ ｔ ｄ ｒａｉｉｇｐ ｒ ａｉ ａ ｏ ｄ ｏ ｓａｃ Ｔｈ ￣ｏ ｏ ｓａｃ ｓｆ ｉｇｕｓｒｑ ｅ ｒ ｎ
程度大 ， 将兴趣度大 的类别推荐给用户 。
３ 模 型 改 进
通过上 面兴趣挖掘 中 ， 发现存在用户查询是兼类 ， 查 询扩展 目的是解决查 询属 于兼类 的用户兴趣类别偏 好 。查询扩展方法 采用基 于词典和 Ｒ ｃｈｏ ｏｃｉ 相关 反馈 相结 合的方 法进行 扩展查 询。 （ ） 于搜狗词典进行查询扩展 。 １基
类语料 中训练语料 ３ ００篇 ， ０ ０篇测试 。 １０ １ ０ ４
１２ ３ 查询和类别特征矩 阵 Ｍｏ ．． ｃ
图２ 兴趣趋势折线 图 将类别按兴趣度排 序 ， 值越 高的表 明用户偏 爱 权
表示用户搜索历史查询和类别特征矩 阵 ＾ 。 （） １ 特征矩阵降维 。 向量 空间 （ Ｓ 很 庞 大 了 ， Ｖ Ｍ） 计算 速度 很 慢 ， 用奇
关键 词 ： 搜索 引擎 ； 矩阵 ； 类别 ； 掘 挖
元搜索引擎的个性化调度算法
元搜索引擎的个性化调度算法
毛佳;康慕宁
【期刊名称】《微处理机》
【年(卷),期】2008(29)6
【摘要】元搜索引擎的调度算法是研究如何从庞杂的独立搜索引擎中选择出与查询字串相关度最高、与用户的查询需求最贴近的合适数量的独立搜索引擎.现在,在原有的元搜索引擎调度算法基础上,提出了一种个性化调度算法.该算法根据用户兴趣类对所有独立搜索引擎进行文档分类,然后根据用户查询串所属的兴趣分类,计算出查询串与该分类下文档的相关度这一调度算法的主要影响因素,再结合成员搜索引擎的平均响应时间性能评价,返回结果数量,以及以用户反馈为基础的用户兴趣度经验,计算出独立搜索引擎的排序,从而实现个性化的调度.
【总页数】3页(P125-127)
【作者】毛佳;康慕宁
【作者单位】西北工业大学计算机学院,西安,710072;西北工业大学计算机学院,西安,710072
【正文语种】中文
【中图分类】TP301.6
【相关文献】
1.个性化移动元搜索引擎研究与设计 [J], 何震苇;邹若晨;钟伟彬;严丽云
2.面向海洋信息的个性化元搜索引擎 [J], 吴远红;张建科
3.基于主题树的个性化元搜索引擎 [J], 张宗仁;杨天奇
4.个性化元搜索引擎模型的研究与设计 [J], 陆安江;董旭晖
5.基于Agent的个性化元搜索引擎 [J], 石建国;薛玉倩;石彦芳
因版权原因，仅展示原文概要，查看原文内容请购买。
基于本体的用户兴趣模型在搜索引擎中的应用
而， 笔者将对基于本体 的用户兴趣模型构建及此模型在搜索
引 擎 中 的应 用 进 行探 讨 。
１ 用 户 兴趣 模 型
１１ 用 户兴趣 模 型 定 义 ．
杂， 而且加上词 序或语境问题 ， 因而 用某 一关键词无法表示
用 户 的 需 求 。 为 克 服 上 述 限制 ， 些研 究人 员 对 向 空 『模 一 口 Ｊ
数 据 结 构 的形 式 化 的 用 户描 述 ｌ １ Ｉ 。
１ ． 用 户兴趣 模 型 的分 类 ２
假 设 ， 文 本 中 的关 键词 ； 如 网络 输 出状 态 表 示 神 经 网络 从 输
