代学武[1]2003年在《基于神经网络的用户建模和Web信息过滤研究》文中指出Web个性化服务是当前人工智能和信息技术领域研究的热门课题之一。以搜索引擎为主的信息检索技术并没有考虑用户的兴趣、偏好的不同，相同的关键词返回相同的结果。而且返回的结果良莠不齐，用户需在大量噪音中找寻有用信息。用信息过滤技术改进Internet信息检索系统已成为非常重要的研究方向，是个性化服务的基础。 利用用户模型可以更好的进行信息过滤。用户模型(User Model)是对一个类别的用户组或单个用户的描述。基于用户模型，计算机中可以表达、存储、复现用户模糊的、变化的兴趣特征，其中存储的用户信息构成了过滤条件，使得信息过滤更有效。 本文首先分析了目前Internet上个性化文本信息检索的研究和应用情况，以及以模糊逻辑、神经网络为代表的软计算的发展现状。借鉴ANFIS网络，提出了一种将神经模糊网络技术应用到用户建模中，建立个性化自适应用户模型，并应用于Web信息过滤的方法。文中讨论了以下几个关键问题： (1)Web页面和用户兴趣的表达，采用了向量空间模型(VSM)，将Web页面映射为向量空间中的内容向量PJ。在过滤之前，由用户输入检索关键词和若干Web页面作为样例，经分词抽取出用户的兴趣向量ui。 (2)信息过滤的目的是将Web页面分为相关Web页面集合R和不相关Web页面集合R。利用术语在R和R中的局部权重的不同，选择权重差别最大的那些术语作为特征术语，以确定和调整向量空间的维度，在降低向量空间维度的情况下，尽量保持模型的准确性。 (3)用户模型结构的建立，(模型的结构辨识)。利用模糊集合理论，建立了一组模糊IF-THEN规则，并用ANTIS网络实现。用户的兴趣向量ui和权重ri作为参数存储到网络中。PJ作为输入变量，输出量是系统对PJ和Ui相关度的评判值 互互RPredj。 （）用户模型参数的优化（模型的参数辨识人 采用的是 Candidat抑ank模式，在“学习一过滤一反馈一再学习一再过滤……”中调整参数。将用户的相关反馈 Ruseh和 Rpedj的差值作为误差信号，采用 Wdro一Hoff算法在线式学习，优化八。当与用户的交互达到一定程度后，进行离线式学习，对冰进行调整。 基于以上讨论，实现了一个基于模糊神经网络用户模型的信息过滤原型系统AUM＆IP，并利用该原型系统对gOOgle返回的 Web页面进行过滤。通过过滤前后准确度的比较，验证了该系统的有效性。 本文中的一些思想对类似的应用有一定的借鉴价值。
关庆珍[2]2008年在《基于本体的个性化信息搜索的用户模型研究》文中进行了进一步梳理随着Internet技术的发展,人类已经步入信息时代。目前网上资源以指数速度增长,其信息量无论是数量上还是种类上都是人们所难以想象的。同时人们的信息需求也在不断地增加,但要从这个信息海洋中准确方便迅速地找到并获得自己所需的信息,却比较困难,因而出现了所谓的“信息过载”和“信息迷向”问题。通用的搜索引擎并不能考虑到各个用户的个性化因素。因此,如何了解用户意图,掌握用户的个性化信息,提供个性化服务成了信息检索领域中许多学者的研究热点。在个性化信息服务中,用户模型是个性化服务研究的关键技术。个性化信息服务首先需要建立用户模型,才能提供针对不同用户的个性化服务。传统的用户模型主要是根据用户的信息需求,把用户需求信息大体分为感兴趣和不感兴趣的,最终得到的大都是关键词来表征用户兴趣,没有考虑词与词之间内在的联系,不能从语义上对信息进行理解,没有信息源本身的知识体系为构造用户的兴趣模型服务。