帮助 关于我们

返回检索结果

个性化推荐系统中的用户建模及特征选择
User Modeling and Feature Selection in Personalized Recommending System

查看参考文献5篇

文摘 提出了一种基于向量空间模型的用户模型表示及其动态学习算法,研究了用户建模中的特征选择,提出了一种根据词性标注信息将词频法和TFIDF方法相结合的特征选择方法.实验结果表明这种动态学习算法能实时捕捉并记录用户最新的兴趣需求,从而准确地推荐出符合用户兴趣的信息,同时这种基于词性标注的组合特征选择方法的效果好于单独使用词频法或TFIDF方法.
其他语种文摘 This paper proposes a user profile representation based on vector space model together with its dynamic learning algorithm, and studies feature selection in user modeling. A new feature selection method combining term frequency and TFIDF according to part-of-speech tagging is proposed. The experiment indicates that the dynamic learning algorithm can catch and record user's latest interest in time, thus the user required information can be truly recommended. The experiment also shows that the effect of combining method based on part-of-speech tagging is better than that of using TF or TFIDF separately.
来源 计算机工程 ,2007,33(17):196-198,230 【核心库】
关键词 个性化推荐 ; 用户模型 ; 特征选择 ; 动态更新
地址

上海交通大学软件学院,数字家电实验室, 上海, 200030

语种 中文
文献类型 研究性论文
ISSN 1000-3428
学科 自动化技术、计算机技术
文献收藏号 CSCD:2920280

参考文献 共 5 共1页

1.  Fischer G. Information Access in Complex,Poorly Structured Information Spaces. Proc of the CHI'91 Conference Proceedings,1991:63-70 被引 1 次    
2.  应晓敏. 一种面向个性化服务的无需反例集的用户建模方法. 国防科技大学学报,2002,24(3):67-71 被引 3 次    
3.  Middleton S E. Ontological User Profiling in Recommender Systems. ACM Transactions on Information Systems,2004,22(1):54-88 被引 22 次    
4.  Debole F. Supervised Term Weighting for Automated Text Categorization. Proceedings of the ACM Symposium on Applied Computing,2003:784-788 被引 1 次    
5.  Yang Y. A Comparative Study on Feature Selection in Text Categorization. Proceedings of the 14th International Conference on Machine Learning,1997:412-420 被引 26 次    
引证文献 11 篇

1 赖茂生 用户需求模式协同构建的初步探索 情报科学,2009,27(9):1296-1300
被引 0 次

2 李春 个性化服务研究综述 计算机应用研究,2009,26(11):4001-4005,4009
被引 5 次

显示所有11篇文献

论文科学数据集
PlumX Metrics
相关文献

 作者相关
 关键词相关
 参考文献相关

版权所有 ©2008 中国科学院文献情报中心 制作维护：中国科学院文献情报中心
地址：北京中关村北四环西路33号 邮政编码：100190 联系电话：(010)82627496 E-mail:cscd@mail.las.ac.cn 京ICP备05002861号-4 | 京公网安备11010802043238号