夏義國+劉友華

〔摘 要〕用戶興趣

的度量和用戶興趣的修正是個性化服務(wù)研究的重要內(nèi)容?本文以用戶最小瀏覽行為組合為基

礎(chǔ)，通過引入頁面瀏覽率，改進(jìn)頁面駐留時間的計算方法，建立以頁面瀏覽率?駐留時間和

瀏覽速度為變量的興趣度估計函數(shù)，提高用戶興趣度估計的準(zhǔn)確性?同時，本文還將興趣度

導(dǎo)入到向量空間模型，采用二層樹狀結(jié)構(gòu)表示用戶興趣，并提出用戶興趣定期修正方法，以

緩解用戶興趣實時修正帶來系統(tǒng)性能的下降?

〔關(guān)鍵詞〕用戶瀏覽行為；興趣度

計算；用戶興趣修正；向量空間模型

DOI：10.3969/j

.issn.1008-0821.2014.01.010

〔中圖分類號〕G250.72 〔文獻(xiàn)標(biāo)識碼〕A 〔文章編

號〕1008-0821（2014）01-0046-03

An Improved Method to Calcul

ate Users Interest

Degree and Amend Users Interest

Xia Yiguo1 Liu Youhua1，2

（1.School of Management and Engineering，Nanjing University，Nanjing 210093，

China；

2.School of Information Management，Nanjing University，Nanjing 210093，China

）

〔Abstract〕”BZ〗The calculation of users interest degree and amendment of users inte

rest are the essential content of personalized services research.Based on a set

of user browsing behaviors，it introduced the concept of browsing rate，improve me

asurement method of stay time on webpage and established a calculation function

of interest degree with variables browsing rate，stay time and browsing speed of

webpage.At the same time，interest degree was imported into Vector Space Model an

d users interest was presented by two-layer tree structure on the paper.Beside

s，fixed period amendment method of users interest was given on the paper at la

st which could not only modify user interest in time，but also ease the problem o

f systems performance drop caused by user interest real-time updating.

〔Key words〕users browsing

behaviors；interest degree calculation；users interest amendment；vector space m

odel

個性化服務(wù)是指針對不同用戶提供不同服務(wù)策略和服務(wù)內(nèi)容的服務(wù)模式，個性化服務(wù)能

夠很好的解決互聯(lián)網(wǎng)海量無序信息與用戶個性化需求狹窄間的矛盾?用戶興趣的度量和修正

作為個性化服務(wù)研究的重要內(nèi)容，是決定個性化服務(wù)質(zhì)量的關(guān)鍵因素?

用戶興趣度（Interest Degree，ID）用來衡量用戶對某一主題是否感興趣以及感興趣的程

度，常采用0～1之間的實數(shù)表示?目前，計算用戶興趣度的大小主要有兩種方式：一種通過

向用戶提問的方式直接獲得，另一種根據(jù)用戶的瀏覽行為分析獲取?前者需要用戶直接對頁

面興趣進(jìn)行標(biāo)注，會對用戶造成一定的干擾，而且用戶常常不能準(zhǔn)確的表達(dá)自己的興趣；后

者則利用數(shù)據(jù)挖掘技術(shù)對用戶的瀏覽行為進(jìn)行分析來估計用戶興趣度大小，不僅降低了用戶

負(fù)擔(dān)，同時還能較為準(zhǔn)確的描述用戶興趣，這種方式已成為個性化推薦系統(tǒng)普遍采用的獲取

用戶興趣的方式?大量研究表明，用戶對網(wǎng)頁的興趣度與其在該網(wǎng)頁上的瀏覽行為密切相關(guān)

