基于项目流行度和用户动态兴趣的纠偏推荐

推荐系统的准确度经常受到各类偏差的影响,流行度偏差是影响推荐准确度的重要因素之一。传统的纠偏方法主要基于项目属性,通过引入惩罚因子来抑制热门项目的推荐,未考虑用户兴趣和时间的影响。针对此问题,提出了基于项目流行度和用户动态兴趣的自适应纠偏方法(Adaptive Popularity and Dynamic Interest,APDI)。结合因果图从项目流行度和用户个性化两个方面综合分析影响流行度偏差的主要因素,根据项目质量、从众效应、用户兴趣对时间的敏感度不同,计算相应时间间隔内项目流行度与用户动态兴趣的综合评分,更加有效地降低流行度偏差;通过指数加权移动平均的方法,根据时间衰减程度对用户当前兴趣的影响来计算用户兴趣评分,以捕捉用户的短期兴趣偏好。在3个真实数据集上验证了所提方法的有效性,实验结果表明,APDI有效提高了推荐的准确度、召回率和归一化折损累计增益。

基于内容流行度的卫星网络缓存策略研究

针对传统卫星网络缓存策略中只考虑全局内容流行度未考虑到不同区域流行内容差异较大,从而无法准确找到高流行度内容进行放置导致用户获取时延较大的问题,提出了一种基于全局流行度预测与局部流行度计算的混合卫星网络缓存策略。策略使用LSTM模型对全局内容流行度进行预测,并且对局部内容流行度进行计算,同时将卫星缓存节点分区,定义缓存节点分区比例因子,分别缓存全局和局部流行内容,以最小化用户内容平均获取时延为优化目标,采用BPSO求解缓存放置问题。仿真结果表明,与传统的随机缓存放置及最流行缓存放置相比,所提出的策略能够降低用户内容获取时延,提高缓存命中率。

基于CNN-GRU的移动APP流行度预测模型

移动APP流行度预测对应用推荐、广告投放等意义重大。但是现有方法大多依赖手工特征工程,工作量大且效率较低。为此,提出一种基于深度神经网络的移动APP流行度预测模型。利用最大信息系数进行特征相关性分析以确保特征选取有效性,结合历史流行度特征,通过门控循环单元(gate recurrent unit,GRU)和注意力机制构建长期演化模型来推演发展趋势,基于多尺度卷积神经网络(convolutional neural networks,CNN)和注意力机制构建短期波动模型以实现预测动态优化,结合其他重要特征利用GRU和注意力机制建立多因素影响模型。通过时间注意力模块将上述模型融合,实现流行度预测。实验结果表明,所提模型在移动APP流行度预测方面相对更为精准有效。

基于网络表示学习的短视频流行度预测研究

预测短视频的流行度不仅有助于短视频平台高效地管理信息,还可以对社会舆情进行监控。针对已有工作仅考虑短视频多模态内容特征构建流行度预测模型这一现实情况,本文基于网络表示学习,提出融合短视频内容和网络结构特征的流行度预测模型。首先,基于爬取的抖音数据构建包含短视频、发布者和评论者节点,以及发布和评论关系的异质信息网络,将其映射为短视频和发布者两个同质网络,选择node2vec算法表征网络结构,作为网络模态;其次,提取短视频的多模态内容特征,采用低秩多视图子空间学习方法融合短视频内容和结构特征,作为流行度预测模型的输入;最后,构建短视频流行度预测的多层感知机回归模型,并进行对比和消融实验。结果表明,融合网络结构能够降低短视频流行度预测的误差,各模态对短视频流行度预测的影响程度依次为文本、网络、社交、音频和视觉模态。本文融合了短视频内容和网络结构特征,为基于特征工程的短视频流行度预测提供了新思路。

