基于项目特征和排序学习的新闻推荐系统设计与实现
这是一篇关于流行度预测,时间序列,深度学习,循环神经网络,推荐系统,排序学习的论文, 主要内容为随着互联网的逐渐普及,如今在线阅读新闻已成为我们日常生活重要的一部分。然而,在互联网海量信息面前,人们却往往变得无所适从。作为一种有效应对“信息过载”问题的手段,推荐系统在工业界和学术界均得到了广泛的研究。本文针对新闻领域的推荐方法进行了研究。主要研究工作有:(1)分析现有流行度预测算法,并通过挖掘新闻的特征,提出一种改进的新闻流行度预测方法,使用多种聚类算法将新闻进行聚类后,基于相同类别新闻的时间序列进行预测,并在此基础上对非个性化推荐算法进行改进;(2)根据用户的访问行为,使用循环神经网络获取用户的兴趣特征,并考虑获取用户数据之后,在对用户特征更新的同时,针对特定的用户更新文章的特征表示,最终通过用户特征与文章特征生成推荐列表;(3)基于预测所得流行度提出一种改进协同过滤的推荐方法,并结合(2)以及多种推荐算法,针对top-N推荐问题,使用排序学习方法融合推荐结果,提出一种基于排序学习的混合推荐算法,对推荐结果进行改进。在公开数据集上进行实验测试,结果表明该算法有更好的推荐性能;(4)基于以上提出的算法设计并实现了基于项目特征和排序学习的新闻推荐系统,考虑用户习惯并有效应对用户的冷启动问题,增强用户体验,提高推荐准确性。
基于流行度的视频发布系统设计与实现
这是一篇关于流行度预测,推荐算法,社交网络,流媒体系统的论文, 主要内容为互联网技术的飞速发展和网络应用的不断丰富,让流媒体技术得到了广泛的关注。与传统媒体传输和播放方式不同,流媒体技术采用边下载边播放的策略,大大降低了用户的等待时间。但随着用户对响应时间要求的不断提高,仅采用流媒体技术并不能满足用户的需求,由此,流行度预测技术应运而生。通过对视频流行度进行预测,提前将用户感兴趣的视频进行多码率转码并缓存,能进一步降低用户访问延迟,提高用户体验度。因此,本文在研究国内外视频流行度预测算法的基础上,改进一种基于用户偏好的流行度预测方法,提出一种基于社交与搜索数据的预测模型,并实现了一个基于流行度的视频发布系统。具体工作如下:(1)介绍了最新流媒体相关传输协议,视频发布系统技术框架,以及流行度预测技术的理论、算法等。(2)改进一种基于用户偏好的流行度预测方法并提出BMF-Score和BMFLink算法,该类方法首先使用矩阵分解算法挖掘用户对视频的兴趣偏好,然后对其进行统计分析以预测视频的点播热度,利用数据集对算法进行验证,并与相关算法进行对比。结果表明,BMF-Score和BMF-Link方法预测准确率有一定提升。(3)利用微博数据及搜索指数对视频的流行度进行预测。通过爬取分析网络中的真实数据,发现微博数据与搜索指数两种不同的社交网络与视频流行度之间的关系,提出了一种融合微博与搜索数据的流行度预测模型SSPM,该模型利用相关性分析方法确定与流行度显著相关的因素,并使用多元线性回归算法对视频流行度进行预测,通过实验表明,SSPM模型能较为准确的预测影片流行度。(4)设计并实现一个基于流行度的视频点播系统。服务器采用Nginx,使用FFmpeg工具对视频进行转码切片,以SSH框架为基础,使用My SQL数据库,并采用高性能非关系型数据库Redis作为系统缓存。同时,系统采用预测模型SSPM对影片流行度进行预测,并根据预测结果定期替换缓存内容。通过对系统进行测试,本系统能快速的响应用户请求,提升用户体验,搭建系统所采用的技术可行且有效。
社交网络平台内容流行度预测——基于评论隐性网络
这是一篇关于在线内容,流行度预测,在线评论,隐性网络的论文, 主要内容为随着移动互联网的普及以及手机终端的出现,上网门槛得到进一步的降低。同时社交媒体的兴起使得人们可以随时随地创作和分享,因此网络上涌现出了大量用户生成内容。海量的信息让平台开始引入推荐系统帮助用户筛选有用内容,推荐系统广义上分为两个方向:个性化推荐和非个性化推荐。其中推荐热门流行内容是非个性化推荐的一个重要方式。在线流行内容快速精准的发掘,一方面能帮助用户过滤掉大量无用信息,筛选出优质流行的内容,提升用户使用体验;另一方面有助于搜索引擎等第三方平台对内容流行趋势的把控和反应。在线内容的流行度往往被定义为获得的点赞数、评论数或转发数等。随着网民自我意识不断觉醒,网民在信息传播中的角色发生改变,“看评论”、“写评论”、“回复评论”已经逐渐成为一种用户习惯,也成为用户参与在线内容讨论的重要方式;之前流行度的预测研究中评论只是被用作流行度的衡量或者单纯的数据指标,忽视了评论中因为评论关系而形成的隐性社交网络,以往流行度预测研究只关注了显性网络相关指标忽视了隐性网络的作用,而根据用户之间兴趣或者行为形成的隐性网络在整体动态中扮演着重要角色。所以本文从评论隐性网络角度出发,构建隐性网络结构指标来实现对在线内容流行度的预测。本文以新浪微博为研究对象定义评论数为微博流行度,定义流行度基本不变的时间节点为稳态期,选择发布后某个早期时间节点为观察期。