針對當(dāng)前電子商務(wù)用戶興趣挖掘過程,普遍存在準(zhǔn)確度較低、綜合性能較差以及召回率較低等問題。提出融合情境因素下基于網(wǎng)絡(luò)結(jié)構(gòu)的電子商務(wù)用戶興趣挖掘方法。通過計(jì)算融合情境相似度來獲取電子商務(wù)用戶當(dāng)前情境的近似情境集,對電子商務(wù)用戶-興趣項(xiàng)-情境構(gòu)建三維模型,采用情境預(yù)過濾方法對近似情境集進(jìn)行降維處理,以此得到每種主題的興趣度。根據(jù)興趣度大小將電子商務(wù)用戶模式劃分為低興趣度、一般興趣度、高興趣度三個(gè)級別,保留電子商務(wù)用戶興趣度較高的模式,刪除較低的模式,完成電子商務(wù)用戶興趣挖掘。實(shí)驗(yàn)結(jié)果表明,所提出方法用戶興趣挖掘準(zhǔn)確率較高、綜合性能較好、召回率較高。 

【文章來源】：計(jì)算機(jī)仿真. 2020,37(04)北大核心

【文章頁數(shù)】：4 頁

【部分圖文】：

3種挖掘方法的綜合評價(jià)值

【參考文獻(xiàn)】：
期刊論文
[1]基于多模數(shù)據(jù)的微博用戶興趣識別研究[J]. 曾金,陸偉,陳海華,賀國秀.  情報(bào)科學(xué). 2018(01)
[2]云計(jì)算環(huán)境下用戶興趣數(shù)據(jù)準(zhǔn)確檢測仿真[J]. 張志東.  計(jì)算機(jī)仿真. 2017(10)
[3]支持聯(lián)機(jī)分析處理的推特用戶興趣維層次提取方法[J]. 俞東進(jìn),倪智勇,孫景超.  電子與信息學(xué)報(bào). 2017(09)
[4]基于時(shí)空密度算法的用戶軌跡數(shù)據(jù)興趣區(qū)域發(fā)現(xiàn)[J]. 周新麗,桑梓森,張?jiān)?  中國科技論文. 2017(08)
[5]DFM-IA:面向B2C電子商務(wù)的多源用戶興趣數(shù)據(jù)采集機(jī)制[J]. 李聰,馬麗,梁昌勇.  管理工程學(xué)報(bào). 2017(01)
[6]基于用戶興趣遷移的Web日志仿真生成算法[J]. 彭行雄,肖如良.  計(jì)算機(jī)應(yīng)用. 2016(12)
[7]結(jié)合用戶興趣的微博信息傳播模式挖掘[J]. 郝志峰,黃燦錦,蔡瑞初,溫雯,黃宇鵬,陳炳豐.  模式識別與人工智能. 2016(10)
[8]微博中結(jié)合轉(zhuǎn)發(fā)特性的用戶興趣話題挖掘方法[J]. 王永貴,張豐田,劉雨詩,肖成龍.  計(jì)算機(jī)應(yīng)用研究. 2017(07)
[9]基于主題的用戶興趣模型的構(gòu)建及動(dòng)態(tài)更新[J]. 唐曉波,謝力.  情報(bào)理論與實(shí)踐. 2016(02)



本文編號：3411439