隐私视角下社交媒体推荐对用户在线交互意向的影响机理研究

[目的/意义]在隐私视角下探究社交媒体推荐对用户在线交互意向的影响机理,有助于指导社交媒体平台提供合理的个性化推荐服务、保证用户在线交互的活跃性。[方法/过程]结合S-O-R理论模型、隐私计算理论和信息边界理论,在隐私视角下构建社交媒体推荐对用户在线交互意向的影响模型。以短视频社交平台为调查情景,通过网络问卷收集数据,运用结构方程模型进行实证检验。[结果/结论]社交媒体推荐对感知收益、感知隐私风险和平台信任具有显著的正向影响;感知收益对感知信息控制和平台信任有显著的正向影响;感知隐私风险对感知信息控制和平台信任有显著的负向影响;感知信息控制和平台信任对用户在线交互意向具有显著的正向影响。

基于用户行为分析和LDA模型的数字媒体推荐系统的设计与实现

为了提高数字媒体推荐能力,提出基于用户行为分析和LDA模型的数字媒体推荐系统的设计方法。构建数字媒体推荐的大数据信息采集和项目分布模型,采用关联规则调度的方法,提取数字媒体的用户行为本体特征,建立数字媒体推荐的用户行为特征检测模型。在LDA模型中,进行数字媒体推荐的模糊决策调度和特征映射处理,结合模糊C均值聚类方法,进行数字媒体推荐中用户行为特征的自适应聚类,计算数字媒体用户行为的联合信息熵,根据熵权分布进行数字媒体推荐模型的算法优化设计。在B/S构架体系下进行数字媒体推荐系统的软件开发设计,仿真实验结果表明,采用该方法进行数字媒体推荐的准确性较高,误差较小,提高了数字媒体推荐的实时性和满意度水平。

基于LDA模型的数字媒体推荐算法研究

在信息化时代背景下,提高数字媒体信息传播效果必须采用先进的数字媒体推荐算法。基于此,对基于LDA模型的数字媒体推荐算法进行了研究。首先分析了数字媒体的相似性,在此基础上建立了用户行为特征提取模型。其次是在LDA模型中进行数字媒体的模糊决策调度,结合模糊C均值聚类算法计算数字媒体用户行为联合信息熵,通过联合信息熵结果对数字媒体推荐算法进行优化。最后通过实例仿真验证了基于LDA模型的数字媒体推荐算法推荐的准确率高,召回率高。研究结果对数字媒体的推荐,促进数字媒体信息传播具有一定的参考。

基于深度学习的个性化媒体推荐系统算法研究

本文结合推荐系统的类型与发展现状,深入分析了深度学习在媒体推荐系统中的优势及其在用户行为分析中的应用,优化并实现了融合用户与媒体内容多模态特征的深度学习推荐算法,利用深度神经网络对高维、非线性的用户—物品交互关系进行建模。通过改进数据预处理、模型训练、超参数优化等关键环节,显著提升了模型的性能和泛化能力。同时,通过提高推荐结果的多样性和新颖性等策略,增强用户体验。

一种基于用户偏好自动分类的社会媒体共享和推荐方法

社会媒体应用已成为Web应用的主流,以用户为中心并且海量媒体数据由用户自生成是社会媒体Web应用的重要特征.应对目前社会媒体环境中信息过载的问题,信息的共享和推荐机制发挥着重要的作用.文中分析了目前主流社会媒体网站基于用户自建组的信息共享机制所存在的问题以及传统推荐技术在效率上的问题,提出了一种新的基于用户偏好自动分类的社会媒体数据共享和推荐方法.直观上讲,该方法的本质是把用户对具体媒体对象的偏好转化成用户对媒体对象所蕴含兴趣元素的偏好,然后把具有相同偏好的用户,即对若干兴趣元素上的兴趣度都相同,自动聚合成为一个"共同偏好组(CPG)".文中提出了基于CPG的社会媒体信息共享和推荐的架构,设计实现了CPG的自动生成算法,通过随机生成模拟数据集实验详细分析了算法性能的影响因素,并与现有类似功能算法进行了效率对比,实验结果表明算法可适用于具有海量用户的社会媒体应用.

普适个性化多媒体服务技术综述

随着数字技术和通信技术的快速发展,越来越多的普适设备能够接收和处理更多的多媒体信息。提供面向普适环境的多媒体个性化服务成为今天研究的热点。从普适个性化多媒体服务研究的不同侧面对其进行了综述,介绍了普适个性化多媒体服务的通用体系结构;对实现普适个性化多媒体服务的关键技术进行了详细的描述,包括描述模型、媒体代码转换与适应技术、用户喜好获取与更新和多媒体推荐技术;最后总结了现有的研究及其不足,指出进一步需要研究的方向。

基于解耦图神经网络的可解释标签感知推荐算法

标签感知推荐算法利用标签标注数据提升推荐模型对用户偏好和项目属性的理解,受到业界的广泛关注.但是,现有方法常忽视了用户关注点、项目属性和标签含义的多样性,干扰了三者关系推断,从而影响推荐结果.因此,提出一种基于解耦图神经网络的可解释标签感知推荐算法(DETRec),解构用户、项目和标签的关注角度,并由此形成可解释的推荐依据.具体来讲,DETRec构造关系图以建模用户、项目和标签的关系;通过邻域路由机制和消息传播机制,分离结点形成属性子图,以描述不同属性下的结点关系;最终根据属性子图形成推荐依据.实现了两种DETRec实例:单图实例(DETRec-S)在单个关系图中描述全部结点关系;多图实例(DETRec-M)使用3个二分图分别描述用户-项目、项目-标签、用户-标签关系.在3个公开数据集上进行的大量实验表明,DETRec的两种实例均明显优于标签感知推荐的基准模型,也为推荐结果生成了对应的推荐依据,是有效的可解释标签感知推荐算法.

移动新媒体用户算法疲劳影响因素研究

个人因素、信息因素和技术因素共同影响着算法推荐类移动新媒体用户算法疲劳现象的产生。面对算法推荐类移动新媒体,个体常因性格特质、自我效能、隐私关注、社会比较、感知成本等个人因素产生不同程度的算法倦怠;算法推荐逻辑下产生的信息过载和信息质量问题进一步加深了用户的信息焦虑;算法偏见、算法可信度和算法霸权等技术因素令用户警惕算法带来的权力转移。

炒股要学会反向思维

股市经过一番急跌之后,绝大多数人都在担心后市。这样一来,避免盲目从众,学会反向思维显得格外重要。股市是一个少数人赚、多数人赔的场所,当市场一致看好,多数人买进后,往往离顶部就不远了;当众人一致看空,多数人卖出后,做空的能量逐步衰竭,底部也就出现了。要想成为股市中赚钱的少部分人,就必须适时进行反向操作,走在涨跌的前面。反向操作是庄家最拿手的把戏,如果投资者能识别庄家的一些伎俩,便能做到真正与主力同步。1.利好出货,利空进货每年的中报、年报公布期,总会出现一些业绩优良的公司。

关于自媒体时代下个性化推荐过度现象的研究——以今日头条为例

个性化推荐大规模使用让其被推上自媒体时代的算法王座,而这种毫无节制大规模的使用导致个性化推荐的许多弊端暴露,产生了诸如审核不足,信息茧房,个人隐私泄露等问题.由此,大胆试想能否将个性化推荐与其他推送方式相结合,优化市场定位目标,不仅仅推送用户个人感兴趣的内容,同时将板块分成许多探索栏目板块,丰富软件内容,让浏览信息的用户从始至终有一种充实感、新鲜感.