用户兴趣模 型从具体实现和应用角度有不同分类 ， 国内 外学者对此作 了阐述和研究 ， 归纳起来用户模 型可以作 如下 划分： ①按 照建棋的对象 和组成 ， 可以分为群组用户模 型和
ｂｓｄ 的用户建模方法 ， ａｅ ） 基于 向量空间的模型表示等。 现在着
重 介 绍 以下 几 种 常 用 的技 术 ：
１ ． 基 于 向量 空 间 的模 型 表示 －１ ３ 此 方 法 将 用户 模 型 表 示 成 一 个 ｎ维特 征 向 ， 的每 向
一
维 由一 个 关 键 词 及其 权 重 组成 。国内 外很 多 系统 采 用此 向
指 数速 度 增 Ｋ ， 们 很 难 从 海 量 的 信 息 中 方 便迅 速 找 到 并 获 人 得 所需 信 息 ， 而 出现 “ 息 过 载 ” “ 息迷 航 ” 同 时 目前 凼 信 和 信 。 常 用 的一 些 搜 索 引 擎 并 不 能 够 学 习 用 户 的兴 趣 ， 握 用 户 个 掌 性 化信 息意 图 。 另一 方 而 ， 由于 本 体 具 有 良好 的 概 念 层 次 结 构 和罗 辑 推 理 功 能 ， 几 年它 在 各 个 领 域 得 到 充 分 应 用 。因 近
基于本体的元搜索引擎技术研究
０ 引言
当今 ， 在如此浩瀚 的网络资源中如何有效地获取所需信 息成为人们关心 的话题 。像 ｂ ｄ ，ｇ ｏ ｌ ｍ ｕ ｏ ｇｅ这些搜索工具的 出现与发展 为用户查询信 息带来 了极大方便 ， 然而任何单个 搜 索 引擎 都 只 能涵 盖 Ｗ ＷＷ 上 很 少 一 部 分 资 源 。元 搜 索 引 擎 的出现在一定程序上解 决了这些 问题 ， 它融合多个搜索引 擎 的检索结果 ，扩大 了检 索范围…。
—— 一： —型 墅
本体处理 子模块 ｌ用户个性化模块 ｌ
模 型进行用 户输 入查询内容的优化。算法主要步骤如下 ： １ ）接 受 用 户 输 入 ， 将 关 键 词 保 存 在 集 合 Ｋ ｋ， ，ｎ 为用 户输 入的第 ｉ ＝｛ｌ ２ ｋ） ｋ 个关键词 ，ｎ为关键 词
如图 １ ：
个性化 兴趣本体库
图 ２ 基 于本 体 的个性 化用 户模 型 ：
１ ． 语义本体匹配 （ ．２ ２ 关联 ）
针 对 基 于 语 义 关 联 的 查 询 优 化 问题 本 文 则 采 用 文 献 ｌ ４ 】 提 出 的方 法 ，并 对 其 进 行 改 进 ：结 合 基 于 本 体 的个 性 化 用 户
体 处 理 等 技 术 ，来 对 用 户 的兴 趣 和 查询 习惯 进 行 挖 掘 分 析 ，
个 性化 兴趣 本体库 中存储用 户 的个 人基本信 息及 兴趣 爱 好 。当 用 户 登 陆 并 输 入 查 询 关 键 词 时 ，查询 预 处 理器 将 根
据 用 户 基 本 信 息 来 匹 配用 户 兴 趣 本 体 库 ， 择 或 替 换 成 更接 选
维普资讯
Ｍｉｒｃ ｍｐ ｔｒ ｐ ｌ ａｉｎ ｏ． ４ Ｎ ． ， ０ ８ ｃｏ ｏ ｕ ｅ Ａ ｐｉ ｔ ｓ １２ ， ｏ ９ ２ ０ ｃ ｏ Ｖ
关于个性化搜索引擎中用户兴趣模型的研究
