| |
 |
序列已被使用的关键字的用户服务模式，通过集群，形成表达的信息的用户需求的个性化功能的不同模式。和关键词序列比较，聚类模式后，用户服务的人数不太明显和更明确的特点，个性，所以使用这种模式的用户聚类可以进行下一个步骤中所建议的活动的个性化信息。
目前，普通的搜索引擎个性化的信息，建议主要有两种方式：一是以提高查询;个性化的网页的重量。前者是实际使用的用户更改的关键词搜索的内容来表达用户的个性化信息需求，这主要是根据重量的网页排序结果网页表达个性的用户的信息需求。个性化网页的基础上的建议权重的基于查询的方式和方法，以改善建议，并有许多优点，主要是在以下领域：
首次证明了通过实践，如PageRank ，如网页体重是一个更有效的价值体现的重要性，客观指标的一页，而相应的算法技术容易。
其次，主要算法求解的重要性，客观评价的网页，您可以排序的相关网页中发挥作用。换句话说，该算法可以得到个性化，以满足用户的要求在结果页上的前端的网页集合。事实上，更多的帮助用户获得个性化信息。
最后，体重相关网页在线没有计算，只需使用离线阶段的存储的数据可以计算出，它可以有效地节省了用户查询所需的时间开销。
个性化网页的基础上的建议，体重算法的想法是该网页在传统算法的基础上的重量，通过合理地利用这些修改和添加的具体参数，以表达不同的需求，用户的个性特征，在为了估计不同用户网页的具体权重，并在用户查询时，使用此值来计算网页和相关的优先事项。
较常见的体重个性化网页的个性化的PageRank方法。 PageRank是一种传统的搜索结果页的相关性排名技术，该技术要求链通过网页和链接来计算之间的关系，重量以网络为基础的价值，并因此实现网页排名。到目前为止，该算法来自不同的类型，其主要目的是着眼于结果，进一步表达的信息。其中，最常见的做法是使用个性化的PageRank载体来表达不同用户的个性化信息需求，并利用这种载体计算网页相关性，导致用户特定的个性化搜索结果。
个性化的PageRank算法主要是基于个性化的PageRank载体，以使生成的结果页的具体特点，用户的喜好。许多算法是基于基于Web的算法基于图论，最常见的模式，如马尔可夫模型。马尔可夫模型，它已经提出了一些不同的具体类型，如以马尔可夫链模型，高阶马尔可夫链模型和混合马尔可夫链模型。其中，一阶马尔可夫链模型的序列依赖而一个简单的描述是，但它没有考虑上网行为特征的长期记忆;高阶马尔可夫链模型能更准确地预测导航路径，但是，它的产生与增加覆盖面的问题和计算复杂性的权衡问题，以及复杂的模型，通常需要一个大规模的训练集;混合马尔可夫链模型，以组合的Markov模型，和培训的前处理时间需要更多的资源。
显然，这里的算法和模型选择相关的简单的基础性和准确性权衡局势，以确定型模式的选择，甚至其他一些模型，其中大多数其他型号的树为基础的导航地图数据结构挖掘算法，如聚类，序列模式挖掘，挖掘频繁项集。
现在提议的个性化的PageRank方法，虽然有许多，但主要分为两类：一种是直接关系的基础上修改链接的权重值的网站，另一个则是传统的PageRank公式添加参数反映修正案要求，用户的个性化 |
|
|
|