我们认为,个性化信息服务的用户模型研究在准确描述用户兴趣模型的同时,也能有语义联想能力,能根据显式的信息语义挖掘出用户的潜在兴趣。本体(Ontology)作为一种能在语义和知识层次上描述系统的概念建模工具,自被提出以来就引起了国内外研究人员的关注。研究结果表明,Ontology作为领域概念化模型,能够明确地描述领域涉及的概念、概念的含义、概念之间的关系,为简单的术语赋予明确的背景知识,利于知识的共享和重用,并具有语义扩展和推理功能。将本体引入到用户模型领域,增强关键词向量中关键词之间的相关性,基于Ontology建立用户的个性化模型,已成为个性化信息系统用户建模的一个新的方向。已有的基于本体的用户模型改善了传统用户模型的语义信息不足的缺陷,但也存在一些问题:(1)领域本体的构建。如何构建领域本体,这是基于本体的用户模型的基础,传统完全依赖用户或领域专家人工构建本体的方法容易出现偏差及主观主义和经验主义的缺陷;(2)用户模型的更新。现有的模型大都采用分析用户的浏览或检索过程,抽取认为用户感兴趣的关键词对其分析,对初始用户模型进行增补,而没有考虑这些新增信息之间的语义关系。本文提出研究改进的基于领域本体的用户模型OBUM,在引入本体到用户模型中,同时考虑用文本挖掘技术建立领域本体,并通过本体学习来完成用户模型的学习和更新。本文的研究工作主要包括了这样几个方面:第一,分析研究了传统用户模型和现有本体模型的特点,提出了一种新的基于本体的用户模型OBUM,设计并分析了其框架结构,对其进行了形式化研究。第二,分别对OBUM模型的各个构成及构建阶段进行了研究。包括:①研究了如何有效地构建领域本体,提出采用文本挖掘技术,再借助于领域专家,实现领域本体DomO的半自动构建。使用文本挖掘工具和本体构建工具实现了领域本体DomO的构建。②对于OBUM模型中的个性化本体的获取进行了研究,提出通过对领域本体进行本体投影来获取用户的初始个性化本体,并给出了其算法描述。③针对OBUM用户模型的学习更新,提出使用本体学习技术来实现。通过对用户的检索或浏览过程进行分析,构建参考本体,并将参考本体归并到用户的个性化本体中,实现用户个性化本体的学习,旨在避免用户学习更新过程中新增信息语义的丢失。第叁,在上述工作基础上,将OBUM模型应用到个性化信息搜索环境中,旨在通过实验验证OBUM模型的可行及有效性。实验结果表明OBUM模型在提高用户的个性化信息,改善用户模型的语义信息方面是一种有效、可行的方法。在提高用户的个性化信息搜索的查全率和查准率方面较基于统计的信息检索模型和一般的基于本体的信息检索模型有了一定的改进。
张树人[3]2006年在《从社会性软件、Web2.0到复杂适应信息系统研究》文中进行了进一步梳理随着信息技术的快速发展,信息系统也逐渐由低级到高级、由简单到复杂、由封闭孤立到开放协同地发展;具体表现为系统组分的独立性越来越强、组分之间的耦合度越来越低、组分之间组合交互的灵活度越来越高,信息系统也因此越来越具有复杂性系统的特征。信息系统的复杂性在近年来兴起的社会性软件和Web2.0中表现得尤其突出。在对大量的社会性软件和Web2.0系统进行分析后,本文总结出社会性软件和Web2.0有别于传统信息系统的4类特征:1、主体参与式架构,人件引入信息系统设计;2、开放式架构,系统间协同与互操作的关系错综复杂,有明显的类生态特征;3、系统内存在大量非线性机制和自组织现象,能够在使用中不断改变和适应性调整自身的功能及组织结构;4、社会关系网络引入信息系统,在一些社会性软件和Web2.0中,通过用户的自发协作、自底向上地构建出了各种社会关系网络。