?用戶的很多瀏覽行為如查詢?標(biāo)記書簽?點擊鼠標(biāo)?拖動滾動條?前進(jìn)和后退等能暗示出

用戶的喜好與興趣大小?用戶訪問頁面時的停留時間?訪問次數(shù)?保存?編輯等動作同樣能

夠反映用戶的興趣[1-3]?文獻(xiàn)^[4]中進(jìn)一步給出了用戶興趣度估計的

最小瀏覽行為組合，并認(rèn)為這個組合可以準(zhǔn)確的描述用戶的興趣?但在這些文獻(xiàn)中，并沒有

給出一個完整的基于用戶瀏覽行為的興趣度計算方法?另外，針對用戶興趣不斷變化的問題

，很多學(xué)者從不同角度提出了用戶興趣的修正處理方法，如時間窗口法^[5]，遺忘

函數(shù)法^[6]，混合興趣法^[7]等，這些處理方法的一個共同點就是強(qiáng)調(diào)對

用戶興趣的實時修正，卻忽略了大部分用戶的興趣在短時間內(nèi)常常是穩(wěn)定的特性以及實時修

正時頻繁的數(shù)據(jù)存儲和運算對系統(tǒng)性能的影響?

針對以上所述的用戶興趣度計算與用戶興趣修正處理方法中存在的問題，本文著重做以下兩

方面的工作：（1）以用戶最小瀏覽行為組合為基礎(chǔ)，引入頁面瀏覽率概念，改進(jìn)頁面駐留

時間的計算方法，并建立一個完整的用戶興趣度計算函數(shù)；（2）基于向量空間模型的基本

原理，采用二層樹狀結(jié)構(gòu)表示用戶興趣，提出用戶興趣定期修正處理方法?1 基于用戶最小瀏覽行為組合的興趣度計算

采用用戶瀏覽行為估計用戶興趣度的關(guān)鍵問題在于首先需要確定哪些瀏覽行為能真正反映用

戶興趣，其次如何對這些代表性瀏覽行為進(jìn)行量化?文獻(xiàn)^[4]中利用回歸分析對用

戶眾多瀏覽行為進(jìn)行分析，得出了用戶最小瀏覽行為組合：保存頁面?打印頁面?將頁面保

存在書簽中?訪問同一頁面的次數(shù)以及在頁面上的駐留時間?在此基礎(chǔ)上，一些學(xué)者提出了

基于頁面訪問次數(shù)?駐留時間和瀏覽速度的用戶興趣度計算方法[8-9]，這些方

法從一定程度上很好的解決了用戶興趣的度量問題?

然而觀察目前普遍采用的頁面訪問次數(shù)和駐留時間的計算方法，我們發(fā)現(xiàn)往往存在這樣的情

況：一方面，隨著時間的推移，在一段時間內(nèi)，用戶瀏覽頁面A的次數(shù)在減少，瀏覽頁

面B的次數(shù)在增加，盡管在瀏覽總次數(shù)上A比B多，但此時用戶感興趣的應(yīng)該是頁面

B，此時簡單的頁面瀏覽次數(shù)就不能準(zhǔn)確的反映用戶興趣的這種變化；另外，一些頁面

往往包含很多超文本鏈接，用戶在原頁面短暫停留后可能迅速通過鏈接訪問其子文件，這種

瀏覽行為反映出用戶對原頁面是很感興趣的，但這種只考慮用戶在原頁面上的駐留時間而忽

略其鏈接頁面駐留時間的計算方式就不能準(zhǔn)確的反映用戶的興趣度?

因此，本文引入頁面瀏覽率代替頁面訪問次數(shù)，并以原頁面與其鏈接頁面駐留時間的加權(quán)形

式改進(jìn)現(xiàn)有頁面駐留時間的計算方法，然后建立一個以頁面瀏覽率?改進(jìn)后的駐留時間和瀏

覽速度為變量的用戶興趣度估計函數(shù)，以此提高興趣度估計的準(zhǔn)確性?各變量和函數(shù)的具體

定義如下：

（1）頁面瀏覽率BR（w）：用來衡量某段時間內(nèi)用戶對頁面的訪問

頻率，頁面瀏覽率的值越大，說明用戶對該頁面越感興趣?設(shè)一段時間內(nèi)用戶訪問頁面w的

次數(shù)為Freq（w）

其中，s為用戶訪問的某一頁面?