２ 建 立用 户兴趣 模型
２ ． １ 用 户 兴 趣 模 型 建 立 方 法
新 网页， 运用相同的方 法 ， 直至用户关闭搜索 引擎 ， 整个 过程
就可以认 为是一个有效 的搜索行为．
从２ ０世纪 ７ ０年代末 ， Ａ ｌ ｌ ｅ ｎ 、 Ｃ ｏ ｈ ｅ ｎ等人就已经开始了用
户兴趣建 模的研究 ， 而现阶段为用户兴趣建 模的技术 主要 有 三种 ： 用户手工定制 、 示例用户建模 和 自动 用户建模 ．
２ ． ４ ． １ 主题 词和感兴趣 网页文档 的表示方法
根据已经得 到的用户感兴趣 的网页 ， 对 文档内容应 用分
利用分词技术 ， 提取 出关键词 Ｊ ， 即从 Ｗｅ ｂ文档 中提 取一些
能代表该文档 内容 的特 征项． 利用改 进 的 Ｔ Ｆ—Ｉ Ｄ Ｆ公式 ， 得
词技术提取特征词 ， 选择 能反 映文本意 思 的词 或短语 ， 作 为
２ ． ２ 用 户 兴 趣 模 型 的表 示 方 法
其 中规定查看 网页 的停 留时间超过 ５ ｓ ， 点 击滚 动条 的次 数 超过 ２次 ， 保存 书签 ， 点击超链接 ， 只要有 以上的一个行 为
就认为是对网页感兴趣 ； 然后对符合要求 的有 效网页保存并 进行分 析 ， 找到相关特征词 ， 得到用户 的兴趣点． ２ ． ４ 特征词权重的计算
特征词． 然后对得到 的特征词 进行 聚类 ， 得到用 户感兴 趣 的 主题类别 ， 这样就初步 得到 了用户 的兴趣模 型． 又 因为 人的 兴趣 的不确 定性 ， 在一段时期内感 兴趣的 内容可能 在另一 阶 段就不再感兴趣 ， 根据时间的变化对用户 的兴趣 主题进行更 新， 所 以我们加入更新时间 因子 ， 来表示兴趣 的改变． 采用三元组结构 表示用户兴趣模型 ， ： ，＝ （ Ｓ ， Ｋ， ， Ｔ ） ． Ｋ就是特征词 ， 是各 特征词的权重 ， 是更新时间因子 ，
个性化搜索引擎中用户兴趣提取技术的研究
个 性 化 搜索 引擎 【 用 户 趣 提取 技 术帕 砜 穷 ｌ 】
菏泽 学院计 算机 与信 息工程 系 张瑞 藜
［ 摘 要］ 对传 统搜索 引擎系统 缺乏个性化的 问题 ， 文利 用 Ａａ 技 术通过 跟踪用户行 为提 出了一种 新的个性化信息提取技 术并 针 本 ｊ ｘ 给 出了相应的算法。模 拟实验表 明该 算法能够有效地提取 出用户的兴趣信息。 ［ 关键 词］ ａ 用户兴趣 个性化搜 索引擎 ｘ
（） 用 ＪｖＳｒ ｔ 定 一切 。 ５使 ａａ ｅｉ 绑 ｐ
擎 击 ｌ 雏 目 耳为 昏 户 为 点 母 分 析 击 行
取。
的操作 。服务器处理完用户 的请求之后 ， 回处理结果并改变 Ｈ Ｔ 就 返 ＴＰ 绪状 态 ， 一旦 Ｈ ｒ 的就 绪状态发生改变 ， ｊ 引擎 就会调用相 应的 回 １Ｐ ｒ Ａａ ｘ 调函数来接 收这些 处理结果并将 它们更新到 页面的指定部分 ， 浏览器 无需刷新整个 页面就能更新页面的部分内容。 ２主要思想 ． ２１ 户兴趣信息 的提取 ．用 搜索引擎通 常以ｗｅ ｂ应用的方式提供 服务 ， 页面 的用 户接 口主要 包括关键词提交表单和结果显示 区两部分。