这些新特征让社会性软件和Web2.0具有超越过去普通信息系统的复杂性,而具有了类社会系统和类生态系统的复杂性。结合上述分析,本文区分了信息系统叁个层次的复杂性:对象复杂性、社会复杂性和生态复杂性,并总结出这些复杂性给信息系统研究设计带来的系列难题,如难以理解和把握系统的动态机制的设计,系统的适应性的设计难以控制,系统的行为不可预期,系统的发展前景难以评价,无法进行可重复测试(系统性能与功能的稳定性和不变性是用户可用性测试及算法比较测试的预设前提,系统的动态复杂性和适应性演化特征让这一预设前提不再成立),信息系统的演化及相关技术的发展规律难以认识,等等。在论证上述系列难题在传统的信息系统范式中无法解决之后,为了能有效地研究和设计复杂信息系统,本文提出了基于CAS理论的信息系统范式,即复杂适应信息系统(CAIS:Complex Adaptive Information System)范式,具体包括一系列关于信息系统设计观念的变革,一个基于CAS抽象架构的概念模型,一些设计指导原则等。然后结合CAIS范式对复杂信息系统研究及设计中的一些具体问题进行了研究。具体研究的内容及相关结论如下:
隋福宁[4]2010年在《面向信息服务的Web文本分类技术研究》文中认为信息技术的发展使得网络用户对信息资源的需求产生了更加复杂和差异化的变化。如何从海量的网络信息中快速准确地找到用户需求的信息数据是信息服务研究的主要问题。同时随着信息网络的发展,信息服务的范围逐渐扩大,服务深度和服务内容都在往更高的层次发展。影响信息服务质量的两大因素是服务对象的需求描述准确度即服务对象模型准确性和数据挖掘的准确性。服务对象的兴趣以及需求描述不准确就从根本上决定了信息服务的针对性和个性化水平不高;而数据挖掘水平的高低也直接对信息服务质量产生重大影响。本文立足两大因素,在服务对象建模和数据挖掘领域中文本分类技术进行了针对性研究。本文对信息服务对象建模技术以及中文文本分类技术进行了归纳总结,主要讨论了信息过滤、用户兴趣描述为主的信息服务技术以及中文文本分词、文本数据化表示、文本特征提取、文本分类器构建等文本分类流程中涉及的主要技术。比较了基于规则的分词方法和基于统计的分词方法的差异,研究了特征提取中的信息增益、CHI统计、互信息等特征选择方法和潜在语义索引(LSI)等特征抽取方法,对比了各自的优劣性;在文本分类方法中介绍了朴素贝叶斯方法、KNN方法以及支持向量机(SVM)分类器的分类原理;同时讨论了语料库的构建规则以及中英文语料库的构建现状。在分析传统特征降维方法的基础上,对信息增益方法进行改进得到一种新的特征选择算法,通过绝对相关的概念以及对干扰特征的消除方法来对该算法进行改进,有利于消除信息增益过程中产生的干扰特征;将国外基于知识库的特征提取方法在中文知识库中进行了尝试,并分析了其优劣性;通过对网页链接结构的分析以及PageRank算法的引用,尝试了基于网页结构信息的特征权值调整方法TermRank,并通过成熟的SVM分类器对此进行了对比实验。对信息服务对象描述与建模技术进行了深入研究并产生了一种完整的服务对象模型描述与建立、更新方法。在对中文分类器研究的基础上特别针对神经网络分类方法进行讨论,结合最小-最大模块网络(Min-Max Modular)分解组合优化方法与传统的BP神经网络,运用MATLAB进行了仿真实验。
