基于點(diǎn)擊的用戶(hù)聚類(lèi)的研究.pdf

1、隨著Internet上信息量飛速增長(zhǎng)，搜索引擎已成為互聯(lián)網(wǎng)信息檢索必不可少的工具，但這并不能滿足人們對(duì)于個(gè)性化信息的檢索需求，于是基于用戶(hù)興趣的個(gè)性化搜索服務(wù)便成為了人們研究與開(kāi)發(fā)的熱點(diǎn)。本文主要介紹了基于個(gè)性化檢索的語(yǔ)料庫(kù)建設(shè)。
　　本文首先分析了用于個(gè)性化信息檢索的自建語(yǔ)料庫(kù)的發(fā)展現(xiàn)狀，闡述了自建語(yǔ)料庫(kù)對(duì)于信息檢索研究的重要性。目前，由于多種原因，信息檢索語(yǔ)料獲取困難，大多數(shù)個(gè)性化信息檢索實(shí)驗(yàn)的數(shù)據(jù)規(guī)模較小，研究成果說(shuō)服力不足

2、，從而使得建設(shè)大規(guī)模的語(yǔ)料庫(kù)對(duì)于信息檢索具有重要意義。對(duì)網(wǎng)上信息語(yǔ)料庫(kù)搜集的實(shí)現(xiàn)原理和關(guān)鍵技術(shù)進(jìn)行了討論和分析，介紹了基于Web的自動(dòng)獲取信息的原理及網(wǎng)絡(luò)爬蟲(chóng)工具。較為詳實(shí)地闡述了網(wǎng)頁(yè)抓取技術(shù)，剖析了兩種抓取方式的實(shí)現(xiàn)原理以及相關(guān)應(yīng)用。具體介紹了Wget爬蟲(chóng)工具的特點(diǎn)以及使用方法。
　　之后介紹聚類(lèi)。聚類(lèi)，是將一個(gè)數(shù)據(jù)單位的集合分割成幾個(gè)稱(chēng)為類(lèi)或類(lèi)別的子集，每個(gè)類(lèi)內(nèi)的對(duì)象之間是相似的。所謂用戶(hù)聚類(lèi)就是指按照興趣自動(dòng)聚類(lèi)用戶(hù)，形成興

3、趣相關(guān)的用戶(hù)群組。本文介紹了傳統(tǒng)用戶(hù)聚類(lèi)的方法，通過(guò)用戶(hù)興趣模型對(duì)用戶(hù)進(jìn)行聚類(lèi)，分析了傳統(tǒng)方法的不足，并提出了我們研究的基于點(diǎn)擊的用戶(hù)聚類(lèi)技術(shù)，利用用戶(hù)的點(diǎn)擊記錄對(duì)用戶(hù)進(jìn)行聚類(lèi)，而不是通過(guò)建立用戶(hù)興趣模型。
　　最后本文詳盡描述了基于搜狗語(yǔ)料庫(kù)的個(gè)性化檢索數(shù)據(jù)的采集過(guò)程，包括匹配過(guò)濾、網(wǎng)頁(yè)抓取、標(biāo)記日志、格式化處理等步驟。說(shuō)明了實(shí)驗(yàn)中遇到的問(wèn)題并就此提出了解決方案和關(guān)于進(jìn)一步改進(jìn)的想法。本文是在某知名公司提供的數(shù)據(jù)的基礎(chǔ)上進(jìn)行了系