社交网络中一种基于社区推荐的信任模型

信任度计算一直是社交网络中备受人们关注的问题,而对陌生节点的信任度计算更是其中的研究热点。目前多数的信任模型由于推荐证据的不完整使得对陌生节点信任度计算准确性不高。随着社区数量的不断增多,基于社区的社交网络成为当今社交网络发展的一种趋势,引入社区推荐模型替代原有的节点推荐模型来提高推荐证据的完整性和可靠性,进而提高陌生节点信任度计算的准确性;同时考虑友群信任度对社区信任度的影响,并给出社区关联度因子来解决社区推荐可能存在的合谋攻击。最后,通过仿真实验验证了该模型的合理性和有效性。

基于节点动态属性相似性的社会网络社区推荐算法

社区推荐帮助用户寻找感兴趣的社群,是社会网络分析的重要内容。根据社会网络的动态变化特性,通过分析网络的动态演变过程、网络个体的行为特征及个体间联系的变化,研究动态社区及其个体的动态特性的形式化描述方法,提出了节点(个体)间的动态属性相似度计算方法和基于节点(个体)间的动态属性相似度计算的社区推荐算法,可以克服通过个体的直接联系进行社区推荐的局限性。实验结果表明,应用本算法进行社区推荐的准确率有较大提高,能有效应用于动态社会网络的社区推荐。

基于HMM模型的网络社区推荐技术

由于网络社区相关数据具有海量、强噪音、实时变化性大等特点。因此,如何满足网络用户高质量和实时性的社区推荐需求,使得用户获得准确的推荐服务成为备受关注的研究热点。本文结合Web使用挖掘和内容挖掘的思想,提出了一种基于隐马尔可夫模型即HMM模型来描述用户访问社区模式的挖掘模型,并运用该模型来获取用户访问社区的具有共性的模式序列,经验证,该技术能够发现用户访问社区的迁移模式,并反映用户的访问偏好,从而将某社区内部成员共同感兴趣的新社区推荐给该社区的其他成员。

融合BERT语义特征的社区矫正方案推荐技术

针对社区矫正人员繁多且情况愈加复杂,目前人力难以实现社区矫正方案实时精准推送的现实问题。本论文就某市司法局采集到的社区矫正人员状态信息数据,结合实际业务需求,通过采用BERT预训练特征向量分别在GBDT和XGBoost模型上训练实现方案推荐,并对比传统onehot编码方法,比较迁移学习改进后模型的优越性。模型最终测试性能达到93%。此外,针对实际的司法矫正人员特征情况提出最优的特征选择方法。

网络推荐社区对大学生消费行为和心理影响研究

随着互联网的迅速发展,人们通过网络社区实时互动,交流的方式从单一的聊天拓展到运用图片、视频等工具。为发挥社区信息交换功能以刺激消费需求,蘑菇街、小红书这类网络推荐社区应运而生,根据用户的浏览历史与购物喜好为其推荐相关的内容或产品。大多数网络推荐社区都以用户原创内容吸引眼球,其中小红书已经建立起独立的电商社区,成功将积累的用户转化为潜在消费者。网络推荐社区引发的消费潮流在大学生中颇为显著。本文将着重研究这种新型的电商模式对大学生消费行为和心理的影响。

基于深度学习的混合主题模型应用

在线社交网络的快速发展得益于主题模型的广泛应用.然而,目前几种典型的主题模型存在需要手动调参、语义连贯性不足、特征提取不充分和样本效率低等问题.对此,构建主题模型时利用深度学习技术来进行主题划分,以BiLSTMCNN模型框架为基础,并在主题特征提取进行主题划分阶段引入"作者-主题"模型进一步优化框架,从而提出了一种混合主题模型Hybrid-Topic Model(简称HTM).将LDA,CNN,BiLSTM-CNN和HTM这4种主题模型应用于2组不同场景的数据集,并对结果进行对比分析.分析表明,在主题分类效果和内容困惑度方面,HTM主题模型的效果明显优于现有模型.此外,该模型在样本使用效率和模型迁移学习能力方面也有出色的表现,为后期研究指明了方向.