郁雪[5]2009年在《基于协同过滤技术的推荐方法研究》文中提出随着网络与信息技术的飞速发展,互联网为用户提供越来越多的信息和服务,Web用户面临的信息超载问题日趋严重。面对海量的网络资源,推荐系统能够及时跟踪用户的需求变化来自动调整信息服务的方式和内容,是一种极具潜力的解决信息超载的个性化服务技术。协同过滤技术是推荐系统中最广泛使用和最成功的技术之一,在理论研究和实践中都取得了快速的发展。但是随着用户数量和系统规模的不断扩大,协同过滤推荐技术将面临严重的数据稀疏性、超高维、冷启动和实时推荐等方面的挑战。本文针对这些问题,应用统计学和数据挖掘理论与方法,定义了新的相似性度量方法,提出了更为有效的协同过滤推荐算法,给出了电子政务信息推荐系统的体系结构设计,并对多种推荐策略做了详细的探讨。主要研究成果如下:1)详细分析了协同过滤技术中数据稀疏性问题,针对传统相似性度量会导致预测误差的问题,提出了一种新的混合协同过滤推荐算法框架。新算法首先引入新的相似性度量方法,利用站点的概念层次结构,综合考虑页面之间的主题相似性。然后在新相似度的基础上通过基于项目的协同过滤方法预测原始兴趣矩阵的空白评分项,缓解矩阵的稀疏性,最后在平滑后的矩阵上为用户产生推荐。实验对真实Log日志数据进行了测试,结果证明了该算法在提高推荐质量方面的有效性。2)深入研究了推荐系统中原始评分矩阵的超高维特性,提出了一种基于局部主成分分析(Local Principle Component Analysis)的协同过滤推荐方法,该算法首先根据站点的领域知识对网页进行按主题分类,使同一主题的页面具有较强的内容相关性,然后每类页面分别进行主成分变换,实现数据的降维预处理。对每类主题页面设置用户的兴趣阈值,算法实现了从用户和项目的角度分别进行降维处理,最后的实验结果显示了基于局部主成分分析的降维方法可以显着的提高预测精度,但对训练数据集的稠密性具有较高的要求。3)针对推荐系统中实时性和推荐质量不能同时兼顾的问题,提出了一种使用维数约简和聚类技术的混合推荐算法。该算法首先对高维的原始评分矩阵进行全局降维,在低维空间上使用聚类技术缩小目标用户的最近邻搜索空间,使推荐算法的在线计算量大大减少,算法对标准数据集和真实数据都进行了实验测试,结果表明在改善实时推荐效率的同时,算法也具有较高的评分预测精度,并且不同的数据集对推荐结果的影响也是比较明显的。4)针对目前电子政务系统中个性化信息服务的需求,提出了一种面向公众的信息推荐服务模型,设计了个性化推荐系统的体系结构,探讨了其主要功能模块和实现的核心技术,并且根据目前电子政务门户网站的数据特点和服务对象采用了多种推荐策略,能够有效的满足不同情况下的推荐需求。
许洪波[6]2003年在《大规模信息过滤技术研究及其在Web问答系统中的应用》文中研究说明本文讨论了知识挖掘中的大规模信息过滤技术及其在Web问答系统中的应用,对信息过滤特别是自适应过滤的若干关键问题进行了深入细致的研究,提出了一体化的高性能信息过滤方法,取得了比目前的信息过滤系统更好的结果。用户需求和用户兴趣是信息过滤的依据和基础,本文介绍了传统的用户需求扩展和用户兴趣构造技术,提出了一种基于二重伪相关文档选择技术的初始用户兴趣构造方法。针对小样本主题(用户需求)难以过滤的问题,本文提出了小样本主题自动判定和优化加强的方法,有效改善了小样本主题的过滤性能。在总结分析了传统的特征选择方法的基础上,本文提出了用户需求粒度驱动的柔性化特征选择方法,将原始用户需求自动划分为粗粒度主题和细粒度主题,根据用户需求的不同粒度自主选择相应的最适合的特征选择方法。本文还对特征权重的平滑计算方法进行了研究。本文分析了自适应信息过滤中较为典型的不确定信息的学习问题,提出了不充分反馈条件下的自适应学习方法,深入分析和比较了用户兴趣更新中不同的未判定信息处理策略对于过滤性能的影响,找到了一种基于不确定信息的最有效的用户兴趣更新方法。