用户行为分为搜索特定 关 键词和查看 搜索结果两类 。系统搜集 的 目标 数据也 即用 以描述这两 类行 为的数 据包括 ： 用户 Ｉ 动作 时间 、 Ｄ、 动作类型（ 询／ 查 点击） 和特征 数 据 ， 中特征数据是指用户输入 的关键词与点击结果 的标题 、 其 链接 。它 们集 中体现 了用户 的个性化兴趣背景 ， 是实现个性化功能 的关键Ｉ 。用 户 Ｉ 以通过传统的注册登 录的方式 获取 ， Ｄ可 关键词通过表单传送 给服 务器 ， 但用户点击行 为的相关数据是无 法直接被服务 器获取 的。本文 利 用 Ａａ 的异步通信能力有效 地解 决 了这个 问题 ， ｊ ｘ 实现时 只需要 在页 面内嵌入具有行 为跟踪 功能的 Ｘａ 引擎 ， ｊｘ 在服务 器端设置一个专 门用 于处理保 存用户行 为数据 的 日志 脚本 。数 据搜集 的过程 是一个 单 向 Ａａ 交互过程 ， ｊ ｘ 用户点击某条搜索结果 时会 触发点击事件处理函数 ， 该 函数将与此事件有关 的数据（ 包括 ： 用户动作类型 、 点击 时间 、 点击结果 标题 、 Ｒ Ｕ Ｌ地址） 打包发送至服务器端特定的 目标脚本 。再通过服务器 端 的脚本 日志 ， 利用分词等 技术 就可 以把 与用 户个性化信 息相关 的关 键词提取出来。其具体结构如 图２ 所示 。 Ｗ 介 ．ｊ ｘ
基于搜索历史的用户兴趣模型的研究
索以及用户兴趣很难更新的问题。提出了基于搜索历史的用户兴趣的表达方法和自动隐式学习算法。全面地描述了用户
兴趣 模型 的建立 及通 过 自动 隐式 学 习算法 不断 更新 、 模型 的处理 过 程 ， 给 出 了对 模 型的评 价标 准。 优化 并
关键词： 用户兴趣 ； 个性化； 搜索历史
中 图分类 号 ： Ｐ９ ． Ｔ ３ １３ 文献标 识码 ： Ａ 文章编 号 ：６３ ２Ｘ（０ ６０ — ０８ ３ １７ —６９ ２０ ）５ ０ １ —０
增强网站的吸引力； 缺点是用户需要自己罗列其感兴趣的
索技术满足了人们一定 的需要， 由于其通用的性质 ， 但 仍 不能满足不同背景、 不同目的和不同时期的查询请求。个 性化服务技术就是针对这个问题而提出的， 它为不同用户 提供不同的服务， 以满足不 同的需求 。目前 Ｉｔ ｅ 个性 ｎｍｔ ｅ
Ｋｅ ｏ ｄ ： ｓｒｐ ｆｌ；ｅ ｓｎ ｌａｉｎ；ｅ ｃ ｉｔｒｅ ｙ ｗ ｒ ｓ ｕ ｅ ｒ ｉ ｐ ｒｏ ａｉ ｔ ｏ ｅ ｚ ｏ ｓａｒｈ ｈｓｏ ｉｓ
Ｏ 引 言
ｗｅ 已成 为 人 们 获 取 信 息 的 一 个 重 要 途 径 ， 于 ｂ 由
明它的搜索结果可以满足不同用户 的需求。
Ｕｓ ｒ Ｐ ｏ ｉ ｏ ｅ ｓ ｄ ｏ ｅ ｅ ｒ ｈ Ｈｉｔｒｅ ｅ ｒ ｆｌ Ｍ ｄ ｌＢａ ｅ ｎ Ｕｓ ｒ Ｓ ａ ｃ ｓｏ ｉｓ ｅ
ｘｕ ， Ｋｅ ＣＵＩＺ ｉ ｉｇ ｈ— ｎ ｕ ｒ
