基于浏览行为的用户兴趣建模研究

摘要

随着Internet的迅速发展，互联网上的信息快速增长，信息类型也越来越多。虽然人们可以方便地接触到大量的信息，信息资源不足的问题再也不存在，但是人们同时也受到了信息量严重膨胀所带来的信息查询的困扰。为了获取自己所需的有效信息，人们开始借助一些信息查询工具。但是目前的查询工具存在很多问题，归根结底就是不能满足不同用户的个性化需求。在这样的前提下，个性化服务自然成为当前信息服务领域的研究热点之一。
　　 个性化服务的主要目的是为用户提供个性化的信息，即根据用户上网时提出的明确要求或通过对用户上网习惯的分析而主动向用户提供可能需要的信息。个性化服务的实质是针对不同的用户采取不同的服务内容，就是为特定的用户指定特定的Web内容和应用。个性化服务是网络信息环境发展的产物，是信息服务发展的必然趋势。
　　 随着研究的不断开展，遗传算法、数据挖掘、机器学习、人工智能、统计理论、粗糙集理论和神经网络等越来越多的方法被应用到了个性化服务中。其中，遗传算法的应用最为广泛。
　　 本文的研究内容是用户兴趣建模及其相关技术，重点对建模中用到的遗传算法和基于浏览时间的用户兴趣建模展开了研究，主要工作如下：
　　 1.概述了个性化系统的服务形式、相关技术、研究内容和分类。简单介绍了用户兴趣建模的概念，阐述了用户兴趣建模的相关理论和技术。
　　 2.遗传算法的研究及其应用。鉴于遗传算法在用户兴趣建模中的良好作用，本文分析了基本遗传算法的优缺点，在参考已有改进策略的基础上，提出了一种改进的实数编码自适应遗传算法。改进的遗传算法将进化过程分为进化初期和进化后期。进化初期，使用固定的交叉率和变异率。进化后期使用自适应的交叉率和变异率。实验表明，改进的遗传算法的性能比基本遗传算法有较大改善。
　　 3.本文研究了现有的运用遗传算法的用户兴趣建模方法，在实验过程中发现利用这种方法建立的用户兴趣模型准确率较低，不能满足个性化系统的需求。针对其弊端，本文将改进的遗传算法应用到用户兴趣建模中，和用户浏览时间以及浏览内容相结合，改进了现有的用户兴趣建模方法。
　　 4.最后在客户端获取了用户在一段时间内浏览过的网页，经过处理后，分别利用本文改进的遗传算法和基本遗传算法建立了用户兴趣模型。最后结果表明，利用本文改进的遗传算法建立的用户兴趣模型比利用基本遗传算法建立的用户兴趣模型更加准确。