此外，筆者還作如下設(shè)定：當(dāng)保存頁面?打印頁面和保存頁面到書簽中的3種行為中任意一

個行為一旦發(fā)生，即表示用戶對頁面產(chǎn)生了很大興趣，此時無需再考慮頁面瀏覽率?駐留時

間和瀏覽速度3個變量，這種情況下直接將用戶興趣度ID視為最大值1；而當(dāng)以上3種行為都

沒有發(fā)生時，則利用頁面瀏覽率?駐留時間和瀏覽速度構(gòu)建的線性方程函數(shù)來反映用戶興趣

度的值?

綜上，改進(jìn)后的基于用戶最小瀏覽行為組合的用戶興趣度度量函數(shù)為：

2 用戶興趣定期修正方法

2.1 用戶興趣的表示

向量空間模型^[10]是文檔常用的表示方法，它很好地表示了用戶瀏覽文檔的特征

，但為了更好地反映用戶對瀏覽主題的興趣差異，我們將興趣度（ID）引入到向量空間模型

中，并以二層樹狀結(jié)構(gòu)來表示用戶興趣，如圖1所示?在二層樹狀結(jié)構(gòu)中，第1級結(jié)點表示

用戶感興趣的主題及其興趣度，第2級結(jié)點則是用戶興趣主題的向量空間模型表示?

2.2 用戶興趣的修正

用戶興趣往往并不是一成不變的，這就要求構(gòu)建的用戶興趣表示方法具有自適應(yīng)學(xué)習(xí)功能，

一旦檢測到用戶興趣的改變就能及時做出調(diào)整以適應(yīng)這種變化?目前，主要的用戶興趣修正

處理方法都特別強(qiáng)調(diào)對用戶興趣的實時修正，這種方式確實很好地保證了用戶當(dāng)前興趣特征

描述的準(zhǔn)確性，但如果對用戶的每一次瀏覽行為都對用戶興趣進(jìn)行一次修正操作不僅耗費大

量的存儲空間，而且還將大大降低系統(tǒng)性能?這種實時修正用戶興趣的方式實際上還忽略了

用戶興趣的一個重要特點即大部分用戶的興趣在較短時期內(nèi)往往是穩(wěn)定的，隨著時間的推移

才緩慢發(fā)生變化^[12]?因此，筆者提出用戶興趣定期修正處理方法，其核心思想

是：每隔固定時間T（T可根據(jù)系統(tǒng)性能要求?用戶行為等來確定）對用戶興趣進(jìn)行一次修

正，期間系統(tǒng)會對用戶的每一次瀏覽行為生成一個興趣向量進(jìn)行存儲，統(tǒng)計周期結(jié)束時，系

統(tǒng)再依據(jù)匯總的這些興趣向量對用戶興趣進(jìn)行修正?

在介紹用戶興趣定期修正處理算法前，首先給出以下假設(shè)和運算定義：

假設(shè)用戶至多有m個興趣主題，每個主題最多可以由n個特征關(guān)鍵詞來表示?用戶瀏覽新頁

面的主題用向量Tnew表示，用戶對該頁面主題的興趣度為IDnew，則

運算2：當(dāng)兩個興趣主題Ti和Tnew間的相似度大于一定的閾值θ時，需要進(jìn)

行主題間的合并運算Ti=TiTnew：（1）合并后的主題仍以原主題T

i表示，興趣度等于兩個主題的興趣度之和：IDi+IDnew?（2）在合

并后表示主題的關(guān)鍵詞處理方面，若某主題關(guān)鍵詞在兩個興趣主題中均出現(xiàn)，則合并后該主

題關(guān)鍵詞的權(quán)重為兩主題中該關(guān)鍵詞的權(quán)重之和；若某主題關(guān)鍵詞未在Ti中出現(xiàn)，則合

并后該主題關(guān)鍵詞的權(quán)重以Tnew中該關(guān)鍵詞的權(quán)重表示?（3）將合并后的主題

的所有關(guān)鍵詞按權(quán)重大小降序排列，取前n個關(guān)鍵詞及其權(quán)重來表示合并后最終形成的用戶

興趣主題?