检出阈值的优化调整是自适应信息过滤的重点和难点之一。本文对现有的阈值调整方法进行了总结,分析了当前方法中普遍存在的问题,在此基础上,提出了目标函数优化制导的阈值调整方法,把评测过滤系统性能的指标直接作为阈值调整时优化的目标函数;同时对全局和局部目标函数的优化策略进行了深入分析,总结了两种方法的优缺点;从多个角度比较了全局和局部目标函数优化制导的阈值调整方法对于过滤系统最终性能的影响,探讨了两种方法出现较大差距的原因,得出了局部目标函数优化的阈值调整方法更适于自适应信息过滤的重要结论。本文提出了反向的信息过滤方法,介绍了反向用户兴趣构造和反向过滤的算法。本文把反向过滤的思想引入到通常的正向过滤中来,提出了正向和反向过滤相结合的双向过滤方法,使得正向过滤和反向过滤互为补充、互相改进,从而解决了单一过滤系统难以保持准确率和召回率平衡的传统难题,使两项性能指标都能达到较高的水平。本文最后介绍了面向Web海量信息的问答系统,总结了Web问答系统存在的两大问题:相关文档获取和自适应学习。为了充分利用信息过滤灵活、动态、实时的特点,本文提出了基于信息过滤技术的相关文档获取方法,满足了Web问答系统的时效性要求;提出了自适应的答案信息过滤技术和基于协同过滤思想的自适应答案调整方法,使问答系统的整体性能得到提高。本文的研究成果无论对于一般的信息过滤还是自适应过滤都具有重要的启发意义和实用价值,为大规模高性能信息过滤系统的实现奠定了坚实的基础,提供了可靠保证。
李爱明[7]2007年在《个性化搜索引擎用户模型研究》文中研究指明计算机技术和网络技术的发展与普及，为人们自由获取全球范围内的信息提供了条件，但同时也导致网上信息的爆炸式增长。伴随着信息媒体层出不穷以及当前用户需求的日益复杂，单单依靠传统搜索引擎已经无法满足人们的需求，传统搜索引擎缺乏个性化的局限性日益突出，个性化搜索引擎的研究及其实现成为必然。作为个性化信息服务的基础和核心，用户模型的质量直接关系到个性化信息服务的质量。个性化信息服务系统中的用户模型不是对用户个体的一般性描述，而是一种面向算法的，具有特定数据结构的形式化的用户描述。本论文主要针对当前搜索引擎检索效率不高缺乏个性化的现状进行个性化搜索引擎用户模型研究，通过对用户的兴趣描述，建立用户的兴趣模型，使检索结果更加符合用户的实际需要。本文首先提出了信息超载问题，介绍个性化信息服务的定义、实现过程、支撑技术及服务形式；然后提出个性化搜索引擎及其涉及的主要技术。另外，笔者从用户信息需求的个性化分析入手，探讨了用户信息需求、信息心理、信息行为等相关问题。阐述了用户模型的定义、作用、分类，用户模型信息的获取方法，用户模型的表示方法。随之提出个性化搜索引擎用户建模的方法与技术，如Agent技术、用户兴趣挖掘技术、机器学习、用户反馈技术等。最后以数字图书馆读者兴趣模型的建立为例分析了个性化信息检索用户建模的设计与实现。在论文结尾提出几个有待改进的方面。