抓取观察期的微博作为研究对象,根据评论回复关系构建评论隐性网络。经过网络分析发现评论隐性网络是复杂网络的一种且符合“小世界”、“无标度”等特性。同时根据用户评论隐性网络互动的情况,本文挖掘了网络密度、中心节点度、网络中心势、网络平均路径四个隐性网络结构指标,验证了隐性网络结构指标和未来流行度之间的相关性。网络密度、网络平均路径和未来流行度呈负向的对数线性相关,中心节点度、网络中心势和未来流行度呈正向的对数线性相关。利用评论隐性网络结构特征扩展对数线性模型得到本文的扩展模型,扩展模型在预测能力方面有32%的提升,同时隐性网络结构指标蕴含丰富的信息,能够更加准确地预测流行度排名变化。网络结构指标所具备的实际意义对社交媒体推荐系统、评论区设计有指导意义,模型本身的预测能力给搜索引擎等第三方平台提供了新的角度来预测在线内容流行度。
基于项目特征和排序学习的新闻推荐系统设计与实现
这是一篇关于流行度预测,时间序列,深度学习,循环神经网络,推荐系统,排序学习的论文, 主要内容为随着互联网的逐渐普及,如今在线阅读新闻已成为我们日常生活重要的一部分。然而,在互联网海量信息面前,人们却往往变得无所适从。作为一种有效应对“信息过载”问题的手段,推荐系统在工业界和学术界均得到了广泛的研究。本文针对新闻领域的推荐方法进行了研究。主要研究工作有:(1)分析现有流行度预测算法,并通过挖掘新闻的特征,提出一种改进的新闻流行度预测方法,使用多种聚类算法将新闻进行聚类后,基于相同类别新闻的时间序列进行预测,并在此基础上对非个性化推荐算法进行改进;(2)根据用户的访问行为,使用循环神经网络获取用户的兴趣特征,并考虑获取用户数据之后,在对用户特征更新的同时,针对特定的用户更新文章的特征表示,最终通过用户特征与文章特征生成推荐列表;(3)基于预测所得流行度提出一种改进协同过滤的推荐方法,并结合(2)以及多种推荐算法,针对top-N推荐问题,使用排序学习方法融合推荐结果,提出一种基于排序学习的混合推荐算法,对推荐结果进行改进。在公开数据集上进行实验测试,结果表明该算法有更好的推荐性能;(4)基于以上提出的算法设计并实现了基于项目特征和排序学习的新闻推荐系统,考虑用户习惯并有效应对用户的冷启动问题,增强用户体验,提高推荐准确性。
社交网络平台内容流行度预测——基于评论隐性网络
这是一篇关于在线内容,流行度预测,在线评论,隐性网络的论文, 主要内容为随着移动互联网的普及以及手机终端的出现,上网门槛得到进一步的降低。同时社交媒体的兴起使得人们可以随时随地创作和分享,因此网络上涌现出了大量用户生成内容。海量的信息让平台开始引入推荐系统帮助用户筛选有用内容,推荐系统广义上分为两个方向:个性化推荐和非个性化推荐。其中推荐热门流行内容是非个性化推荐的一个重要方式。在线流行内容快速精准的发掘,一方面能帮助用户过滤掉大量无用信息,筛选出优质流行的内容,提升用户使用体验;另一方面有助于搜索引擎等第三方平台对内容流行趋势的把控和反应。在线内容的流行度往往被定义为获得的点赞数、评论数或转发数等。随着网民自我意识不断觉醒,网民在信息传播中的角色发生改变,“看评论”、“写评论”、“回复评论”已经逐渐成为一种用户习惯,也成为用户参与在线内容讨论的重要方式;之前流行度的预测研究中评论只是被用作流行度的衡量或者单纯的数据指标,忽视了评论中因为评论关系而形成的隐性社交网络,以往流行度预测研究只关注了显性网络相关指标忽视了隐性网络的作用,而根据用户之间兴趣或者行为形成的隐性网络在整体动态中扮演着重要角色。所以本文从评论隐性网络角度出发,构建隐性网络结构指标来实现对在线内容流行度的预测。本文以新浪微博为研究对象定义评论数为微博流行度,定义流行度基本不变的时间节点为稳态期,选择发布后某个早期时间节点为观察期。抓取观察期的微博作为研究对象,根据评论回复关系构建评论隐性网络。经过网络分析发现评论隐性网络是复杂网络的一种且符合“小世界”、“无标度”等特性。同时根据用户评论隐性网络互动的情况,本文挖掘了网络密度、中心节点度、网络中心势、网络平均路径四个隐性网络结构指标,验证了隐性网络结构指标和未来流行度之间的相关性。网络密度、网络平均路径和未来流行度呈负向的对数线性相关,中心节点度、网络中心势和未来流行度呈正向的对数线性相关。利用评论隐性网络结构特征扩展对数线性模型得到本文的扩展模型,扩展模型在预测能力方面有32%的提升,同时隐性网络结构指标蕴含丰富的信息,能够更加准确地预测流行度排名变化。网络结构指标所具备的实际意义对社交媒体推荐系统、评论区设计有指导意义,模型本身的预测能力给搜索引擎等第三方平台提供了新的角度来预测在线内容流行度。
本文内容包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主题。发布者：源码客栈 ，原文地址：https://m.bishedaima.com/lunwen/52997.html
