融合用户兴趣度的基于自注意力的序列推荐模型

序列推荐试图利用用户的连续行为、用户偏好、物品流行度以及用户和项目之间的交互动作进行建模,传统的马尔科夫链(MC)、递归神经网络(RNN)和基于自注意力的模型已被大量应用于序列推荐,但它们只是将交互历史假设成有序序列,忽略各个交互之间的时间间隔,也不考虑序列中项目之间交互的可能性存在大小关系以及用户对项目的兴趣度可能随着时间推移而发生变化。文中对基于时间间隔感知自注意力的序列推荐模型TiSASRec进行优化,提出了考虑到用户对项目的兴趣度会发生变化的改进模型TiSeqRec,该模型基于TiSASRec,进一步捕获用户整体偏好和局部偏好,并使用一致性感知门控网络将两种偏好智能结合,预测下一项的内容。通过大量的实验验证了TiSeqRec模型在稀疏、密集数据集和不同的评价指标上都优于已有的最新的序列推荐模型。

突发事件中网络评论的情感-主题随时间的演变研究

网络评论的情感主题演变分析对突发事件中网络舆情的控制极具价值。针对情感主题动态性的特点,构建一个基于LDA的情感主题模型,通过对时间与主题和情感的联合建模来分析情感主题随时间的演变,推导了基于Gibbs抽样过程的推理算法,最后通过微博突发事件数据集的分析结果显示了联合模型较高的准确性和情感主题随时间演变过程中良好的应用性。

上海市居民通勤方式链特征分析与效率评价

为了解上海市居民通勤现状并改善其薄弱环节,以通勤时间为切入点,调查并分析上海市15个小区的居民通勤出行特征。首先明确通勤方式链定义,分析通勤方式链基本结构和环节组成,将其分为9大类23小类。同时划分4类通勤时间区间以及5类交通态度人群。总结方式链的时空分布规律,考虑主要态度人群"简单安全型"的通勤意愿,以公共汽车、地铁、公共交通组合方式链为例,评价方式链各环节效率。依据感知时间设计通勤者主观评价模型,不同环节通勤时间的改善会存在感知效果的差异。结果显示,接驳和候车是必要且易于改善的重点环节:接驳时间每增加1 min,期望节省时间平均增加0.021 min;候车时间每增加1 min,期望节省时间平均增加0.619 min。