张艳[8]2011年在《用户兴趣模型在RSS网络信息服务中的研究》文中研究说明互联网的普及带来了信息过载的问题,RSS信息服务虽然能够实现信息推送,在一定程度上解决信息过载问题,但缺乏个性化考虑。用户建模技术作为个性化信息服务的基础和核心,是当前研究的热点。为了更好地实现个性化信息服务,本文对用户兴趣模型的相关技术进行了深入研究,并将其应用于RSS信息服务中,主要工作和贡献有:1.改进了基于向量空间模型的用户兴趣模型表示方式,增加了长、短期兴趣的标识和更新时间,同时也改进了传统的利用TF/IDF公式计算关键词权重的方式,增加了基于隐式反馈行为的页面兴趣等级参数,改进的方法更能有效地表示用户的兴趣。2.提出了结合渐进遗忘和Rocchio方法来更新长期兴趣模型的算法,而短期兴趣模型则采用滑动时间窗口的方法进行更新,并且当短期兴趣满足一定条件时则转变为长期兴趣,本文提出的用户兴趣模型更新方法能够及时、准确地追踪用户的兴趣漂移。3.提出了基于信息推荐技术的用户兴趣模型优化算法,该算法进一步优化用户的混合兴趣模型,能够根据用户的反馈信息自适应调整长、短期兴趣在混合模型和信息推荐技术中的比重,更好地为用户推荐其感兴趣的资源。4.基于本文提出的用户兴趣模型的更新和优化算法设计并实现了个性化RSS新闻推荐系统,该系统将RSS技术与个性化信息服务技术结合起来。通过在此系统上的实验,验证了本文提出的用户兴趣模型的更新和优化算法是可行和有效的。
袁方[9]2006年在《面向智能信息检索的Web挖掘关键技术研究》文中进行了进一步梳理WWW自从1991年问世以来得到了非常迅速的发展，为人们获取各种信息提供了方便。随着Internet技术的不断发展和完善，WWW将会逐步成为人们获取信息的一个重要渠道。如果说，在信息量相对较少的时候，Internet为人们获取信息提供了方便的话，随着Internet上信息量的急剧增加，人们却感觉到查找所需要的信息越来越困难了，其原因就在于传统的信息检索方式已越来越不适应网上的海量信息，人们希望有更加智能化的信息检索方式出现，以应对海量信息的检索。 本文对面向智能信息检索的Web挖掘的若干关键技术进行研究，重点研究了数据预处理、Web页面分类/聚类及Web用户分类/聚类、概念检索、个性化服务等问题，提出或改进了一些应用于智能信息检索的Web挖掘算法，应用研究成果实现了一个小型智能化信息检索的系统原型。 数据预处理包括基于PDF文件的信息抽取、中文文本分词和Web日志预处理。对于PDF文件信息抽取，提出了基于格式注入的规则抽取和基于树模型的信息抽取算法，在人工标注指导下学习信息抽取规则，取得了较高的信息抽取准确率。对于中文文本分词，提出了基于固定词典和统计相结合的渐进式丰富词典的中文文本分词方法，较好地解决了新词识别问题，相对于单纯的词典方法或统计方法，具有更好的分词效果。Web日志预处理包括数据清洗、用户识别、会话识别和路径补充等工作，在分析已有工作的基础上，重点讨论了路径补充问题并提出了新的路径补充算法，使Web日志预处理工作更加完善。 在中文页面分类研究中，讨论了用于文本分类的各种方法，重点讨论了对文本分类具有较高分类准确率的k-近邻方法。针对k-近邻方法分类效率不高的问题，提出了基于密度的训练样本集约减、渐进式分类等算法。通过计算训练样本集中各类别的类别密度及整个训练集的平均密度，去掉高密度类别中的部分样本；渐进式分类模式模拟人工分类文本的智能化形式，分为按标题分类、按关键段落分类和按全文分类叁个层次，尽量减少分析全文的比例。实验表明，这两个方面的改进，不仅提高了k-近邻方法的分类效率，而且对其分类准确率也有一定程度的提高，这说明训练样本集的约减使其具有更好的代表性，渐进式文本分
