融合用户活跃度的上下文感知兴趣点推荐算法

为了提高兴趣点(point of interest,POI)推荐的准确性和个性化,提升用户对推荐结果的满意度,针对不同活跃度用户的特点,提出一种融合用户活跃度的上下文感知兴趣点推荐算法(A POI recommendation algorithm that integrates geographical,categorical,and temporal factors,while simultaneously considering user activity),简称AU-GCTRS。首先,为缓解数据稀疏性和冷启动问题,引入多维上下文信息;其次,通过挖掘用户签到频率、签到兴趣点数量和签到时间,将用户划分为不同活跃度的群体;最后,综合用户活跃度与上下文分数,将得分高的前K个兴趣点推荐给用户。在真实数据集上进行实验表明,AU-GCTRS算法比其他流行算法更有效地缓解了数据稀疏性和冷启动问题,提高了推荐准确率和召回率。

科研信息服务平台用户活跃度测算研究——以国家科技图书文献中心为例

在科研信息服务背景下,探究如何从海量业务数据中对用户活跃度进行准确测算与分析,为实时评价活动效果、调整用户政策,提供基于数据计算和科学分析的决策依据。以国家科技图书文献中心(NSTL)为例开展实证分析,采用衰减算法计算用户行为量,通过熵权法细分每个行为的贡献量,对一段时间内NSTL不同类型用户活跃度进行测试与分析,提出适用于科研信息服务平台的应用场景,实现用户活跃度算法工程化应用。

新产品众包社区品牌忠诚度的影响因素研究:以用户活跃度为中介变量

根据用户参与互动的不同目的,新产品众包社区中的用户活跃行为可划分为知识互动及陪伴互动两类,获取了魅族社区中两个月内的全部新帖,利用机器学习算法将帖子分类为上述两类,再利用偏最小二乘算法验证提出的模型假设。结果显示:用户参与到社区网络中的深度及广度对陪伴互动活跃度有更大的正向影响,而专业水平则对知识互动活跃度有更大的正向影响;同时,陪伴互动以及知识互动均有利于品牌忠诚度的培养,但前者的促进作用远高于后者,说明企业在运营新产品众包社区时,应当引导用户在社区中结识更多的伙伴,更大程度上提高用户的陪伴互动活跃度,才能更有效地达到提高品牌忠诚度的目标。

考虑用户活跃度和项目流行度的基于项目最近邻的协同过滤算法

项目相关性度量是基于项目最近邻的协同过滤算法的关键。已有的项目相关性度量方法在数据集稀疏或推荐低流行度产品时会面临较大挑战,因此提出一种考虑用户活跃度和项目流行度的基于项目最近邻的协同过滤算法。该算法在度量两个项目的相关性时,若有记录只对两个项目之一有评分,则利用该记录所对应的评分用户的活跃度和被评价项目的流行度进行相关性惩罚,从而提高数据稀疏环境下低流行度产品被推荐的概率。实验表明,所提算法在保证评分预测精度的情况下提升了推荐结果的多样性和新颖性。

结合用户活跃度的协同过滤推荐算法

为了解决协同过滤推荐算法中存在的流行偏置问题,提出一种结合用户活跃度的协同过滤推荐算法(UACF)。该算法考虑用户活跃度对推荐结果的影响,通过对用户活跃度进行聚类分析,针对不同聚类结果中的用户进行分类处理,并引入到相似度计算过程中,以提高相似度计算的可靠性。典型数据集上的对比实验表明该算法能够较好的提高推荐准确率。

以需求差异为导向的“易班”学生用户活跃度和黏性提升路径探究——以福建中医药大学为例

2014年福建中医药大学加盟了"易班"计划,但存在注册率高,使用率较低的情况。该研究通过问卷调查,分析了易班学生用户活跃度和黏度现状,并以需求差异为导向,探讨了提升易班学生用户活跃度和黏性的相关路径,即完善易班网络环境建设,培育良好的易班使用习惯,完善易班队伍建设和激励评价体系。

基于商品流行度和用户活跃度的推荐算法研究

用户活跃度和商品流行度对个性化推荐系统性能影响越来越大。而以前的推荐算法很少考虑这两个因素的作用。该文根据商品流行度对计算用户相似度的影响,提出了一种改进的计算用户相似度的方法。同时,又根据用户活跃度对目标用户预测评分的影响,提出了一种改进目标用户计算预测评分的方法。经实验验证,改进后的推荐算法在准确率、召回率和覆盖率等性能指标都优于传统的推荐算法。因此,改进后的算法在提高推荐系统的性能上具有较好的理论研究和应用价值。