（ｎｔｕｅｏ ｔｌ ｅ ｔ ｎｏｍａｉ ｒｃｓ ｎ ｄＡ ｐｉ ｔ ｎ ＆ｘ ｈ ｗ Ｕｎｖｒ ｔ， ｕｈｕ２ ５ ０ ， ｈｎ） Ｉｓｔｔ ｆ ｎｅｉ ｎ ｆｒ ｔ ｎＰｏｅｓ ｇａ ｐ ｌａｉ ， ￣ ｏ ｉ ｓ ｙ Ｓ ｚｏ １ ０ ６ Ｃ ｉａ ｉ Ｉ ｌ ｇ Ｉ ｏ ｉ ｎ ｃｏ ｃ ｅｉ
个性化检索系统中用户兴趣模型的研究
个性化检索服务 已成为提高信息检索查准率 的有效途径 。论文针对用户兴趣模型的构建 ， 在传统 Ｔ Ｆ Ｉ Ｄ Ｆ算法的基础上 ， 提 出
（ ２ ． Ｉ ｎ ｓ ｔ ｉ ｔ ｕｔ ｅ ｏ ｆ Ｉ ｎ ｄ ｕ ｓ ｔ ｒ ｙ Ｉ ｎ ｔ ｅ ｌ ｌ ｉ ｇ ｅ ｎ ｃ ｅ ，Ｆｕ ｚ ｈ ｏｕ Ｕｎｉ ｖ ｅ ｒ ｓ ｉ ｔ ｙ，Ｆｕ ｚ ｈｏ ｕ ３ ５ ０ １ ０８ ）
Ａｂｓ ｔ ｒ ａ ｃ ｔ Ｐｅ ｒ ｓ ｏ ｎａ ｌ ｉ ｚ ｅ ｄ ｒ ｅ ｔ ｒ ｉ ｅ ｖ ａ ｌ ｓ ｅ ｒ ｖ ｉ ｃ ｅ ｈ ａ ｓ ｂ ｅ ｅ ｎ ａ ｎ ｅ ｆ ｆ ｅ ｃ ｔ ｉ ｖ ｅ ｍｅ ｔ ｈ ｏ ｄ ｔ Ｏ ｉ ｍｐ ｒ ｏ ｖ ｅ ｔ ｈ ｅ ｒ ｅ ｔ ｒ ｉ ｅ ｖ ａ ｌ ’ Ｓ ａ ｃ ｃ ｕ ｒ ａ ｃ ｙ ． Ｔｈ ｉ ｓ ｐ ａ ｐｅ ｒ ｆ ｏ ｃ ｕ ｓ ｏ ｎ ｔ ｈｅ ｃ ｏ ｎ —
ｓ ｔ ｒ ｕｃ ｔ ｉ ｏ ｎ ｏ ｆ ｕ ｓ ｅ ｒ ｉ ｎ ｔ ｅ ｒ ｅ ｓ ｔ ｍｏ ｄ ｅ １ ．ａ ｎ ｄ ｐｒ ｅ ｓ ｅ ｎ ｔ ａ ｎ ａ ｐ ｐ ｒ ｏ ｖ ｅ ｄ ＴＦＩ ＤＦ ａ ｌ ｇ ｏ ｒ ｉ ｔ ｈ ｍ ｗｈ ｉ ｃ ｈ ｉ ｓ ｂ ａ ｓ ｅ ｄ ｏ ｎ ｔ ｈ ｅ ｗｅ ｉ ｇ ｈ ｔ Ｏ ｆ ｄ ｏ ｃ ｕ ｍｅ ｎ ｔ ｓ ｔ ｒ ｕ ｃ ｔ ｕ ｒ ｅ ａ ｎｄ ｔ ｈ ｅ ｉ ｎｔ ｅ ｒ — ｅ ｓ ｔ ｔ ｏ ｗｅ ｂ ｐ ａ ｇ ｅ ． Ｆｕ ｒ ｔ ｈ ｅ ｒ ｍｏ ｒ ｅ ，ａ ｎ ｕ ｐ ｄ ａ ｔ ｅ ｄ ａ ｌ ｇ ｏ ｒ ｉ ｔ ｈ ｍ ｉ ｓ ｉ ｎ ｔ ｒ ｏ ｄ ｕ ｃ ｅ ｄ ． Ｃａ ｓ ｅ ｓ ｔ ｕ ｄ ｙ ｓ ｈｏ ｗｓ ｔ ｈａ ｔ ｔ ｈ ｅ ｕ ｓ ｅ ｒ ｉ ｎ ｔ ｅ ｒ ｅ ｓ ｔ ｍｏ ｄ ｅ ｌ ｐ ｒ ｅ ｓ ｅ ｎ ｔ ｅ ｄ ｉ ｎ ｔ ｈｉ ｓ ｐ ａ ｐ ｅ ｒ ｗｏ ｕ ｌ ｄ ｉ ｍｐｒ ｏ ｖ ｅ ｔ ｈｅ ｃ ａ ｔ ｃ ｈ ｅ ｘ ｐ ｅ ｒ ｉ ｅ ｎ ｃ ｅ ｏ ｆ ｕ ｓ ｅ ｒ ｉ ｎｔ ｅ ｒ ｅ ｓ ｔ ． Ｋｅ ｙ Ｗ ｏｒ ｄｓ ｐ ｅ ｒ ｓ ｏ ｎ ａ ｌ ｉ ｚ ｅ ｄ ｒ ｅ ｔ ｒ ｉ ｅ ｖ ａ ｌ ，ｕ ｓ ｅ ｒ ｉ ｎｔ ｅ ｒ ｅ ｓ ｔ ｍｏ ｄｅ ｌ ，ＴＦＩ ＤＦ ａ ｌ ｇ ｏ ｒ ｉ ｔ ｈ ｍ Ｃｌ ａ ｓ ｓ Ｎｕ ｍｂ ｅ ｒ ＴＰ３ ９ １ ． ３
智能检索系统中用户兴趣模型构建技术研究
更， 以此来 学习各 超链接 对用 户的重 要 程度 。ｂ 计算 用 户对 页面 ．
的 浏览 时间 ， 间越长 则认为 该页 面 的相 关 度越 高 。Ｃ记 录 用 户 时 ．
