Development of personalized online systems for web search, recommendations, and e-commerce
Notice bibliographique
Résumé
Personalized online systems for Web search, news recommendation, and e-commerce are developed. The process of personalization of online systems consists of three main steps: determining a user's needs, classifying products or services, and matching the user's needs with suitable products or services. A multi-feature based method to automatically classify Web pages into categories of topics hierarchically representing the Web pages is proposed. An approach to modeling and quantifying a user's interests and preferences using the user's Web navigational data is presented. The approach is based on the premise that frequently visiting certain types of content or Web sites indicates that the user is interested in related content or retrieving information from those sites. A personalized search system utilizing a Web user's interest, preference and search context models is developed. A Web user's interest and preference models are constructed and updated by analyzing the user's navigational data and automatically classifying Web pages. A user's search context model is used to determine how the user's interest and preference models impact on his or her search behavior. An algorithm to re-rank search results generated by a conventional search engine is designed to provide a personalized Web search service. A hybrid recommender system of personalized recommendation of news on the Web is developed. Based on the similarities between Web pages and users' models of interest and preference, the Web pages are recommended to the users who are likely interested in the related topics. Moreover, the technique of collaborative filtering is employed, which aims to choose the trusted users and incorporate machine intelligence combined with human efforts. Once trusted users are determined, their behavior on the Web is considered as the manual recommendation part of the system. A method of classifying Web customers for planning customized e-marketing is proposed. The proposed e-marketing approach can be divided into four steps: determining a customer's general interest model, ascertaining a customer's local browsing model, classifying Web customers, and designing a personalized marketing and promotion plan for e-commerce based on the customer classification. Various experiments are carried out to demonstrate the effectiveness of the proposed approaches and systems.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,005 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,004 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».