綜上，基于向量空間模型的用戶興趣定期修正處理算法描述如下：

輸入：初始用戶興趣表示I0，主題數(shù)m，主題關(guān)鍵詞數(shù)n，固定周期T，主題間相似度

閾值θ?

輸出：修正后的用戶興趣表示I

過程：

步驟1：以某時刻t計時，在時間T內(nèi)，將用戶的每一次瀏覽行為，以向量Tnew

的形式表示：利用TF-IDF法計算主題各關(guān)鍵詞權(quán)重并按權(quán)重降序排列，取前n個關(guān)鍵詞

及其權(quán)重以及用戶對網(wǎng)頁的興趣度表示該興趣主題，若關(guān)鍵詞個數(shù)不足n個，空缺的關(guān)鍵詞

及其權(quán)重用（“”，0）來填充?將形成的所有興趣向量存儲起來?

步驟2：在時刻t+T處，利用運算1，分別計算主題Tnew與初始興趣表示中所

有興趣主題間相似度的最大值，并判斷相似度的最大值是否大于預(yù)定的閾值θ，如果大于θ

，則進(jìn)行運算2，否則進(jìn)入步驟3?

步驟3：將該興趣主題加入到用戶興趣表示中，并按用戶興趣度降序排列?

步驟4：判斷用戶興趣表示中，興趣主題數(shù)是否大于預(yù)定值m，若大于m，則取前m個興趣

主題表示用戶興趣?

步驟5：得到修正后的用戶興趣表示?每隔固定時間T，重復(fù)上述步驟?

3 結(jié) 論

本文以用戶最小瀏覽行為組合為基礎(chǔ)，建立了一個完整的用戶興趣度量函數(shù)，在簡化用戶興

趣度計算的同時提高了興趣度估計的準(zhǔn)確性?此外，通過引入興趣度，擴(kuò)展傳統(tǒng)的向量空間

模型，并采用二層樹狀結(jié)構(gòu)表示用戶興趣，提高了用戶興趣表示的準(zhǔn)確性和實用性?相比較

于以往的用戶興趣實時修正處理方法，本文提出的用戶興趣定期修正處理方法能夠較好的解

決實時修正帶來的系統(tǒng)性能下降問題?

然而，目前所采用的這種通過監(jiān)測用戶興趣，并在用戶興趣發(fā)生改變后作出一系列適應(yīng)性調(diào)

整的用戶興趣修正方法，對用戶興趣轉(zhuǎn)移的反應(yīng)往往具有一定的滯后性，因此如何挖掘用戶

興趣發(fā)生轉(zhuǎn)移的深層原因并提前做出反應(yīng)將是未來非常值得研究的內(nèi)容?

參考文獻(xiàn)

[1]Georgakis A，Li H.User behavior modeling and content based spec

ulative Web page perfecting[J].Data & Knowledge Engineering，2006，59（3）：770-

788.

[2]王繼民，彭波.搜索引擎用戶點擊行為分析[J].情報學(xué)報，2006，25（2）：154-162.

[3]尹春暉，鄧偉.基于用戶瀏覽行為分析的用戶興趣獲取[J].計算機(jī)技術(shù)與發(fā)展，2003

，18（5）：37-39.

[4]莊曉敏.面向Internet的個性化服務(wù)的用戶建模技術(shù)研究[D].長沙：國防科學(xué)技術(shù)

大學(xué)，2008：60-82.

[5]Widmer G，Kubat M.Learning in the presence of Concept Drift and Hidden Cont

ext[J].Machine Learning，1996，23（1）：69-101.

[6]Koychev I，Schwab I.Adaption to Drifting Users Interests[C].In Proceed

dings of ECML Workshop：Machine Learning in new Information Age，2000.