基于Logistic模型的新闻APP用户活跃度规律研究——以“今日头条”为例

移动互联网时代,人们获取信息的途径越来越多样,方式越来越便捷。新闻APP作为媒体信息传播的新渠道,其用户量不断增长,分析用户量变化规律对APP运营决策具有参考意义。以“今日头条”为研究对象,在Logistic增长模型基础上,以环境容纳能力为基础,加入竞争干扰,建立新的模型,对“今日头条”35组月用户活跃度数据进行拟合分析,探究变化规律。研究表明,环境容纳度和竞争干扰度在不同时期对其数量增长影响力度不同,APP运营可依据影响力的变化而有针对性地做出有益APP发展的决策。

在线软件生态系统用户活跃度的经验研究

为了以更少的成本来满足用户的需求,软件公司开始借助第三方开发者建立软件生态系统。提出了度量软件生态系统的用户活跃度的问题,对软件生态系统用户活跃度进行建模,设计层级结构的指标体系。从研究系统层面的用户活跃度为主要目标,分析用户行为,把用户群体的行为作为活跃度的判定依据。定义软件生态系统的具体指标:应用吸引力,用户忠诚度,用户流动性等。进行了案例研究,基于大量用户行为数据,进行服务异常监控和趋势分析。

微博实名制对用户活跃度的影响——以新浪微博为例

本文从微博实名制条例的公布入手,结合在信息传播中传者与受者的相互作用与影响,剖析当前新媒体的发展方向及态势。本文系统分析了微博用户与实名制的关系以及实名制后用户活跃度变化及其原因。结合实际案例对实行实名制的重要性、必要性做出分析,并探讨其利弊。结合实际情况分析我国未来实名制进程中函待解决和有待完善的问题,并对如何提高实名制后新浪微博这一新媒体平台中的微博用户数量及其活跃度,提出具有现实针对性的建议。

社交网络群中用户活跃度分析与预测

对于社交网络中不同的群组,由于用户属性(性别、年龄等)、群类别、群成员之间关系等因素的影响,其活跃度各不相同.本文首先从社交网络用户数据中提取人口信息、群的类别、社交关系、群用户黏性(分享消息数、图片数)等特征,然后利用logistic回归、支持向量机、BP神经网络等机器学习算法对不同群中用户的活跃度进行预测.结果表明,BP神经网络针对社交网络群中用户活跃度分类判断时具有较高的预测性能,社交关系特征对群用户活跃性具有重要影响.

用户活跃度下降后的微博何去何从——以新浪微博为例

在经历了2011~2012年的发展高峰期后,微博渐渐冷了下来。据全球最大的网民行为分析机构之一GWI公司的近期统计的全球社交网络的用户活跃度数据显示,在中国市场,新浪微博的用户活跃度下降了近40%,腾讯微博微博用户活跃度则下降60%。

基于K-means聚类的微博用户活跃度研究

以新浪微博用户为例,分析用户的相关数据,根据用户的粉丝数量、关注数量、发博文数量三个基本属性,采用K-means聚类算法对用户进行聚类分析,构建出用户活跃度聚类模型,为进一步的如何提升用户活跃度研究及采取相应措施保持、提高用户活跃度提供依据。

基于交互行为的社交媒体用户活跃度排序算法

针对社交网络中的用户用户活跃度排序问题进行探讨。提出了一种新的用户用户活跃度排序算法,该算法考虑了用户之间的交互和社交网络的动态变化,不仅关注个体的活跃度,还综合考虑了用户间的相互影响。研究首先定义了用户活力的量度,包括用户交互的数量和交互的增长速度。然后,提出了一种算法量化用户的活力水平。实验部分利用大规模的真实数据集进行了测试。实验结果显示,这些方法不仅有效,比加权度中心性节点算法稳定性提高了19%,而且效率高,能够准确分析用户活力,并为社交网络的管理和运营提供有价值的信息。总的来说,提出的用户活跃度排序算法能够有效地处理社交网络大数据中的用户排序问题,具有较高的实用价值和研究意义。

