个性化服务中挖掘用户兴趣的CMPS

doi:10.11925/infotech.1003-3513.2005.03.21

现代图书情报技术

2005, Vol. 21

Issue (3): 85-87 https://doi.org/10.11925/infotech.1003-3513.2005.03.21

工作交流

本期目录 | 过刊浏览 | 高级检索

个性化服务中挖掘用户兴趣的CMPS

史艳梅

（空军第十三飞行学院图书馆蚌埠 233000）

Getting Users’ Personality with CMPS (Colligate Mine Personality System) in Personalized Information Service

Shi Yanmei

（The 13th Flight Academy of the Air force, Bengbu 233000，China）

摘要
参考文献
相关文章
Metrics

全文:
输出: BibTeX | EndNote (RIS)

摘要

针对数字图书馆个性化服务的发展趋势，指出掌握用户兴趣是数字图书馆实现个性化的主动信息服务的基础性前提。阐述了三种兴趣挖掘方法的利弊，提出综合利用三种方法来获取用户兴趣的CMPS系统，并给出了具体的方法。

	服务

	把本文推荐给朋友
	加入引用管理器
	E-mail Alert
	RSS
	作者相关文章

关键词 ：个性化服务, 数据挖掘, 用户兴趣

Abstract：

To get users’ personality is the basement in the personalized information service. The article illustrates that the three ways which we often use all have their advantages and disadvantages, and presents a colligate system.

Key words： Personalized information service Data mining Users' personality

收稿日期: 2004-09-06 出版日期: 2005-03-25

TP391.3

通讯作者: 史艳梅 E-mail: symay75@hotmail.com

作者简介: 史艳梅

引用本文:

史艳梅. 个性化服务中挖掘用户兴趣的CMPS[J]. 现代图书情报技术, 2005, 21(3): 85-87.
Shi Yanmei. Getting Users’ Personality with CMPS (Colligate Mine Personality System) in Personalized Information Service. New Technology of Library and Information Service, 2005, 21(3): 85-87.

链接本文:

https://manu44.magtech.com.cn/Jwk_infotech_wk3/CN/10.11925/infotech.1003-3513.2005.03.21 或 https://manu44.magtech.com.cn/Jwk_infotech_wk3/CN/Y2005/V21/I3/85

1李小将等.基于用户兴趣的web信息检索智能代理.指挥学院学报,2000,11(5):79-83
2陈恩红等.web使用挖掘：从web数据中发现用户使用模式.计算机科学,2001,5
3朱晓云.web数据挖掘与个性化信息服务中的用户研究.情报杂志,2004,2:34-35
4林鸿飞等.用户兴趣模型的表示和更新机制.计算机研究与发展,2002,39(7):843-847

[1]	谢旺, 王丽珍, 陈红梅, 曾兰清. 基于空间序偶模式挖掘污染源与癌症病例的关系 ^*[J]. 数据分析与知识发现, 2021, 5(2): 14-31.
[2]	席运江, 杜蝶蝶, 廖晓, 仉学红. 基于超网络的企业微博用户聚类研究及特征分析*[J]. 数据分析与知识发现, 2020, 4(8): 107-118.
[3]	夏立新,曾杰妍,毕崇武,叶光辉. 基于LDA主题模型的用户兴趣层级演化研究 ^*[J]. 数据分析与知识发现, 2019, 3(7): 1-13.
[4]	张勇,李树青,程永上. 基于频次有效长度的加权关联规则挖掘算法研究 ^*[J]. 数据分析与知识发现, 2019, 3(7): 85-93.
[5]	陆泉,朱安琪,张霁月,陈静. *中文网络健康社区中的用户信息需求挖掘研究^——以求医网肿瘤板块数据为例**[J]. 数据分析与知识发现, 2019, 3(4): 22-32.
[6]	牟冬梅,法慧,王萍,孙晶. 基于结构方程模型的疾病危险因素研究^*[J]. 数据分析与知识发现, 2019, 3(4): 80-89.
[7]	聂卉. 结合词向量和词图算法的用户兴趣建模研究 ^*[J]. 数据分析与知识发现, 2019, 3(12): 30-40.
[8]	李勇男. 贝叶斯理论在反恐情报分类分析中的应用研究^*[J]. 数据分析与知识发现, 2018, 2(10): 9-14.
[9]	牟冬梅, 王萍, 赵丹宁. 高维电子病历的数据降维策略与实证研究^*[J]. 数据分析与知识发现, 2018, 2(1): 88-98.
[10]	胡忠义, 王超群, 吴江. 融合多源网络评估数据及URL特征的钓鱼网站识别技术研究^*[J]. 数据分析与知识发现, 2017, 1(6): 47-55.
[11]	曾金, 陆伟, 丁恒, 陈海华. 基于图像语义的用户兴趣建模^*[J]. 数据分析与知识发现, 2017, 1(4): 76-83.
[12]	谢梦瑶, 潘旭伟. 社会化标注中用户动态标签云构建研究^*[J]. 数据分析与知识发现, 2017, 1(2): 35-40.
[13]	江思伟, 谢振平, 陈梅婕, 蔡明. 混合特征数据的自解释归约建模方法^*[J]. 数据分析与知识发现, 2017, 1(12): 92-100.
[14]	牟冬梅,任珂. 三种数据挖掘算法在电子病历知识发现中的比较^*[J]. 现代图书情报技术, 2016, 32(6): 102-109.
[15]	李峰,李书宁,于静. 面向院系的高校毕业生图书馆记忆系统[J]. 现代图书情报技术, 2016, 32(5): 99-103.

Viewed

Full text

Abstract

Cited

Shared

Discussed