赵继春[10]2016年在《农民现代远程教育个性化学习关键技术研究》文中认为开展农民现代远程教育是提升农村信息化水平、消除数字鸿沟、构建农民终身教育体系的一项重要战略部署。目前,随着计算机和通信技术的快速发展,网络学习资源增长迅速,农民在远程教育学习过程中,面临着―信息迷航‖以及―资源过载‖问题,主要原因是现有的远程教育系统不能有效的理解教学资源的语义信息,不同结构的教学资源未能够有效的组织成有效的知识。另外,系统无法为不同学习需求和背景的用户提供符合其偏好特征的学习资源。如何从大量的学习资源中快速、有效地获取个性化学习信息已经成为学习者迫切的需要。本文主要探讨研究了农民现代远程教育个性化学习关键技术,研究采用理论建模、数学分析、实验仿真验证和实际部署等方法。论文在个性化学习关键技术理论研究和实践探索方面,主要取得了以下几方面成果:(1)提出了农民远程教育个性化学习系统框架。以远程教育教学资源、农民学习行为和教学资源属性信息为依据,以计算机和信息技术手段为支撑,提出了髙效的农民远程教育个性化学习系统架构。(2)开发构建了农民远程教育视频教学资源领域本体。研究并优化领域本体构建方法,开发构建的视频教学资源领域本体为用户兴趣模型提供可靠的语义知识支持。(3)研究构建了基于用户属性信息和教学资源领域本体的个性化用户兴趣模型,有效缓解了用户学习行为变化预测不准、算法空间复杂度高以及影响用户学习行为分析不准确全面等问题。(4)提出了基于用户属性信息及其兴趣主题联合相似度的协同过滤推荐算法,缓解了个性化系统中存在的稀疏性以及新用户问题。开展了基于序列分析的个性化推荐算法研究工作,通过实验找出最小支持度阈值设置范围在0.003%至0.004%之间,能兼顾算法的准确率和覆盖率。(5)研发了农民远程教育个性化学习系统原型,在实践中验证了领域本体、用户兴趣模型和个性化推荐算法等关键技术和方法研究理论的有效性。研究创新之处主要体现在:在研究构建的远程教育视频教学资源领域本体基础上,提出了基于用户属性信息和教学资源领域本体的个性化用户兴趣模型,解决了用户兴趣模型缺少层次概念语义问题,模型具有较好的扩展性和自我调节能力。在教学资源领域本体和用户兴趣模型研究基础上,提出了基于用户属性信息和兴趣主题联合相似度的协同过滤推荐算法,有效缓解了评分矩阵的稀疏性、个性化推荐算法的时间复杂度高等问题。
参考文献：
[1]. 基于神经网络的用户建模和Web信息过滤研究[D]. 代学武. 西南师范大学. 2003
[2]. 基于本体的个性化信息搜索的用户模型研究[D]. 关庆珍. 西南大学. 2008
[3]. 从社会性软件、Web2.0到复杂适应信息系统研究[D]. 张树人. 中国人民大学. 2006
[4]. 面向信息服务的Web文本分类技术研究[D]. 隋福宁. 国防科学技术大学. 2010
[5]. 基于协同过滤技术的推荐方法研究[D]. 郁雪. 天津大学. 2009
[6]. 大规模信息过滤技术研究及其在Web问答系统中的应用[D]. 许洪波. 中国科学院研究生院（计算技术研究所）. 2003
[7]. 个性化搜索引擎用户模型研究[D]. 李爱明. 华中师范大学. 2007
[8]. 用户兴趣模型在RSS网络信息服务中的研究[D]. 张艳. 南京航空航天大学. 2011
[9]. 面向智能信息检索的Web挖掘关键技术研究[D]. 袁方. 东北大学. 2006
[10]. 农民现代远程教育个性化学习关键技术研究[D]. 赵继春. 中国农业科学院. 2016
标签：互联网技术论文; 自动化技术论文; 推荐算法论文; 个性化推荐系统论文; 协同过滤论文; 神经网络算法论文; 语义分析论文; 相关性分析论文; 用户研究论文; 网络模型论文; 建模软件论文; 协同软件论文; 搜索引擎技术论文; web技术论文; 用户需求论文; 用户分析论文; 主题模型论文; 信息过载论文; 系统学习论文; 信息发展论文; 协同设计论文; 算法论文;