基于搜索数据的用户基本属性混合预测模型研究

大数据时代必然会导致"信息过载(information overload)"现象,企业如何在海量的用户行为数据中准确判断用户属性,是精准营销等领域值得思考的问题。特别是在搜索领域,搜索公司几乎无法获得用户的真实属性信息,但用户的基本属性很大程度上可以影响到用户查看不同广告的可能性。基于背景,利用Doc2Vec、TF-IDF算法对搜索数据进行特征提取,并借助机器学习算法、XGBoost算法构建了用户基本属性混合预测模型,并对模型的准确性进行了检验。

基于混合模型的开放式创新社区用户生成内容质量预测

为解决开放式创新社区内容冗余导致高质量用户生成内容无法充分发挥其价值的问题,挖掘高质量UGC深层价值。首先采用随机过采样、SMOTE、ADASYN解决UGC数据不平衡问题,然后构建支持向量机、朴素贝叶斯、决策树、随机森林、GBDT分类模型并生成多种混合预测模型,进一步使用基于Hard-voting、Soft-voting、Stacking的采样方法和分类模型组合优化预测方法,比较选取最优的开放式创新社区UGC质量预测模型。采用随机过采样和Stacking的混合模型Accuracy、F1值和AUC分别平均提升了3.85%、28.18%、12.30%。该方法能够精准识别创新社区高质量用户生成内容,帮助企业多维度管理社区、提高创新力。

基于混合Markov模型的用户浏览预测

建立有效的用户浏览预测模型,准确的预测用户的浏览路径,是开发各种Web站点导航工具的关键。传统的Markov模型是一种简单而有效的预测模型,但它存在测准确率低、预测覆盖率低以及存储复杂度高等缺点。通过对传统Markov模型的扩展,并研究了群体用户在Web上的浏览特性,采用了基于混合Markov模型的用户群兴趣导航发现方法。实验结果表明,该方法比传统Markov模型更准确的反映了用户的访问兴趣,可以获得更高的预测准确率与覆盖率,以及有效地降低存储复杂度。

基于混合算法的通信用户规模预测

考虑到常规SVR预测模型及GA优化和PSO优化的SVR预测模型具有寻优结果稳定性差,容易陷入局部最优解等问题,将具有极强的鲁棒性能和全局搜索能力、能够快速跳出局部最优解等优点的人工鱼群算法与SVR算法进行混合,建立基于混合算法的预测模型。通过混合后的算法能够有效地使算法更快、更准确地得到全局最优解,避免了常规算法在人工鱼更新位置时没有全局信息,只有局部信息引起的收敛速度慢,精度低等问题。使用该混合算法预测模型以及使用传统的三次曲线拟合法和GA-SVR算法建立通信用户规模预测模型,针对2010—2012年通信用户规模进行预测,实验证明基于混合算法的通信用户规模预测模型的预测精度高,稳定性较好,相比另外两种算法,具有较强的优势。

基于云模型和灰色区间关联的重要电力用户风险群评价

在初步构建供电企业的重要电力用户风险评估指标体系的基础上,为减小由专家群体主观知觉和经验不同所导致评价结果的不确定性以及风险自身的不确定性,首次提出了一种基于云模型和灰色区间关联的风险群评价方法。该方法将专家群体的模糊语言评价值综合成正态云模型,并通过云规则转化为区间值,以灰色区间关联的评价方法来对风险进行综合评价。以供电企业的具体风险评价为例,对比其他评价方法,验证了评价结果的合理性。研究结果表明该方法可更加有效、客观地评价重要电力用户风险。

一种新的预测用户浏览模式的度量方法

在Web环境中,度量用户的浏览模式对Web站点结构的改进是有益的。挖掘和度量Web日志能够识别用户的访问模式模型,Web站点管理者能够应用这些模型研究用户的访问偏爱度,由此改进站点的体系结构以及分析这些改进带来的影响。因此,提出用户群偏爱度这样一个新概念,并使用了基于用户群的模糊聚类算法(UGFC),然后根据聚类结果,即具有相似访问习惯的用户群体,度量用户群偏爱度,再基于用户群偏爱度,利用混合阶Markov模型(HOMM)进行预测。实验表明,这种新的度量预测方法(UGFC-HOMM)比传统Markov模型(TMM)预测更准确,并且实验用精确率、覆盖率和运行时间这3个度量评价值对预测性能进行评估。

基于一维卷积混合神经网络的用户兴趣分类

个性化推荐系统的关键是挖掘用户的情感偏好,而网络中大量的用户浏览行为记录为此提供了线索。传统描述兴趣度采用的方法是选择典型的浏览行为构造多元线性回归模型,然而浏览行为之间相互联系,容易导致共线性问题。为了提高挖掘用户兴趣的准确度,引入卷积神经网络(CNN)和胶囊网络(CapsNet),提出一种混合神经网络预测模型。首先,在卷积神经网络中对多种浏览行为使用一维卷积和最大池化操作提取局部特征;其次,在胶囊网络中将卷积网络输出的特征向量作为胶囊层的输入,使用动态路由算法对行为特征进行整体特征提取;最后,使用softmax分类器进行兴趣预测分类。实验结果表明,该模型在训练集的准确率高达95.8%,同时在测试集上的准确率都优于CNN和CapsNet,且该模型在训练过程中交叉熵损失明显低于CNN和CapsNet。采用该方法可以利用多种浏览行为准确挖掘用户的兴趣,提高了推荐系统的服务质量。

基于FAR-HK-ELM的燃煤电站锅炉NO_(x)排放预测

结合快速属性约简(FAR)与混合核极限学习机(HK-ELM)算法,提出了一种基于FAR-HK-ELM的燃煤电站锅炉NO_(x)排放预测方法。该方法首先通过FAR算法筛选出影响NO_(x)排放量的主要影响属性,剔除高维特征的冗余信息;然后构建基于全局多项式核函数(Poly)和局部高斯径向基核函数(RBF)的HK-ELM对NO_(x)排放进行建模。通过带约束的权重线性递减粒子群寻优算法和交叉验证来获得模型的最优参数。以某燃煤电站锅炉运行系统为例,将模型应用于真实运行数据并进行预测分析验证。实验结果表明,与BP、SVM、PK-ELM、GK-ELM和HK-ELM等模型相比,所提方法进一步提高了模型的泛化能力。该研究为燃煤电站锅炉系统的燃烧优化奠定了基础。

Unusual Event Detection and Prediction in Real-life Scenes

In this paper,we consider unusual event detection problem in a novel viewpoint and provide an algorithm to solve the problem.The actions or events in the scene is usual or not will eventually be reflected on the changes of some basic features.We summarize these basic event features and propose special representation for each of them.Thus we can model these features in a uniform mode using adaptive Gaussian mixture model.Supervised and unsupervised unusual event detection algorithm can be designed to fit various situations based on this model.The superiority of our model is that it can detect unusual event automatically without to know the determinate model of unusual events.In conclusion,we provide two applications to verify the effectiveness of our model.