基于聚类算法内容流行度预测的空天地一体化网络缓存方法

针对空天地一体化网络中恶劣的自然条件可能造成连通异常和通信阻塞的情况,对一种新的空天地一体化网络缓存方法进行研究,即基于聚类的内容缓存方法。基于空天地一体化网络架构,利用提取的内容特征来预测流行度,并用于缓存替换决策。内容的流行度预测是由动态聚类算法实现的,这种方法可以有效地减轻地面核心网的通信压力,从而进一步提升用户体验。使用开放数据集对算法进行评估,实验仿真结果证明了该方法的可行性和有效性。

基于异步联邦学习的内容流行度预测缓存方案

针对如何在保护无人驾驶车辆隐私安全的同时,保证缓存内容的新鲜时效性的问题,提出一种基于异步联邦学习的内容流行度预测缓存方案。该方案在异步联邦学习算法框架下,根据无人驾驶车辆的速度和位置对参与模型训练的车辆进行选择,减小车辆无法及时上传模型的损失;通过筛选通信价值高的车辆,以支持车辆的高速移动特性,改善全局模型的准确性;引入伪评级矩阵动态预测内容的流行度,保证已缓存内容的新鲜度,并通过节省大量的训练时间提升效率。仿真结果表明:所提方案在缓存命中率方面的性能优于其他基线缓存方案。

基于注意力与神经网络的视频流行度预测模型

针对传统预测算法预测精度低及难以处理多变量的时序数据等缺点,文章提出一种采用双向长短期记忆(bi-directional long short-term memory,BiLSTM)网络和时间模式注意力(temporal pattern attention,TPA)机制相结合的视频流行度预测模型。双向长短期记忆网络从视频流行度时间序列的正向和反向提取时间特征,时间模式注意力机制从双向长短期记忆网络输出状态的深层特征提取时间模式,有利于视频流行度预测。真实视频数据的实验结果表明,与经典时序预测方法相比,TPA-BiLSTM模型能够有效地降低预测的误差,提高预测的准确性。

基于改进的反事实推理框架消除流行度偏差

本文将时间因子融入反事实推理框架中,得到改进的无关模型的反事实推理框架。推荐系统的最终目的是提供给用户个性化的建议,而不是推荐流行的项目。借助因果关系中的反事实推理法来分析解决流行度偏见问题是一个新颖而基本的视角。流行度偏差是指热门的项目展示相对较多,系统推荐的时候,会倾向于推荐热门商品。当前的推荐模型只是考虑用户项目交互对最终评分的影响,忽略了时间因子对于交互过程的影响,所以对于流行度偏差消除的结果并不理想。由于用户和项目的匹配度不是一成不变的,它会随着时间非线性变化,为了提升模型消除流行度偏差的能力,本论文将时间因子纳入到了遵循因果推理的反事实推理框架中,从用户和项目交互的细节出发,细化了用户项目匹配,完成了对反事实推理框架的改进。实验使用矩阵分解算法和MovieLens数据集进行实验,融入时间因子的反事实推理框架对比传统的框架,命中率、召回率、归一化折损累计增益都有了一定的提高,提高了推荐算法的去流行度偏差能力。

考虑弹幕情感特征的视频显式与隐式流行度影响因素研究

随着视频需求与日俱增,视频平台竞争日益激烈,视频不仅仅需要吸引用户注意力,更要做到能够获得用户的认可,才能在当前市场环境下进一步提升用户留存率与广告收益。已有的研究将视频流行度视作单一的播放量指标,无法对不同类型视频的流行程度予以区分,并且弹幕愈来愈受用户的欢迎,成为视频流行度中的重要影响因素。为此需将视频流行度划分为表征用户认可的显式流行度与表征吸引用户注意力的隐式流行度两类,并引入弹幕影响因素。基于5W传播模式理论,研究视频特征、用户互动行为特征、创作者特征三类影响因素对两类视频流行度的影响。针对用户互动行为特征中的弹幕因素构建BERT预训练情感分类模型以计算视频弹幕情感值,辅助后续的实证研究。以BiliBili视频平台为案例,通过4632条视频数据与290万余条弹幕文本数据,研究各个影响因素对显式流行度与隐式流行度的影响及差异,为视频平台与创作者提供相应的管理建议。研究结果表明:(1)视频弹幕情感值负向影响显式流行度,正向影响隐式流行度;(2)标题长度正向影响显式流行度而对隐式流行度无影响;(3)视频时长正向影响隐式流行度而对显式流行度无影响;(4)弹幕量、点赞量与粉丝量对显式与隐式流行度的影响无显著差异。