对 文档 特 定部 分 的操 作 ， 如对 某一 部 分 的复 制 ， 往往 这些 部 分含 有 用 户所 需的 重 要内 容 ， 通过 对 这些 部 分进 行 分析 ， 以准 Nhomakorabea确抓 可
住 用户 的兴趣点 。 ． ＋
用 户兴趣档 案 可以 认 为 是由 用 户行 为 反映 的 用 户兴 趣 内 容 用项（ 条） 词 和权 重组 成的 逻辑 结构ｌ ， ２ 通过 权 值的 变化 完 成兴 趣 ］ 的维护与 转移 。用户档 案 的建立 一般 需要 解决 的 问题 包 括 ： 户 用 个 人 兴 趣的提 取 ； 户 兴 趣的 模型 表 示 ； 人 兴趣 模型 在信 息检 用 个 索过程中 的应 用 。三者 的有 机结 合 是 完 成用 户 兴趣 档 案建 立 的
用该 评价及 用户输 入的检索 词对 用户 个人 兴趣 进 行重 新提 取 。 借
助 于 反复迭代 过程完 成用户 兴趣模 型的动 态更 新与 调 整。
１ １ ２ 被 动方 式。被动 学习方 式主 要 包 括基 于 内容 的用 户 ．． 兴 趣提 取和基 于 用户 查询 行 为 的 数据 挖 掘 。基 于 内容的 用 户 兴
方 法引 入 情报 检 索系 统 ， 使后 者 具有 一 定的 智 能特征 ， 更 高 的 在
层次 上完 成其功 能的查 询系 统 。它融 合 了专 家系 统 、 ］ 自然 语 言 理解、 用户模 型 、 式识 别 、 模 数据 库 管理 系统 以 及信 息检 索等 领 域 的 知识和先 进技 术 ， 以代替 人类 完成 繁杂 的 信息 收集 、 滤 、 可 过 聚 类 以及融 合等任 务 ， 互联 网中引 导用户 进行 更为有 效的检索 。 在
基于用户兴趣的个性化搜索引擎的设计
２ Ｓｆ ａｅＥ ｇ ｅｒ ｇＣ ． ｔ．ｏ ａｂ ｎｔｕｅｏ ｅｈ ｏ ｇ ， ａｂｎ１００ ， ｈｎ ） ． ｏ ｒ ｎ ｎｅｉ ｏ Ｌｄ ｆ ｒｉ Ｉｓ ｔ ｆ ｃｎｌｙ Ｈ ｒｉ ５ ０ １ Ｃ ｉａ ｗ ｔ ｉ ｎ Ｈ ｎ ｉｔ Ｔ ｏ
Ａｂ ｔａ ｔ Ｕ ｄ ｒｔ ｅ ｐ ｒ ｏ ａｉｉ ｇ ｃｒ ｕ ｔｎ ｅ ｈ ｓｐ ｐ ｒ ｂ ｉ ｓｕ ｄ ｌｔ ａ ｓ ｒｉ ｉ ｔｒ ｓｅ ｎ Ｔ ｉ ｄ ｅ ｅｓ ｕ ｅ ’ ｓ ｒ ｃ ： ｎ ｅ ｅ ｎ ｌｚｎ ｉ ｍｓａ ｃ ，ｔ ｉ ａ ｅ ｕｌ ｐ ａ ｍｏ ｅ ｈ ｔ ｅ ｓ ｎ ｅ ｅ ｔ ｄ ｉ ， ｈ ｓ ｍｏ ｌｇ ｔ ｓ ｒ ｓ ｈ ｓ ｃ ｄ ｕ ｉ ｔ ｒｓｉ ｇ ｖ ｃｏ ｙ ｕ ｉｇ ｈ ｓｏ ｎ ｉｆ ｒ ｔ ｎ ａ ｄ ｏ ｈ ｒ ｓ ｒ ｓｉ ｏ ｍａｉ ｎ ｔ ａ ｅ ｆ ｗ ｅ ｅ ｉｉ ｄ ｂ ｆ ｒ ｈ ｎ ｆ ｔ ｒ ｅ ｎ ｅｅ ｔ ｅ ｔｒｂ ｓｎ ｉ ｗ ｏ ｍａｉ ｔ ｅ ｅ ’ ｎ ｒ ｔ ｔ ｈ ｙ ｌ ｔ ｈ ｎ ｔ ｙ ｖ ｓ ｅ ｅ ｏｅ，ｔ ｅ ｌ ｓ ｔ ｎ ｎ ｏ ｎ ｕ ｆ ｏ ｈ ｔ ｅ ｈ ｔ ｉ ｅ ｈ
始提供 个性 化 的服务 ， 结果 更 符合 用 户 的要 求 。个 使