[7]Billsus D ，Pazzani M J.A Hybrid User Model for News Classification[C].I

n Proceedings of the Seventh International Conference on User Modeling（UM99）

，Springer-Verlag，1999：99-108.

[8]單蓉.一種基于用戶瀏覽行為更新的興趣模型[J].電子設(shè)計工程，2010，18（4）：61

-63.

[9]李建廷，郭曄，湯志軍.基于用戶瀏覽行為分析的用戶興趣度計算[J].計算機(jī)工程與

設(shè)計，2012，33（3）：969-972.

[10]Salton G.Developments in automatic text retrieval[J].science，1991，253

（5023）：974-979.

[11]Salton G，Buckley C.Term-weighting approaches in automatic text retrieval

[J].Information processing and Management，1988，24（5）：513-523.

[12]伍大清，陽小華，等.基于隱式反饋的用戶興趣漂移方法[J].計算機(jī)應(yīng)用與軟件，

2010，27（9）：89-91.endprint

i表示，興趣度等于兩個主題的興趣度之和：IDi+IDnew?（2）在合

并后表示主題的關(guān)鍵詞處理方面，若某主題關(guān)鍵詞在兩個興趣主題中均出現(xiàn)，則合并后該主

題關(guān)鍵詞的權(quán)重為兩主題中該關(guān)鍵詞的權(quán)重之和；若某主題關(guān)鍵詞未在Ti中出現(xiàn)，則合

并后該主題關(guān)鍵詞的權(quán)重以Tnew中該關(guān)鍵詞的權(quán)重表示?（3）將合并后的主題

的所有關(guān)鍵詞按權(quán)重大小降序排列，取前n個關(guān)鍵詞及其權(quán)重來表示合并后最終形成的用戶

興趣主題?

綜上，基于向量空間模型的用戶興趣定期修正處理算法描述如下：

輸入：初始用戶興趣表示I0，主題數(shù)m，主題關(guān)鍵詞數(shù)n，固定周期T，主題間相似度

閾值θ?

輸出：修正后的用戶興趣表示I

過程：

步驟1：以某時刻t計時，在時間T內(nèi)，將用戶的每一次瀏覽行為，以向量Tnew

的形式表示：利用TF-IDF法計算主題各關(guān)鍵詞權(quán)重并按權(quán)重降序排列，取前n個關(guān)鍵詞

及其權(quán)重以及用戶對網(wǎng)頁的興趣度表示該興趣主題，若關(guān)鍵詞個數(shù)不足n個，空缺的關(guān)鍵詞

及其權(quán)重用（“”，0）來填充?將形成的所有興趣向量存儲起來?

步驟2：在時刻t+T處，利用運算1，分別計算主題Tnew與初始興趣表示中所

有興趣主題間相似度的最大值，并判斷相似度的最大值是否大于預(yù)定的閾值θ，如果大于θ

，則進(jìn)行運算2，否則進(jìn)入步驟3?

步驟3：將該興趣主題加入到用戶興趣表示中，并按用戶興趣度降序排列?

步驟4：判斷用戶興趣表示中，興趣主題數(shù)是否大于預(yù)定值m，若大于m，則取前m個興趣

主題表示用戶興趣?

步驟5：得到修正后的用戶興趣表示?每隔固定時間T，重復(fù)上述步驟?

3 結(jié) 論

本文以用戶最小瀏覽行為組合為基礎(chǔ)，建立了一個完整的用戶興趣度量函數(shù)，在簡化用戶興

趣度計算的同時提高了興趣度估計的準(zhǔn)確性?此外，通過引入興趣度，擴(kuò)展傳統(tǒng)的向量空間

模型，并采用二層樹狀結(jié)構(gòu)表示用戶興趣，提高了用戶興趣表示的準(zhǔn)確性和實用性?相比較

于以往的用戶興趣實時修正處理方法，本文提出的用戶興趣定期修正處理方法能夠較好的解

決實時修正帶來的系統(tǒng)性能下降問題?

