基于词向量方法的微博用户抑郁预测

常用的抑郁检测方法都是采用的传统的情感分析的方法,比如情感词汇的统计,用户微博情感的极性计算以及聚类分析等。这些方法采用的都是人为的定义特征的方法,需要花费大量的时间定义以及处理特征,同时还需要进行特征的降维和简化等工作。为了自动学习出用户的特征,本文采用了word2vec训练词向量的方法来构建用户的向量表示。由于词向量包含了一定的语义信息,在此基础上构建的用户向量则涵盖了用户的微博文档信息。本文利用构建好的用户向量进行了用户的抑郁分类实验,结果表明本文提出的方法可以应用于抑郁的分类与检测。

基于向量空间用户兴趣模型的态势情报信息分发机制

针对现代战场态势情报信息海量、动态和复杂的特点,构建了层次向量空间用户兴趣模型,从而形成基于向量空间用户兴趣模型的态势情报信息分发机制。在该机制中,对于重要度较高的态势情报,利用用户的历史订阅信息和定制信息,通过词频-逆向文件频率(TF-IDF)分类法进行分析和个性化推荐,以完成主动按需分发。针对订阅者的普通订阅要求,则采用梯形匹配法,进行信息需求与信息供给之间的匹配。试验结果表明,该机制能提高态势情报信息分发效率,满足战场系统灵活性与适应性的要求。

知识图谱的用户兴趣向量化方法及应用

为用户推荐其感兴趣的新闻内容,已成为了各大互联网新闻平台的首要技术目标。传统的新闻推荐方法主要是基于用户间的相似度或新闻内容间的相似度产生推荐列表。以上两种推荐方法虽然有效,但却忽略了新闻文本中存在的语义信息。知识图谱是一种描述实体以及实体之间链接关系的语义网络,基于知识图谱实现精准推荐是推荐系统目前的研究热点。本文基于知识图谱提出了一种用户兴趣向量的计算方法,在此基础上结合先进的卷积神经网络来构建推荐模型。所提出的基于知识图谱的新闻推荐方法,能借助知识图谱提取新闻文本中的部分语义信息,并将其应用于计算用户的兴趣向量,从而产生较好的符合用户语义的推荐结果。

短文本信息流中的用户建模与应用

社交媒体中存在着大量的短文本信息流,包含着丰富的用户信息。针对短文本信息流的特点,提出一种新的用户建模的方法。首先将用户发表的内容进行合并得到用户数据;然后将用户数据分割为固定长度的词链,在分割处添加用户名构造上下文关系;最后结合外部数据,使用Skip-gram模型进行训练得到用户的向量表示。基于用户向量的用户标签推荐和用户聚类方法在真实聊天记录语料进行实验中都取得了优于传统方法的结果。

一种基于时间片的微博用户分类方法

针对微博用户分类问题提出时间片微元的概念,建立了时间片微元模型;对每个时间片内的微博所涉及到的用户进行研究得到时间片微元内部的用户兴趣度向量,最终整合所有时间片内的用户兴趣度向量,再对整个时间段内用户的兴趣度向量进行两次朴素贝叶斯分类,得到整个时间段内的用户分类.同时,对微博内容研究上规避了传统的单一的依靠系统标签形成用户网络的方式,结合了自然语言处理技术,提取用户兴趣方向,形成用户兴趣向量,然后对用户兴趣向量分析,采用改进的朴素贝叶斯分类算法进行用户分类.最后是对所提出的方法按详细步骤进行实验,研究结果表明,基于时间片的微博用户分类方法能有效对大规模的微博语料中所涉及到的用户进行较准确分类,为研究微博用户分类问题具有一定推动作用.

基于用户偏好的社会网络二级人脉推荐研究

社会网络服务(SNS)用户的人脉关系研究大多采用图论的知识,对社会网络关系图的结点和边进行探讨,而没有考虑到用户自身的偏好。因此提出一种基于用户偏好的二级人脉推荐方法。利用最小均方误差(LMS)算法,把用户偏好合理地转化为用户偏好特征向量,用相似度度量方法来计算用户之间的相似度,以确定与用户偏好最相近的用户集,并完成用户的二级好友推荐。实验结果表明,该算法的好友推荐准确度较高。

一种网络主题用户数量计算模型

提出一种基于数据挖掘的网络主题用户数量计算模型。从网络服务器访问日志中挖掘网络用户使用记录,应用窗口函数识别多个IP相同的用户,通过分析用户行为的时间特征实现对虚假点击的过滤,构建能够表达用户主观兴趣取向的用户向量,从而自动计算各个网络主题在给定时间片内的用户数量。实验结果证明,该模型具有较高的计算准确性,能为管理人员决策提供技术支持。

