用户画像构建技术研究

用户画像是根据用户社会属性、兴趣点、行为习惯等信息,抽象形成的标签化的用户模型。作为知识图谱技术的最新应用场景,用户画像技术近年来受到学术界和产业界越来越多的关注。从用户画像的定义出发,对用户画像所涉及的关键技术进行详细的介绍。首先介绍对用户画像的定义和理论技术价值,其次重点介绍了用户画像所涉及的关键技术:“命名实体识别”、“用户关注点分析”、“时间衰减计算”和“用户知识推理”;并对以上关键技术的研究现状进行了详细说明;最后对用户画像技术面临的挑战和机遇做出总结。

一种基于用户偏好分析和论坛相似度计算的改进LFM推荐算法

针对用户的偏好推荐需求,提出一种改进的LFM算法BBLFM算法,通过引入隐含特征将稀疏的相关矩阵分解为两个相对稠密的矩阵,减少了空间复杂度,同时实现LFM的隐语义分析功能,深入挖掘了用户的潜在特征,提高了推荐的准确性。具体地,设计了一种基于BM-25的精确用户关注点查找与权重赋值方法,同时引入软概率情感分析方法的结果,合成出一种基于语义的标签体系。此外,还构建了一个基于BERT的用户偏好分析网络,根据用户曾经浏览或点击的历史论坛数据,来为用户画像,给出用户的主题偏好。在真实的百度贴吧数据集上进行的对比实验结果,表明算法在推荐准确性上优于比较的算法。

基于生成对抗网络的恶意软件对抗样本生成综述

生成对抗网络是一种通过对抗过程来学习原始样本分布规律的深度学习技术。该方法非常适合于存在对抗行为的智能处理工作,如语音翻译、人脸识别、图像分类、恶意软件样本生成等领域。文章综述生成对抗网络方法应用于恶意软件生成领域所取得的研究成果,对所涉及的特征提取技术、分类检测算法、生成对抗网络原理及对抗样本生成模型等方面的研究成果进行深入的分析和比较,同时对将基于GAN的生成对抗样本技术应用于网络安全领域进行展望,最后提出生成对抗样本技术所面临的挑战。