然而，目前所采用的這種通過監(jiān)測用戶興趣，并在用戶興趣發(fā)生改變后作出一系列適應(yīng)性調(diào)

整的用戶興趣修正方法，對用戶興趣轉(zhuǎn)移的反應(yīng)往往具有一定的滯后性，因此如何挖掘用戶

興趣發(fā)生轉(zhuǎn)移的深層原因并提前做出反應(yīng)將是未來非常值得研究的內(nèi)容?

參考文獻(xiàn)

[1]Georgakis A，Li H.User behavior modeling and content based spec

ulative Web page perfecting[J].Data & Knowledge Engineering，2006，59（3）：770-

788.

[2]王繼民，彭波.搜索引擎用戶點擊行為分析[J].情報學(xué)報，2006，25（2）：154-162.

[3]尹春暉，鄧偉.基于用戶瀏覽行為分析的用戶興趣獲取[J].計算機(jī)技術(shù)與發(fā)展，2003

，18（5）：37-39.

[4]莊曉敏.面向Internet的個性化服務(wù)的用戶建模技術(shù)研究[D].長沙：國防科學(xué)技術(shù)

大學(xué)，2008：60-82.

[5]Widmer G，Kubat M.Learning in the presence of Concept Drift and Hidden Cont

ext[J].Machine Learning，1996，23（1）：69-101.

[6]Koychev I，Schwab I.Adaption to Drifting Users Interests[C].In Proceed

dings of ECML Workshop：Machine Learning in new Information Age，2000.

[7]Billsus D ，Pazzani M J.A Hybrid User Model for News Classification[C].I

n Proceedings of the Seventh International Conference on User Modeling（UM99）

，Springer-Verlag，1999：99-108.

[8]單蓉.一種基于用戶瀏覽行為更新的興趣模型[J].電子設(shè)計工程，2010，18（4）：61

-63.

[9]李建廷，郭曄，湯志軍.基于用戶瀏覽行為分析的用戶興趣度計算[J].計算機(jī)工程與

設(shè)計，2012，33（3）：969-972.

[10]Salton G.Developments in automatic text retrieval[J].science，1991，253

（5023）：974-979.

[11]Salton G，Buckley C.Term-weighting approaches in automatic text retrieval

[J].Information processing and Management，1988，24（5）：513-523.

[12]伍大清，陽小華，等.基于隱式反饋的用戶興趣漂移方法[J].計算機(jī)應(yīng)用與軟件，

2010，27（9）：89-91.endprint

i表示，興趣度等于兩個主題的興趣度之和：IDi+IDnew?（2）在合

并后表示主題的關(guān)鍵詞處理方面，若某主題關(guān)鍵詞在兩個興趣主題中均出現(xiàn)，則合并后該主

題關(guān)鍵詞的權(quán)重為兩主題中該關(guān)鍵詞的權(quán)重之和；若某主題關(guān)鍵詞未在Ti中出現(xiàn)，則合

并后該主題關(guān)鍵詞的權(quán)重以Tnew中該關(guān)鍵詞的權(quán)重表示?（3）將合并后的主題

的所有關(guān)鍵詞按權(quán)重大小降序排列，取前n個關(guān)鍵詞及其權(quán)重來表示合并后最終形成的用戶

興趣主題?

綜上，基于向量空間模型的用戶興趣定期修正處理算法描述如下：

輸入：初始用戶興趣表示I0，主題數(shù)m，主題關(guān)鍵詞數(shù)n，固定周期T，主題間相似度

閾值θ?

輸出：修正后的用戶興趣表示I

過程：

步驟1：以某時刻t計時，在時間T內(nèi)，將用戶的每一次瀏覽行為，以向量Tnew

的形式表示：利用TF-IDF法計算主題各關(guān)鍵詞權(quán)重并按權(quán)重降序排列，取前n個關(guān)鍵詞

及其權(quán)重以及用戶對網(wǎng)頁的興趣度表示該興趣主題，若關(guān)鍵詞個數(shù)不足n個，空缺的關(guān)鍵詞

及其權(quán)重用（“”，0）來填充?將形成的所有興趣向量存儲起來?