基于传播特征的微博流行度预测算法研究

微博的传播特征通常比较复杂,已有的微博流行度预测研究或者是基于分类算法,其模型对于流行度的定义较为主观,或者仅考虑微博转发速度对其流行度的影响,模型的构建仍存在很大的改进空间。论文引入传播加速度的概念,将微博的转发加速度、回复加速度以及用户粉丝数等作为影响微博流行度变化的指标,把目标时刻的转发数、回复数作为衡量流行度的指标,通过观测微博传播的前K小时流行度变化情况,构造线性回归函数模型,预测目标时刻的微博流行度。通过测试微博的转发加速度、回复加速度以及用户粉丝数对模型的不同影响,实验结果表明论文提出的微博流行度预测模型性能良好,与传播特征数量关系密切,其预测结果优于仅考虑微博转发速度的预测模型。

弹幕情感特征对科技类视频流行度的影响研究

[目的/意义]旨在探究民众对科技类视频的关注焦点,在丰富学界关于视频流行度研究的同时,也为视频创作者优化制作策略提供借鉴。[方法/过程]考虑到弹幕中隐含的观众情感可能会影响视频的流行度,本文以弹幕情感特征为出发点,探究影响科技类视频流行度的因素。[结果/结论]视频播放量、评论量、弹幕量和中性情感比例对视频流行度有正向影响,而负向情感比例对视频流行度有负向影响。

一种基于区域划分和内容流行度的NDN缓存策略

针对命名网络中路由器缓存能力有限的问题,提出了一种基于区域划分和内容流行度的NDN缓存策略(CCNCP).该策略根据拓扑结构划分区域,并综合衡量节点重要性选出局部中心节点和全局中心节点;引入分类的内容流行度,合理地将不同流行度的内容缓存在不同重要度的节点.首先采用经典的GN算法进行社区划分.定义了度中心性、紧密中心性、介数中心性等中心性度量指标.然后建立了系统模型,给出了缓存策略.最后对Zachary空手道俱乐部网络的社团结构进行改编,并引入真实拓扑GARR,使用Icarus模拟器进行仿真试验.结果表明:CCNCP在2个不同网络结构中表现得最好;当参数S等于0.25时,CCNCP和第2好缓存策略ProbCache的缓存命中率、延迟、路径拉伸比分别为30.9%和26.8%、52.9和56.2 ms、0.584和0.617,前者比后者分别提高4.1%、降低5.9%、降低5.3%,可见CCNCP在3个指标上与现有的典型策略相比都具有显著优势.

融合用户特征和流行度归一化的金融产品混合推荐算法

混合推荐通过组合不同推荐算法来弥补各自推荐技术的弱点。在传统金融产品推荐算法的基础上,提出融合用户特征和流行度归一化的金融产品混合推荐算法(CPCF)。在Santander银行客户数据上进行实验,将基于人口统计学的推荐算法与协同过滤推荐算法进行组合,在此基础上,引入流行度权重因子,将流行度归一化处理。实证结果表明,在Precision和Recall上均有提升,适合用户信息容易采集且用户数量级远超过项目数量级的金融理财产品推荐场景。

一种基于流行度分类特征的托攻击检测算法

基于协同过滤的推荐系统容易受到托攻击的危害,如何检测托攻击成为推荐系统可靠性的关键.针对现有托攻击检测手段使用基于评分的分类特征易受混淆技术干扰的局限,本文从用户选择评分项目方式入手,分析由此造成的用户概貌中已评分项目的流行度分布情况的不同,提出用于区分正常用户与虚假用户基于流行度的分类特征,进而得到基于流行度的托攻击检测算法.实验表明该算法在托攻击检测中具有更强的检测性能与抗干扰性.