域 。本 文对个 性化 条件 下 搜 索 引 擎 的检 索 方 法 进 行 研究 ， 建立 了基 于用 户 兴 趣 的检 索 模 型 ， 且 在 此 基 并 础上 完成 了个性 化搜 索 引擎 的设 计 。
１ 基于用户兴趣 的个性化 搜索 引擎 的
向量 ， 并以此对检 索结果进行过滤 ， 而使 用户得 到的检 索结果 能够满足 用户个人 爱好 。最后 ， 文应 用该模 型设 计 了 从 本
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
关键词 ： 信息检 索； 元 搜 索 引擎 ；用 户兴 趣 建 模 ； 查 询 映 射 算 法 ；引 擎调 度 算 法
中图分类号 ： Ｔ Ｎ９ １ ５ 文献标识码 ： Ａ 文 章 编 号 ：１ ６ ７ ４ — ６ ２ ３ ６（ ２ ０ １ ３ ） ２ ０ — ０ ０１ ４ — ０ ４
第２ １ 卷 第 ２ ０期
Ｖ０ １ ． ２１
Ｎｅ ｃ ｔ ｒ ｏ ｎ ｉ ｃ Ｄｅ ｓ ｉ ｇ ｎ Ｅｎ ｇ ｉ ｎ ｅ ｅ ｒ ｉ ｎ ｇ
２ ０ １ ３年 １ ０月
０ｃ ｔ ．２ ０１ ３
基亏用户兴趣模型 的元搜索引擎算 法研 究
（ Ｈｕ ａ ｎ ｇ ｈ ｅ Ｓ ｃ ｉ ｅ ｎ ｃ ｅ＆ Ｔ ｅ ｃ ｈ ｎ ｏ ｌ ｏ ｇ ｙ Ｃ ｏ ｌ ｌ ｅ ｇ ｅ， Ｚ ｈ ｅ ｎ ｇ ｚ ｈ ｏ ｕ ４ ５ ０ ０ ６ ３，Ｃ ｈ ｉ ｎ ａ ）
Ａｂ ｓ ｔ ｒ ａ ｃ ｔ ：ｃ ｕ ｒ ｒ ｅ ｎ ｔ ｌ ｙ ｗ ｈ ｅ ｎ ｐ ｅ ｏ ｐ ｌ ｅ ｕ ｓ ｅ ｓ ｅ ａ ｒ ｃ ｈ ｅ ｎ ｇ ｉ ｎ ｅ ｔ ｏ ｏ ｂ ｔ ａ ｉ ｎ ｉ ｎ ｆ ｏ ｒ ｍａ ｔ ｉ ｏ ｎ，ｔ ｈ ｅ ｒ ｅ ｉ ｓ ｔ ｏ ｏ ｍｕ ｃ ｈ ｉ ｒｅ ｌ ｅ ｖ ａ ｎ ｔ ｉ ｎ ｆ ｏ ｒ ｍａ ｔ ｉ ｏ ｎ ｉ ｎ ｔ ｈ ｅ ｓ ｅ ａ ｒ ｃ ｈ ｒ ｅ ｓ ｕ ｌ ｔ ｓ ． Ｉ ｎ ｏ ｒ ｄ ｅ ｒ ｔ ｏ ｓ ｏ ｌ ｖ ｅ ｔ ｈ ｅ ｐ ｒ ｏ ｂ ｌ ｅ ｍ，ｗ ｅ ｐ ｒ ｏ ｐ ｏ ｓ ｅ ｄ ａ ｎ ｅ ｗ ｓ ｅ ａ ｒ ｃ ｈ ｅ ｎ ｇ ｉ ｎ ｅ ｗｏ ｒ ｋ ｉ ｎ ｇ ｍｅ ｔ ｈ ｏ ｄ ｔ ｈ ａ ｔ ｃ ｏ ｍｂ ｉ ｎ ｓ ｕ ｓ ｅ ｒ ｉ ｎ ｔ ｅ ｒ ｅ ｓ ｔ ｍｏ ｄ ｅ ｌ ｉ ｎ ｇ ｔ ｅ ｃ ｈ ｎ ｉ ｑ ｕ ｅ ｓ ｗｉ ｔ ｈ ｍｅ ｔ ａ ｓ ｅ ａ ｒ ｃ ｈ ｅ ｎ ｇ ｉ ｎ ｅ ａ ｌ ｇ ｏ ｉ ｒ ｔ ｈ ｍ． Ｆ ｉ ｒ ｓ ｔ ，ｗ ｅ ｃ ｏ ｎ ｓ ｔ ｒ ｕ ｃ ｔ ｅ ｄ ｕ ｓ ｅ ｒ ｉ ｎ ｔ ｅ ｒ ｅ ｓ ｔ ｍｏ ｄ ｅ ｌ ｂ ａ ｓ ｅ ｄ ｏ ｎ Ｕｓ ｅ ｒ ’ Ｓ ｉ ｎ ｆ ｏ ｒ ｍａ ｔ ｉ ｏ ｎ ａ ｎ ｄ ｂ ｒ ｏ ｗｓ ｉ ｎ ｇ ｂ ｅ ｈ ａ ｖ ｉ ｏ ｒ ． Ｓ ｅ ｃ ｏ ｎ ｄ ，ｗｅ ｐ ｕ ｔ ｆ ｏ ｒ ｗａ ｒ ｄ ａ ｍａ ｐ ｐ ｉ ｎ ｇ ａ ｌ ｇ ｏ ｒ ｉ ｔ ｈ ｍ ｔ ｈ ａ ｔ ｍａ ｐ ｔ ｈ ｅ ｕ ｓ ｅ ｒ ｑ ｕ ｅ ｒ ｙ ｔ ｏ ｕ ｓ ｅ ｒ ｉ ｎ ｔ ｅ ｒ ｅ ｓ ｔ ｃ ｌ ａ ｓ ｓ ，ｕ ｓ ｅ ｄ ｔ ｏ ｃ ａ ｌ ｃ ｕ ｌ ａ ｔ ｅ ｔ ｈ ｅ ｃ ｏ ｒｅ ｌ ａ ｔ ｉ ｏ ｎ ｗｉ ｔ ｈ ｍｅ ｍｂ ｅ ｒ ｅ ｎ ｇ ｉ ｎ ｅ ｓ ． Ｔ ｈ ｅ ｎ，ｗｅ ｃ ｏ ｎ ｓ ｔ ｒ ｕ ｃ ｔ ｅ ｄ ｍｅ ｍｂ ｅ ｒ ｅ ｎ ｇ ｉ ｎ ｅ ｆ ｅ ａ ｔ ｕ ｒ ｅ ｒ ｅ ｐ ｒ ｅ ｓ ｅ ｎ ｔ ａ ｔ ｉ ｏ ｎ ｏ ｆ ｍｅ ｔ ａ ｓ ｅ ａ ｒ ｃ ｈ ｅ ｎ ｇ ｉ ｎ ｅ ｂ ａ ｓ ｅ ｄ ｏ ｎ ｉ ｎ ｔ ｅ ｒ ｅ ｓ ｔ ｃ ｌ ａ ｓ ｓ ｉ ｆ ｉ ｃ ａ ｔ ｉ ｏ ｎ ｓ ａ ｍｐ ｌ ｉ ｎ ｇ ，ａ ｎ ｄ ｉ ｍｐ ｒ ｏ ｖ ｅ ｄ ｍｅ ｍｂ ｅ ｒ ｅ ｎ ｇ ｉ ｎ ｅ ｓ ｃ ｈ ｅ ｄ ｕ ｌ ｉ ｎ ｇ ｌｇ ａ ｏ ｒ ｉ ｔ ｈ ｍ，Ｓ Ｏ ｔ ｈ ａ ｔ ｍｅ ｔ ａ ｓ ｅ ａ ｒ ｃ ｈ ｅ ｎ ｇ ｉ ｎ ｅ ｃ ａ ｎ ｓ ｅ ｌ ｅ ｃ ｔ ｓ ｅ ｖ ｅ ｒ ａ ｌ ｍｅ ｍｂ ｅ ｒ ｅ ｎ ｇ ｉ ｎ ｅ ｓ ａ ｓ ｓ ｏ ｃ ｉ ａ ｔ ｅ ｄ ｗ ｉ ｔ ｈ ｔ ｈ ｅ ｃ ｕ ｒ ｒ ｅ ｎ ｔ ｕ ｓ ｅ ｒ ｑ ｕ ｅ ｙ ｒ ｔ ｏ ｃ ｏ ｍｐ ｌ ｅ ｔ ｅ ｓ ｅ ａ ｒ ｃ ｈ ． Ａｎ ａ ｌ ｙ ｓ ｉ ｓ ｓ ｈ ｏ ｗｓ ｔ ｈ ａ ｔ ｔ ｈ ｉ ｓ
王 倩 ．宋 朝
（ 黄河科技 学院 河 南 郑州 ４ ５ ０ ０ ６ ３ ）
摘 要 ：为 了解 决 当前 人 们 在 使 用搜 索 引 擎 获 取 信 息 时 遇 到 的 搜 索 结 果针 对 性 不 强 ． 无关信 息太多的问题 ． 提 出 了将 用 户 兴趣 建模 技 术和 元 搜 索 引 擎算 法 相 结 合 的搜 索 引 擎 工作 方式 。 首 先 收 集 用 户 的个 人 信 息 和 常 用 浏 览 用 于 用 户 兴 趣 模 型 的构 建 ， 然 后 创 建 一 种 映射 算 法 ， 能 够把 用 户 查询 较 好 地 映 射 到 已创 建 的 用 户 兴趣 模 型 ， 用来计算与各成 员引 擎 的相 关度 。在 元 搜 索 引 擎的 成 员 引擎 特征 表 示上 提 出了 以兴 趣 分 类 采 样 为依 据 ， 同 时对 成 员 引擎 调 度 算 法 也 进 行 改进 ． 选 择 与 当前 用 户 查 询 相 关度 最 高 的几 个成 员 引 擎完 成搜 索 工 作 。 经过 分析 表 明这 种 算 法 可 以有 效 改 进 查 询 速
Ａｌ ｇ ｏ ｒ ｉ ｔ ｈ ｍ ｒ ｅ ｓ ｅ ａ ｒ ｃ ｈ ｏ ｆ ｍｅ ｔ ａ ｓ ｅ ａ ｒ ｃ ｈ ｅ ｎｇ ｉ ｎ ｅ ｂａ ｓ ｅ ｄ ｏ ｎ ｕｓ ｅ ｒ ｉ ｎ ｔ ｅ ｒ ｅ ｓ ｔ ｍｏ ｄｅ ｌ
ＷＡ Ｎ Ｇ Ｑ ｉ ａ ｎ ， Ｓ Ｏ Ｎ Ｇ Ｃ ｈ ａ ｏ