基于用户生成内容的绘本资源分类策略研究——以小红书与豆瓣平台为例

通过分析UGC平台上由用户生成的绘本标签与短评,以期构建一个综合分类系统用于绘本资源分类。通过手动筛选,获取到小红书平台绘本标签1375个,使用八爪鱼采集器采集豆瓣平台绘本短评73472条,进一步使用Python与微词云文本分析工具对绘本标签、短评数据进行文本内容挖掘分析,对绘本标签进行标签长度、词性与共现网络分析,对绘本短评进行高频特征词、LDA主题聚类与情感倾向性分析。从中提炼出绘本标签的五个内容特征,进一步凝练出绘本短评的五个主题,最终提出了优化绘本资源分类的三个策略构想。

图书馆与图书分享网站的用户标注行为比较研究

对图书添加标签、评论和等级评价等功能是Web2.0环境下新兴的一项服务。本文首先对图书分享网站和我国公共图书馆和高校图书馆的图书标注服务情况进行调查,然后比较二者在图书标注功能上的差异,接着以武汉大学图书馆和豆瓣网为例,通过真实的用户日志数据比较二者的用户标注行为,最后为图书馆更好地开展图书标注服务提出建议。

大学生的图书标注行为研究——基于武汉大学图书馆读者的问卷调查

通过问卷调查,了解大学生对图书标注结果的关注度、在网络上的图书标注行为、在图书分享网站和图书馆中标注行为产生的原因,以及用户对图书馆实施标注服务的期望,并对图书馆开展标注服务提出几点意见。

融合评论标签的个性化推荐算法

传统的推荐算法大都从评论中挖掘用户兴趣或产品特征,然而由于评论形式自由,规则性差,导致从评论中获取有效信息较困难,推荐结果不理想。在电子商务等领域,评论标签作为一种新的评论方式已经被广泛使用。与评论相比,评论标签具有规则性强,信息密度大等特点,因此提出了一种融合评论标签的推荐算法。该算法从评论标签中挖掘用户对产品特征的观点,并利用其构建用户兴趣模型和产品特征模型,然后向用户推荐在他们感兴趣的特征上有较高评价的产品。与传统推荐算法进行对比,实验结果表明,融合评论标签的算法能有效地提高用户的覆盖率,并提升推荐算法的准确性。

基于双向分层语义模型的多源新闻评论情绪预测

随着在线新闻服务的迅猛发展,用户在阅读新闻后可以非常方便地表达自己的主观情绪,有效分析和预测用户的情绪有助于新闻服务提供商为新闻用户提供更好的服务.情绪标注研究已经取得了很多优秀的成果,但仍然存在着一些问题:1)传统的方法将整个文档看作单词流或词袋,不能对句子间的逻辑关系进行建模,在文档中的句子间包含逻辑关系时,这些方法无法适当地表达文档的语义;2)这些方法只用了文档本身的语义,忽略了与该文档相关的其他信息源中信息,而这些信息源对该文档的语义表达也有一定的影响.为了解决这些问题,提出了一种基于多信息源的在线新闻评论双向分层语义表示模型,称为双向分层语义神经网络(bi-directional hierarchical semantic neural network,Bi-HSNN),该模型既捕获句子中词语所表达的情感,又自底向上地学习文档中句子间的逻辑关系,并利用评论、新闻和用户投票等多种信息源对在线新闻评论的情绪进行标注.在真实数据集上的一系列实验,验证了该模型的有效性.

基于标签与短评数据的用户标注行为特征分析

[目的/意义]基于标签与短评文本数据探究用户的标注行为规律,为优化社会化标注系统的功能和服务提供参考和理论依据。[方法/过程]采用自主编写的Python代码抓取“豆瓣读书”平台健康类目下的图书标签与短评数据,运用统计学方法和自然语言处理技术对用户的标签标注行为与评论行为进行分析。[结果/结论]用户偏向使用字符长度为2~5,词性为名词、动词与形容词的标签对健康类图书信息进行标注,在标签词的选用上呈现出一定的用词规律和词性偏好;无论从单本图书还是整体图书来看,短评文本的情感值与资源的星级评分都具有显著相关;从整体图书而言,星级评分与评论有用性感知得分呈极弱正相关,短评文本的情感值与评论有用性感知得分呈极弱负相关。用户对信息资源的文本评论、星级评分和有用感知行为都具有评价资源的作用,并且它们之间具有一定关联性。本文据此为社会化标注系统平台提高用户体验提出相关建议。

一个标准能适合所有的项目吗：开放教育的选择(英文)

基于支持全英开放教育资源项目(英国开放教育资源项目,简称UKOER项目)的经验,本文将探讨该项目开展过程中所涌现出的各种不同的开放教育资源描述方法,及其对资源共享、工作流程计划、资源聚集观的影响。由于UKOUER项目包括个人层面的项目、学科层面的项目和院校层面的项目,而这三种类型的项目又有各自不同的特点,显然难以用一种技术或者描述性的解决方案来适合所有的项目。因此,目前这些项目只提供有限的描述性信息,包括项目标签、作者、题目、日期、链接地址、文件格式、文件大小、权限,以及一些附加信息,包括语言、学科分类、关键词、标签、评论和描述。所有项目可以自由选择编码、存储和分享上述信息的方法。本文通过大量的例证介绍了项目的描述方法,其中还包括工作流程和所作出的尝试。我们将考虑所选择的工具(资源库、Web2.0应用、虚拟学习环境)与标准选择的关系,以及本地需求和更广泛社区需求之间的关系。我们会考虑这些选择对资源传播和发现的影响,例如,资源描述对大量开放教育资源的发现服务的影响。

基于图书评论属性挖掘的群组推荐研究

【目的】利用用户、标签、图书三者之间的关系实现群组推荐。【方法】通过用户-标签、图书-标签的标注关系,利用K-means算法进行用户聚类和图书聚类,形成用户群组和图书群组,并进行余弦相似度计算,从图书评论属性角度对不同图书类型进行对比,并对图书进行打分、排序和聚类,实现个性化推荐。以"豆瓣网"为例对模型进行验证。【结果】基于图书评论属性挖掘的推荐模型能够为用户群组准确有效地推荐资源,推荐效果较好。【局限】样本数据集有限,采集的用户以及图书数量较少。【结论】结合图书评论属性挖掘的推荐模型对个性化推荐效果有一定的提升。