基于用户兴趣的个性化搜索引擎的设计

建立了个性化条件下的用户兴趣模型。该模型借助于对用户自身信息和其他用户访问信息的挖掘,得到用户兴趣向量,并以此对检索结果进行过滤,从而使用户得到的检索结果能够满足用户个人爱好。最后,本文应用该模型设计了一个个性化搜索引擎系统。

基于归一化方法的协同过滤推荐算法

针对传统的协同过滤推荐算法没有考虑用户向量维度以及评价值差异的问题,提出了一种基于归一化方法的协同过滤推荐算法。算法在计算用户或项目相似度之前首先将用户对每一项目的评分值归一化到一个统一的值域范围,然后再计算用户向量空间的相似性并进行预测推荐。实验结果显示该算法能够准确地找到相似的邻居用户或项目,预测及推荐测性能有较大提高。

一种改进的协同过滤推荐算法

传统的协同过滤算法在寻找最近邻居集合时没有考虑时间因素的影响,仅从用户或者项目单方面出发计算用户或者项目的相似性以产生推荐结果,也忽略了用户特征对推荐的影响。针对上述问题,引入时间遗忘函数、黏度函数、用户特征向量,对协同过滤算法寻找用户的最近邻居集合过程进行了改进,体现了时间效应、用户偏好程度和用户特征。采用MovieLens数据集进行了一系列对比实验,结果表明,改进后的算法能够明显提高推荐的准确度。

基于联邦学习的在线短视频内容分发策略

为提升短视频内容分发的精度,分析用户所属社交群体的兴趣倾向和对短视频内容的个性化需求,在基于主动推荐方式的短视频应用场景中,以视频内容提供商利润最大化为优化目标,设计了一种短视频内容分发策略。首先,基于联邦学习,利用用户群本地相册数据训练兴趣预测模型,提出用户群兴趣向量预测算法并得到用户群的兴趣向量表示;然后,以用户群的兴趣向量作为输入,基于组合置信上界(CUCB)算法实时设计相应的短视频内容分发策略,从而使视频内容提供商获取的长期利润最大化。所提策略获得的平均利润相对稳定且明显优于单纯基于CUCB的短视频分发策略得到的平均利润;与置信上界(UCB)策略和随机策略相比,所提策略使得视频内容提供商获得的总利润分别提高了12%和30%。实验结果表明,所提短视频内容分发策略能有效地提升短视频分发的精度,从而进一步提高视频内容提供商获取的利润。

一种应用层分布式拒绝服务攻击快速检测方法

提出一种基于应用层协议用户行为统计特征的快速攻击检测算法,能在高速网络环境中快速识别异常聚集流量,区分正常访问和应用层分布式拒绝服务攻击。该方法使用有限状态自动机理论描述了应用层协议正常用户行为和攻击行为的差异,构建了检测自动机模型。该方法将应用层协议用户行为抽象成一系列协议关键字的交互,主要根据应用层协议关键字的统计特征生成用户行为统计特征向量,构造基于逼近理想点排序算法的模型分类器,同时对模型进行训练得到最优分类距离阈值,从而对DDoS攻击行为作出判定。高速网络环境下的测试结果表明了此方法的有效性。

基于改进型协同过滤算法的研究

个性化推荐一直是互联网商品的重要特点,精准的个性化推荐一方面能够准确地定位市场,另一方面能够带来更好的用户体验。尽管基于不同的应用场景下的推荐算法种类越来越多,但是推荐算法的智能性、精准性、稳定性还有待提高。针对个性化的精准推荐需求,提出了一种基于用户的改进型协同过滤算法。该算法主要解决由于不同用户存在不同的评价体系造成的评分偏差以及用户由于本身的特征属性(年龄、兴趣、性别)的不同造成的评分偏差,进而造成余弦相似度计算偏差变大的问题。针对该问题,提出了一种融合型的余弦相似度计算方法,该方法包括一个相似度修正参数α和一个用户特征属性向量β→,前者主要解决不同用户评价体系带来的偏差问题,后者是为了解决用户自身的特征属性不同产生的偏差问题。根据协同过滤算法应用在电影评分推荐实验上的分析表明,改进型协同过滤算法大大提高了实验效率和推荐准确率。

基于Widrow-Hoff神经网络的多指标推荐算法

为解决传统的协同过滤推荐算法不能综合运用多个指标进行推荐的问题,通过引入多指标评分的概念对标准的协同过滤推荐算法进行扩展,提出一种基于Widrow-Hoff神经网络的多指标推荐算法.利用Widrow-Hoff最小二乘法自适应算法在进行系统辨识时的高精度拟合特性,提出一种基于Widrow-Hoff最小二乘法算法的用户偏好特征向量计算方法.利用用户偏好特征向量和空间距离矩阵度量用户相似度,以定位邻居集并为用户推荐最优项目.实验结果表明,本文算法可提高推荐精度,改进推荐质量.