基于动态演化的讨论帖流行度预测

互联网用户间的交互行为,使得某些用户生成的内容(如讨论帖、微博话题)变得流行.对所关注内容的流行度进行建模和预测,在多个领域中具有十分重要的研究和应用价值.针对论坛讨论帖的流行度预测问题,基于早期的发展演化信息,探讨了影响讨论帖流行度的相关动态因素,并提出一种结合局部特性、融合多个动态因素的讨论帖流行度预测算法.以豆瓣小组的数据为例,对所提出的算法进行实验.实验结果表明,所提出的融合多种动态因素的方法与基准方法相比,能够较好地预测讨论帖的流行度.

基于项目流行度的个性化重排序模型

现有推荐模型经常优先考虑推荐准确度而忽略推荐多样性和新颖性,导致推荐结果类型单一且不可避免地被流行项目占据。鉴于此,提出一种重排序模型,该模型在原有推荐模型基础上加入项目流行度和用户偏好,通过调节补偿分数的大小以控制用户最终TOP-K推荐列表新颖项目的比例,达到提高用户个性化推荐列表多样性的效果。通过在公开数据集的实验结果表明,该模型的ILS指标与传统方法相比分别降低了79.96%和7%,Novelty指标分别降低了0.73%和2.11%,有助于降低用户的列表内相似度,增加推荐新颖性。

基于时空信息和任务流行度分析的移动群智感知任务推荐

现有移动群智感知任务推荐的共同缺点是:一方面,未充分考虑时空信息对工人偏好的影响,导致推荐准确性低;另一方面,忽略了任务流行度对推荐的影响,导致推荐覆盖率差。为解决这些问题,提出一种基于时空信息和任务流行度分析的移动群智感知任务推荐方法。充分利用工人执行记录中的相关信息(如工人执行任务的时间、位置),准确预测工人对任务的偏好;基于工人声誉和任务执行情况分析任务流行度并设计任务流行度惩罚因子,提升推荐效果的覆盖率;结合工人偏好和流行度惩罚因子生成任务推荐列表。实验结果表明,与现有基线方法相比,所提出方法在推荐准确率上平均提升了3.5%,推荐覆盖率上平均提高了25%。

结合项目流行度加权的协同过滤推荐算法

针对传统协同过滤算法中存在的流行度偏差问题,提出一种结合项目流行度加权的协同过滤推荐算法。在项目协同过滤算法的基础上,分析项目流行度和流行度差异对相似度的影响;设置流行度阈值,对大于该阈值的流行项目设计惩罚权重,降低其对项目间相似度的贡献。通过在MovieLens 1M和Epinion数据集上进行实验验证和对比,结果表明,所提算法的预测准确度和覆盖率均优于传统算法,有效提高了推荐的多样性和新颖性,一定程度上缓解了流行度偏差问题。

基于流行度预测的流媒体代理缓存替换算法

针对流行度随时间变化的特性,利用回归分析技术给出了一种流媒体文件的流行度预测算法,并在增加少量存储空间及计算时间消耗的情况下,将该预测算法应用于流媒体代理缓存服务器的缓存替换算法之中,模拟实验表明,该方法能减少缓存的替换次数,提高缓存命中率,性能较优。

一种基于内容流行度的内容中心网络缓存概率置换策略

内容中心网络是下一代互联网架构的研究热点,该架构通过分布式内容缓存机制实现以内容为核心的数据传输,改变了传统基于主机的网络通信模式。缓存置换策略是内容中心网络的核心研究问题之一,缓存置换策略的设计优劣直接制约内容中心网络的数据传输性能。该文针对内容的流行度分布特征,提出一种基于流行度的缓存概率置换策略,并针对L层级联的内容中心网络(CCN),推导了该策略下的网络分层缓存请求失败概率近似计算公式。该文策略根据请求数据块的流行度而选择数据块在缓存队列中的置换位置,尽可能平衡不同流行度内容在网络中的分布。数值计算结果表明:该策略适用于内容请求集中的网络应用,相比较传统的最近最少使用(LRU)策略,该文策略可以明显改善流行度较低的网络访问性能。