步驟2：在時刻t+T處，利用運算1，分別計算主題Tnew與初始興趣表示中所

有興趣主題間相似度的最大值，并判斷相似度的最大值是否大于預(yù)定的閾值θ，如果大于θ

，則進(jìn)行運算2，否則進(jìn)入步驟3?

步驟3：將該興趣主題加入到用戶興趣表示中，并按用戶興趣度降序排列?

步驟4：判斷用戶興趣表示中，興趣主題數(shù)是否大于預(yù)定值m，若大于m，則取前m個興趣

主題表示用戶興趣?

步驟5：得到修正后的用戶興趣表示?每隔固定時間T，重復(fù)上述步驟?

3 結(jié) 論

本文以用戶最小瀏覽行為組合為基礎(chǔ)，建立了一個完整的用戶興趣度量函數(shù)，在簡化用戶興

趣度計算的同時提高了興趣度估計的準(zhǔn)確性?此外，通過引入興趣度，擴(kuò)展傳統(tǒng)的向量空間

模型，并采用二層樹狀結(jié)構(gòu)表示用戶興趣，提高了用戶興趣表示的準(zhǔn)確性和實用性?相比較

于以往的用戶興趣實時修正處理方法，本文提出的用戶興趣定期修正處理方法能夠較好的解

決實時修正帶來的系統(tǒng)性能下降問題?

然而，目前所采用的這種通過監(jiān)測用戶興趣，并在用戶興趣發(fā)生改變后作出一系列適應(yīng)性調(diào)

整的用戶興趣修正方法，對用戶興趣轉(zhuǎn)移的反應(yīng)往往具有一定的滯后性，因此如何挖掘用戶

興趣發(fā)生轉(zhuǎn)移的深層原因并提前做出反應(yīng)將是未來非常值得研究的內(nèi)容?

參考文獻(xiàn)

[1]Georgakis A，Li H.User behavior modeling and content based spec

ulative Web page perfecting[J].Data & Knowledge Engineering，2006，59（3）：770-

788.

[2]王繼民，彭波.搜索引擎用戶點擊行為分析[J].情報學(xué)報，2006，25（2）：154-162.

[3]尹春暉，鄧偉.基于用戶瀏覽行為分析的用戶興趣獲取[J].計算機(jī)技術(shù)與發(fā)展，2003

，18（5）：37-39.

[4]莊曉敏.面向Internet的個性化服務(wù)的用戶建模技術(shù)研究[D].長沙：國防科學(xué)技術(shù)

大學(xué)，2008：60-82.

[5]Widmer G，Kubat M.Learning in the presence of Concept Drift and Hidden Cont

ext[J].Machine Learning，1996，23（1）：69-101.

[6]Koychev I，Schwab I.Adaption to Drifting Users Interests[C].In Proceed

dings of ECML Workshop：Machine Learning in new Information Age，2000.

[7]Billsus D ，Pazzani M J.A Hybrid User Model for News Classification[C].I

n Proceedings of the Seventh International Conference on User Modeling（UM99）

，Springer-Verlag，1999：99-108.

[8]單蓉.一種基于用戶瀏覽行為更新的興趣模型[J].電子設(shè)計工程，2010，18（4）：61

-63.

[9]李建廷，郭曄，湯志軍.基于用戶瀏覽行為分析的用戶興趣度計算[J].計算機(jī)工程與

設(shè)計，2012，33（3）：969-972.

[10]Salton G.Developments in automatic text retrieval[J].science，1991，253

（5023）：974-979.

[11]Salton G，Buckley C.Term-weighting approaches in automatic text retrieval

[J].Information processing and Management，1988，24（5）：513-523.

[12]伍大清，陽小華，等.基于隱式反饋的用戶興趣漂移方法[J].計算機(jī)應(yīng)用與軟件，

2010，27（9）：89-91.endprint