个性化搜索中的用户特征模型研究

计算机工程与应用 ›› 2011, Vol. 47 ›› Issue (15): 19-24.

个性化搜索中的用户特征模型研究

袁柳1，张龙波2

1.陕西师范大学计算机科学学院，西安 710062
2.山东理工大学计算机学院，山东淄博 255049

收稿日期:1900-01-01 修回日期:1900-01-01 出版日期:2011-05-21 发布日期:2011-05-21

Research on user profile model in personalized searching

YUAN Liu1，ZHANG Longbo2

1.College of Computer Science，Shaanxi Normal University，Xi’an 710062，China
2.School of Computer Science and Technology，Shandong University of Technology，Zibo，Shandong 255049，China

Received:1900-01-01 Revised:1900-01-01 Online:2011-05-21 Published:2011-05-21

摘要/Abstract

摘要：

用户特征的描述方式是实现个性化搜索算法的核心因素。针对传统的基于关键词向量空间模型的用户特征描述过于简单，不能全面描述用户兴趣的缺陷，将folksonomy的结构与本体概念的清晰语义相结合，提出一种多层用户特征描述方式。从用户兴趣主题、用户间关联两个不同角度，从用户生成的标签、标记的文档及主题等不同层次建立用户特征描述模型，并将其应用于个性化搜索过程的方式进行分析。同时对个性化搜索的结果评价方式、资源类型对用户特征及搜索结果的影响进行了讨论。在Delicious和Flickr两种不同类型数据集上的实验表明，所提出用户特征模型能够有效提高个性化搜索结果的性能。

关键词: 用户特征, 标签, 个性化搜索, 公众分类

Abstract: User profile description is the core component of personalized search algorithm.The traditional keywords based vector space model is too simple to describe the user profile completely.By combining the structure of folksonomy and the explicit semantic of ontology concepts，a multi-layer user profile description model is proposed.Both user interesting and user relation are taken into considered in the model，and user profile can be described in different abstract layer such as tag，documents annotated and topics.Evaluation method of personalized search and the effect of resource type on user profile are also discussed.Experiments on Delicious dataset and Flickr dataset show that the user profile model proposed can improve personalized search performance effectively.

Key words: user profile, tag, personalized search, folksonomy

袁柳1，张龙波2

. 个性化搜索中的用户特征模型研究[J]. 计算机工程与应用, 2011, 47(15): 19-24.

YUAN Liu1，ZHANG Longbo2. Research on user profile model in personalized searching[J]. Computer Engineering and Applications, 2011, 47(15): 19-24.

[1]	张韩钰，吴志昊，徐勇，陈斌. 增强卷积神经网络的人脸篡改检测方法[J]. 计算机工程与应用, 2021, 57(8): 220-224.
[2]	吴迪，张梦甜，生龙，黄竹韵，顾明星. 改进在线词对主题模型的微博热点话题演化[J]. 计算机工程与应用, 2021, 57(24): 179-184.
[3]	张述睿，张伯政，张福鑫，杨万春. 面向ICD疾病分类的深度学习方法研究[J]. 计算机工程与应用, 2021, 57(18): 172-180.
[4]	杨辉，权冀川，梁新宇，王中伟. 基于弱监督学习的目标检测研究进展[J]. 计算机工程与应用, 2021, 57(16): 40-49.
[5]	王浩镔，胡平. 采用多级特征的多标签长文本分类算法[J]. 计算机工程与应用, 2021, 57(15): 193-199.
[6]	王滢暄，宋焕生，梁浩翔，余宵雨，云旭. 基于改进的YOLOv4高速公路车辆目标检测研究[J]. 计算机工程与应用, 2021, 57(13): 218-226.
[7]	郝超，裘杭萍，孙毅，张超然. 多标签文本分类研究进展[J]. 计算机工程与应用, 2021, 57(10): 48-56.
[8]	张玉臣，张任川，刘璟，汪永伟. 应用深度自编码网络的网络安全态势评估[J]. 计算机工程与应用, 2020, 56(6): 92-98.
[9]	蔡梦臣，王萍，方圆，蒋明，张亮. 适用于低成本的标签所有权转移协议[J]. 计算机工程与应用, 2020, 56(6): 105-110.
[10]	王晶晶，杨有龙. 针对弱标记数据的多标签分类算法[J]. 计算机工程与应用, 2020, 56(5): 65-73.
[11]	韩东旭，钟宝江. 基于MOS的图像质量评估系统[J]. 计算机工程与应用, 2020, 56(22): 191-198.
[12]	姚佳奇，徐正国，燕继坤，熊钢，李智翔. 基于标签语义相似的动态多标签文本分类算法[J]. 计算机工程与应用, 2020, 56(19): 94-98.
[13]	刘心惠，陈文实，周爱，陈飞，屈雯，鲁明羽. 基于联合模型的多标签文本分类研究[J]. 计算机工程与应用, 2020, 56(14): 111-117.
[14]	滕增德，廖祝华. 面向命名数据网络的数据查询区分服务机制[J]. 计算机工程与应用, 2019, 55(9): 17-25.
[15]	孙登第1，孟欠欠1，2，马云鹏1，2. 图正则化迁移稀疏概念编码的跨域图像分类[J]. 计算机工程与应用, 2019, 55(6): 197-203.