基于web的个性化服务内容摘要：
同一个事务聚类内用户之间的浏览模式尽可能相似，而不同事务聚类中用户之间的浏览模式尽可能不同 给定事务聚类 c和显著性阈值 ，事务聚类 c的总体使用特征 prc的计算方法如下： prc = {p, weight(p, prc) | p P, weight(p, prc) } weight(p, prc) = 推荐引擎 根据当前的用户会话产生实时的推荐集 用户当前会话 S可以表示为： S = {s1, s2, … , sn} 总体使用特征 C可以表示为： C = {w1C, w2C, … , wnC } 推荐引擎 使用余弦相似性函数来计算 C和 S之间的匹配系数： 计算浏览页 p的推荐系数 Rec(S, p)： 基于 Web使用挖掘和 Web内容挖掘的个性化 [6] 基于 Web使用挖掘的个性化服务的问题： 商业网站的用户使用数据比较少 网站内容变化比较频繁 基本思路：在基于 Web使用挖掘的基础上， 根据浏览页内容之间的相似性为用户提供个性化服务 基本过程 离线部分 数据预处理 内容特征获取 在线部分 推荐引擎 数据预处理 从文本数据和元数据中抽取内容特征 内容特征权重的计算方法： 元数据而的权重由商业网站的设计者提供 文本内容特征而言的权重由词频反文献频率 (TFIDF)确定 数据预处理的结果 浏览页 p表示为内容特征空间上的 k维向量： p = fw(p, f1), fw(p, f2), …, fw(p, f k) fw(p, f i)为浏览页 p在特征 f i上的权重 必须对将元数据与文本内容特征进行一致化处理 内容特征获取 浏览页内容特征矩阵的行列互换，每个内容特征看作浏览页空间上的 n维向量 使用聚类算法对内容特征。阅读剩余 0%
本站所有文章资讯、展示的图片素材等内容均为注册用户上传(部分报媒/平媒内容转载自网络合作媒体)，仅供学习参考。
用户通过本站上传、发布的任何内容的知识产权归属用户或原始著作权人所有。如有侵犯您的版权，请联系我们反馈本站将在三个工作日内改正。