融合用户兴趣偏好与影响力的目标社区发现

目标社区检测旨在找到符合用户偏好的有凝聚力的社区.然而,所有现有工作要么在很大程度上忽视社区的外部影响,要么不是"基于目标的",即不适合目标请求.为了解决这一问题,提出面向属性网络的融合用户兴趣偏好与社区影响力的目标社区发现方法,挖掘与用户偏好相关且最具一定影响力的高质量社区.首先,综合节点结构与属性信息,挖掘包含样例节点的极大k-团作为潜在目标社区核心,并设计熵加权属性权重计算方法来捕获潜在目标社区属性子空间权重,挖掘用户偏好;其次,融合社区内部紧密性和外部可分离性定义社区质量函数,以极大k-团为核心扩展得到高质量的潜在目标社区;最后,定义社区的外部影响分数量化办法,并结合社区质量函数值及外部影响分数对所有潜在目标社区排序,输出综合质量较高的社区为目标社区.此外,在计算极大k-团的属性子空间权重时,设计了2重剪枝策略提升方法的性能和效率.在人工网络和真实网络数据集上的实验结果印证了所提方法的效率和有效性.

融入情境因素和用户偏好的农业信息个性化推荐模型构建

农业信息的获取对用户农业生产来说至关重要,其直接影响了农民的收入。由于农业具有地域性、季节性等情境特点,再加上用户具有个人偏好上的动态变化,使农业信息推荐的时效性尤为重要。基于此,将农业情境特点、用户搜索浏览行为、用户特征、信息偏好、时间变化等综合考虑,构建面向涉农用户的农业信息个性化推荐服务框架和算法模型。

考虑兴趣偏好和多事件影响的网络事件推演模型研究

通过建模对网络事件传播推演进行研究是网络舆情领域的重点研究方向,现有模型存在事件容量小、仅能容纳单一事件以及忽略用户个体兴趣偏好的缺陷.因此,本文首先提出兼顾平台用户兴趣特征与个体偏好差异性的元胞自动机矩阵;其次在经典SIR传染病模型的基础上,针对多事件容量改进得到多重SIR状态转换关系,构建出适用于网络事件的传播推演模型.经过推演实验得出,该模型针对不同类型事件同时期扩散程度对比指标表现良好.同时,为了进一步验证模型的有效性,本文对辟谣信息传播过程采用了双信息源共同传播方式进行推演,为网络舆情研究提供了新的参考.

融合用户和区位资源特征的混合房源推荐方法

随着时代的发展,用户购买房屋的观念也在发生改变,在决策过程中更加注重房屋的区位资源。文中给出一种融合用户和区位资源特征的混合推荐方法,通过层叠式的方式将基于内容的推荐算法和基于用户的协同过滤算法相组合,通过用户兴趣偏好与区位资源的融合,提供更准确的房源推荐。通过整合17万余条房源交易数据和上千条区位资源数据,实验结果表明,该方法相比传统模型具有更好的推荐效果。

基于长短期偏好的自适应融合推荐算法

现有的推荐算法能够以静态方式捕获用户长期兴趣特征,但忽略用户兴趣不断变化的特性,对短期动态偏好捕获无效,使推荐效果大打折扣.为有效结合用户长期和短期兴趣偏好,学习历史行为序列中蕴含的短期兴趣特征,提出了一种新的算法(RUCF),通过矩阵分解(MF)学习用户和项目信息从而捕获长期兴趣,再使用两层门控循环单元(GRU)捕获历史交互行为序列中的短期动态兴趣,最后,将长期和短期兴趣偏好自适应融合进行预测推荐.算法在门控循环单元中引入注意力机制改进更新门结构,能够学习更有价值的短期兴趣,通过MovieLens-1M和Electronics数据集上的实验结果表明:该算法能提高推荐准确性,与其他相关算法相比具有明显的优越性.