TY - JOUR A2 - Kostavelis, Ioannis AU - Wang, Xiaoru AU - Li, Yueli AU - Yu, Zhihong AU - Li, Fu AU - Zhang, Heng AU - Cai, Yali AU - Li, Lixian PY - 2020 DA - 2020/05/30 TI - DIM:基于可变形兴趣模型SP - 4365602 VL - 2020 AB自适应结合不同阶段挖掘的用户兴趣，用户兴趣挖掘广泛应用于个性化搜索和个性化推荐领域。传统的方法忽略了用户兴趣的形成，这是一个随时间而变化的过程。这导致无法准确描述用户兴趣的分布。本文提出了兴趣跟踪模型(ITM)。在时间上，ITM采用Dirichlet分布和多项分布来描述兴趣主题和频繁模式的演化过程，很好地适应了隐藏在短文本中的用户兴趣在不同时间片之间的演化。此外，众所周知，用户兴趣由长期兴趣和情境兴趣组成，其中包括短期兴趣和社会热点话题。目前最先进的方法简单地将用户的长期利益作为用户的最终利益，这使得那些不能完全描述用户兴趣分布的方法。为了解决这一问题，我们提出了可变形兴趣模型(DIM)，该模型设计了一个目标函数，将用户的长期兴趣和情境兴趣结合起来，更全面、准确地挖掘用户兴趣。此外，我们提出了度量子兴趣对最终兴趣影响程度的变形程度，并在DIM中提出了影响实时更新机制。 The mechanism adaptively updates the degree of deformation through the linear iteration and reduces the degree of dependence of the interest model on training sets. We present results via a dataset consisting of Flickr users and their uploaded information in three months, a dataset consisting of Twitter users and their tweets in three months, and a dataset consisting of Instagram users and their uploaded information in three months, showing that the perplexity is reduced to 0.378, the average accuracy is increased to 94%, and the average NMI is increased to 0.20, which prove better interest prediction. SN - 1024-123X UR - https://doi.org/10.1155/2020/4365602 DO - 10.1155/2020/4365602 JF - Mathematical Problems in Engineering PB - Hindawi KW - ER -