基于兴趣学习的Web内容推荐及其优化研究

摘要

随着Internet的飞速发展,互联网已成为全球最大的分布式信息数据库。一方面,信息化给人们带来了极大的便利;另一方面,由于过量冗余的信息充斥网络,想要在网络上快速有效的提取有效信息也变得越来越困难。传统搜索是基于关键词检索的,但这种方法无法有效提取和检索到语义间的关联内容和隐含信息,在知识发现和查准查全率方面都有所欠缺。而个性化Web搜索技术的出现,可以有效缓解上述问题的出现,为用户提供更精细、准确和自动化的搜索。
　　本文研究基于兴趣学习的Web内容推荐系统并对其进行优化,根据用户搜索所涉及的领域本体添加用户兴趣领域至用户本体,通过概念和语义间的关系计算用户兴趣权重,并根据用户浏览行为实时更新本体,得到更准确的用户兴趣模型。由于用户兴趣作为搜索限制条件加入搜索语句,无疑增加了系统响应时间,本文通过研究图论算法,对搜索条件进行重新排序,通过选择估值减少中间结果集,选择高效的执行计划,提高连接查询效率,从而减少搜索响应时间,给用户创造更准确快捷的结果返回。
　　本文首先介绍基于兴趣学习的Web内容推荐涉及的核心技术,在此基础上,研究用户兴趣学习算法,以达到提高用户查询搜索准确度的目的。由于用户兴趣增加了查询条件的复杂性,又通过查询优化策略优化查询时间,以达到提高用户查询搜索效率的目的。并对查询优化策略进行实验和其他方法的搜索引擎进行对比,验证了该方法可有效提高查询效率。通过研究及优化,改进后的基于兴趣学习的Web内容推荐系统在为用户推荐信息上将更符合用户的兴趣,同时查询效率也将有所提升。
　　通过实验,将搜索结果按照用户兴趣模型重新排序后返回给用户,用户的满意度有所提高,可以看出改进后的用户兴趣模型更接近用户真实兴趣,可以减少翻页和搜索时间,给用户更愉悦的用户体验。将用户兴趣作为限制条件加入查询语句后的搜索系统,查询时间将会有所增加,经过本文方法的查询优化,在查询效率上也比优化前有所提高,尤其针对查询条件和语句关系较为复杂的情况,优化效果更为显著。

目录

封面

声明

中文摘要

英文摘要

目录

1 绪论

1.1 引言

1.2 国内外研究现状

1.3 本文主要内容及章节安排

2 基于兴趣学习的Web内容推荐

2.1 基于兴趣学习的Web内容推荐系统

2.2 相关理论及技术

2.3 本章小结

3 用户兴趣建模及学习

3.1 用户兴趣模型的表示方法

3.2 基于本体的用户兴趣模型

3.3 用户兴趣模型中的用户兴趣学习

3.4 性能评估

3.5 本章小结

4 SPARQL查询优化策略

4.1 相关工作

4.2 查询优化策略

4.3 性能评估

4.4 本章小结

5 全文总结与展望

5.1 全文总结

5.2 展望

致谢

参考文献