社交媒体网络中心性对UGC行为影响机制研究——“佛系用户”活跃度管理路径探索

用户生成内容(UGC)决定了社交媒体的资本盈利能力,但愈发显现的社交媒体倦怠现象引起了行业的广泛关注。当前,“佛系”一词流行于社交网络,更是引发了对用户活跃度降低的普遍担忧。“佛系用户”虽然有较少的UGC行为,但仍是活跃的内容消费者。本研究以网络中心性作为前因变量,讨论UGC的形成机制,其中自我效能是决定动机,感知沉没成本是持续动机。实证结果表明:社交媒体用户网络中心性通过影响用户的自我效能和感知沉没成本,从而对UGC行为有显著的正向影响;声誉累积和归属感建立,是感知沉没成本形成的重要原因。本研究将处于非中心位置的用户从UGC职能中分离出来,使“佛系用户”的大量存在得到理论和实证支持,从而提供了基于网络结构特征的活跃用户的分层管理思路。

“短视频+”:既要深度介入,更需优异作答

我们处在一个被高速发展的数字技术及互联网信息生态所包裹的世界。至少从当前可见的情形来看,短视频作为互联网场域中最具革命性的一种传播样态,正在以其新的视听符号逻辑重构着文化与社会的发生情境,不仅成为当下令人瞩目的媒介奇观,更是媒体深度融合进程中,主流媒体普遍关注并广泛尝试的一个转型“风口”。从传播形态看,在移动互联网和智能手机应用的双重支撑下,短视频作为一种新型互动和交往方式,正以极高的用户活跃度和平台拓展力渗透进新媒体传播生态。在短视频的驱动下,公众的数字化生活打破了工业化等级秩序和线性传播格局,不仅塑造了短视频突出的媒介地位,还建构了一个媒介化生存的新场域。

基于贝叶斯衍生分类器的社交网络用户影响力评价模型

为了防止社交网络中的负面信息快速传播,则需要通过评价社交网络中用户的影响力来找出影响力大的社交网络节点。针对传统算法在社交网络领域中交叉特性缺失的问题,结合高斯贝叶斯衍生分类器,提出一种网络用户影响力评价模型。该模型结合用户活跃度、用户联系度、用户覆盖度等维度,建立社交网络用户影响力刻画指标,同时考虑社交网络用户之间的关系特征和用户自身的行为特征,降低僵尸粉和垃圾社交网络对网络评价结果的影响,通过建立连续属性朴素贝叶斯分类器方法,提出基于高斯贝叶斯衍生分类器的模型求解方法。使用新浪微博中152059423条媒体报纸用户评论作为实验数据,分析影响该评价模型的关键因素,利用仿真软件完成和HRank等传统模型对比实验,结果表明,该模型体现了社交网络用户的交叉特性,提升了模型的实用性,相比于其他传统算法,该模型分类误差更趋于稳定,分类结果的误差率更低,适应性更好。

日报新媒体中心客户端用户增长策略

近年来,随着移动互联网的快速发展,应用程序(APP)成为人们生活中不可或缺的一部分。随着APP客户端的普及,越来越多的企事业单位开始利用APP来推广和增长其业务。其中,日报新媒体中心客户端作为一种新型的媒体传播方式,具有广泛的应用前景。目前,关于APP运维推广的日报新媒体中心客户端用户增长策略的研究还相对较少。现有的研究主要集中在APP的开发和设计方面,对于如何提高用户数量和用户活跃度的具体策略缺乏深入研究。因此,本文旨在探索基于APP运维推广的日报新媒体中心客户端用户增长策略。

浅析微信朋友圈用户活跃度下降现象

各类移动社交媒体快速崛起后,信息冗余、同质内容增多问题也随之而来,导致用户活跃度下降。针对这一问题,本文以微信朋友圈中的用户活跃度下降现象为研究课题,以问卷调查为研究方法,用戈夫曼的拟剧理论为分析框架,从表演者、观众和表演舞台三个维度出发,揭示造成这一现象的三大主因:朋友圈作为表演的前台无法满足表演者的需求、观众的"泛化"使表演者产生了表演疲惫以及社交媒体的多样性和差异化方便表演者随时切换舞台。

基于签到活跃度和时空概率模型的自适应兴趣点推荐方法

针对现有兴趣点(POI)推荐算法对不同签到特征的用户缺乏自适应性问题,该文提出一种基于用户签到活跃度(UCA)特征和时空(TS)概率模型的自适应兴趣点推荐方法UCA-TS。利用概率统计分析方法提取用户签到的活跃度特征,给出一种用户不活跃和活跃的隶属度计算方法。在此基础上,分别采用结合时间因素的1维幂律函数和2维高斯核密度估计来计算不活跃和活跃特征的概率值,同时融入兴趣点流行度来进行推荐。该方法能自适应用户的签到特征,并能更准确体现用户签到的时间和空间偏好。实验结果表明,该方法能够有效提高推荐精度和召回率。