基于非负矩阵分解的用户话题兴趣度算法

Web媒体被公认为继报纸、广播、电视之后的"第四媒体"。而Web2.0的迅速普及,又使当今的Web媒体呈现了一种"自媒体"形式,即每个用户既是信息的接受者,也是信息发布者和信息转发者,在信息传递过程中,用户与用户互动,影响信息传播的进程。用户本身的特性对于传播有很大影响,信息传播依赖于用户个体的行为模式。因此,需要对用户和传播话题之间的关系进行建模,来度量用户对某个话题的感兴趣程度。论文提出了有效的算法来对用户进行感兴趣的话题推荐,该算法基于非负矩阵分解理论,分析用户发表过的内容,将用户感兴趣的话题推荐给该用户。该文针对研究小组下载的真实数据集-科学网数据集进行实验分析,实验结果表明算法能够有效地将用户感兴趣的话题推荐给用户。

反面因素在动漫角色塑造中的应用

动漫行业的火爆,随之产生了很多受人追捧的动漫明星。我们发现星光灿烂的卡通明星们已不再是美丽善良的白雪公主,正直勇敢的白马王子了,他们变得越来越不完美,甚至缺点一箩筐。本文就从审美的角度来讨论动漫角色塑造中反面因素的应用和存在价值,从而进一步探讨如何灵活的运用这些元素,来提升角色的魅力和价值。

基于用户行为的实时影响力算法

随着社交网络的发展,用户影响力研究得到广泛关注。Page Rank作为分析用户影响力的传统算法,计算用户影响力时只考虑了用户的粉丝数和关注数,并没有考虑用户本身的行为对影响力传播造成的影响。文章综合考虑了用户行为中的转发、评论、艾特数,论证了随着时间的变化用户行为符合幂率分布,以此定义了兴趣度模型,用来研究用户行为随时间的变化规律。充分将用户个体的行为融入到传统的影响力评估模型中,定义了活跃度的概念,可剔除不活跃的用户。此外,摒弃了Page Rank中将影响力权值平均分配的方法,重新定义了影响力分配因子,对于信息传播过程中影响力贡献较大的用户给予更高的分配比例,使得影响力的评估更加准确。实验结果表明,本文提出的基于用户行为的实时影响力算法(User Real-time Influence),在提高影响力计算的准确性,更加符合社交网络的特性。