融合主题模型和卷积神经网络的APP推荐研究

[目的/意义]将主题模型与卷积神经网络进行结合,以实现APP的个性化推荐,并缓解评分数据稀疏性问题。[方法/过程]提出TMCNN模型,针对文本内容,通过用户和APP双通道的卷积神经网络获取卷积语义特征,同时使用LDA模型获取主题特征,并与用户和APP的数值特征组合,从而预测用户对APP的评分,进而推荐。[结果/结论]通过360手机助手数据集的测试,从RMSE,召回率,NDCG三个指标进行分析,TMCNN模型不仅具有良好的评分预测效果,而且APP的推荐结果也相对较好。同时,TMCNN模型也丰富了APP推荐的研究方法。[局限]没有考虑APP的权限信息,评论信息的有用性,以及TMCNN模型的优化函数有待改进。

面向相似App推荐的列表式多核相似性学习算法

相似App推荐可以有效帮助用户发现其所感兴趣的App.与以往的相似性学习不同,相似App推荐场景主要面向的是排序问题.本文主要研究在排序场景下如何学习相似性函数.已有的工作仅关注绝对相似性或基于三元组的相似性.本文建模了列表式的相似性,并将三元组相似性与列表式相似性用统一的面向排序场景的相对相似性学习框架来描述,提出了基于列表的多核相似性学习算法SimListMKL.实验证明,该算法在真实的相似App推荐场景下性能优于已有的基于三元组相似性学习算法.

算法推荐类新闻App用户间歇性中辍行为研究

采用“压力源—压力—结果”分析框架及双视角分析法,构建算法推荐类新闻App用户间歇性中辍行为研究模型,通过问卷调查获取531份有效样本数据,利用SPSSAU、AMOS24.0软件验证假设和模型。研究发现,新闻倦怠是造成用户间歇性中辍行为的重要原因,而信息同质化、信息过载、沉浸觉醒及隐私担忧正向影响新闻倦怠的形成,其中沉浸觉醒是引起用户产生新闻倦怠的最主要原因。

算法推荐类APP用户流失行为影响因素研究

[目的/意义]算法推荐类APP吸引了大量用户使用,提高用户留存率一直是各类应用关注的重点。文章探索了用户流失行为的影响因素,为减少用户流失、提升用户使用体验提供建议和对策。[方法/过程]文章采集算法推荐类APP用户评论9772条,采用扎根理论对数据进行编码,以此厘清用户流失行为影响因素,构建算法推荐类APP用户流失行为影响因素模型。[结果/结论]信息因素、环境因素、系统因素、网络社群通过影响用户的控制感间接影响用户流失行为,用户的信息素养在控制感和用户流失行为中起调节作用。

算法推荐类APP的使用及其影响——基于全国受众调查的实证分析

算法推荐类客户端(APP)已成为中国网民获取信息、娱乐和展开交往的重要平台,其使用状况与社会影响引发社会和学界关注,也需要更多的实证研究。本研究基于2019年完成的全国随机抽样调查数据(其中网民样本N=5177),选择五个主要的算法推荐类APP(今日头条、天天快报、趣头条、抖音、快手),分析其使用状况、影响使用的因素,以及它们对新闻信息获取渠道的多样性、新闻信息的积极处理、公民参与(包括公共事务知识、意见表达、社会参与三个维度)的影响。研究发现:至少使用过一种算法推荐类APP的网民逾九成,使用比例和频率最高的是抖音;算法推荐类APP的使用不仅受到个体人口学变量、地区变量的影响,还受到其他媒介使用因素的影响;在控制其他变量后,算法推荐类APP中的新闻资讯类APP(今日头条、天天快报)与新闻信息渠道多样性、新闻信息的积极处理存在正向关系,抖音使用也与新闻信息渠道多样性正相关,不同的算法推荐类APP与公民参与的三个维度之间存在不同形态的关联,与对公共事务知识水平的影响相比,它们对意见表达和社会参与的正向影响更为明显。