基于科技查新数据的用户拓展及其关联聚类

科技查新用户数据是查新业务积累的真实而宝贵的资源,其充分利用不仅是查新业务管理的需要,可提升查新服务水平,同时还能用于挖掘更多的情报价值.调研发现,当前对科技查新用户数据的挖掘利用仍以基础性的业务管理分析为主,而增值情报价值的挖掘较少.为拓展成都文献情报中心科技查新客户群体和增值服务范围,做大做强查新业务,立足成都中心查新服务实践,依托于积累查新用户及其服务记录,在挖掘发现潜在服务对象的基础上,通过多维用户关联聚类,探讨了后期信息情报服务的精准营销与推送,分析了基于用户聚类的服务推荐存在的不足,展望了挖掘更多需求信息的推荐路径.     

基于用户偏好的最优路径搜索

本文研究基于用户偏好的最优路径搜索,在预算约束下寻找一条满足用户偏好即关键字和权重偏好的最优路径.此研究问题是NP-hard.为了高效地解决这类查询问题,本文提出新的索引建立方法,在查询阶段利用索引结构过滤出候选节点集.另外,提出基于A*的路径搜索算法来做路径查询,并利用几个有效的剪枝策略加快算法的执行速度.在两个真实的签到数据集上的实验结果证明了本文提出方法的有效性.当预算时间设置为4～7h时,与已有最好的PACER算法相比,本文的路径搜索算法消耗的查询时间更短.     

适用于联网飞机网络的安全切换方案

本文提出了一种适用于联网飞机的安全切换方案,该方案通过地面基站或卫星周期性地发送签名消息实现消息源认证,不同的飞机预存要经过航路的相关密码学公共参数,然后利用签密实现网络的安全快速切换。在该方案中,由于使用了能够在一个逻辑步骤内同时实现机密性和认证性等安全功能的签密技术,因此具有较高的效率。     

Google浏览器如何经营中国市场——百度、UC、360、QQ浏览器为什么让人感觉比Chrome好

Google浏览器技术具有创新性,不仅满足了Google的企业的发展需求,也符合广大用户的信息要求,但是如何进入中国市场,是个值得深思的问题。     

基于权重调节和用户偏好的协同过滤算法

针对传统相似度计算方法只利用用户的评分信息这一显性反馈行为进行推荐, 导致推荐效果不理想的问题, 提出一种新的相似度计算方法, 通过引入权重调节机制及用户行为偏好等隐性反馈信息, 提升推荐的准确度. 首先, 根据负采样的反用户频率, 降低流行物品全局软件工程的影响程度, 并使用共同评分行为的最小权重, 调节因共同评分数过少而导致的推荐准确度偏差. 其次, 提出项目偏好词定义, 根据项目偏好词矩阵计算出在项目特征上具有共同偏好的用户. 最后, 在MovieLens数据集上进行实验对比分析, 实验结果表明, 改进后的相似度计算有较优的MAE值, 且有更高的推荐准确性.     

考虑用户行为和排错延迟的多版本软件可靠性增长模型

软件在测试阶段和使用阶段操作环境的差别导致软件测试可靠性和运行可靠性不完全相同.软件在发布后的使用和维护阶段,软件可靠性的增长不仅体现在软件固有故障的排除,而且用户对软件的熟悉程度也会影响软件的可靠性.本文研究了软件固有故障检测过程、固有故障纠正过程和外在失效过程的特征,建立了考虑用户行为和排错延迟下的多版本软件可靠性增长模型.通过一组来自于开源软件用户缺陷跟踪系统中的真实数据进行数值分析,试验结果表明提出的模型具有较好的效果.     

移动商务中融合签到位置与用户间相似性的兴趣点精准推荐

向位置频繁变化的移动用户进行精准推荐,如何提高推荐准确性,已经成为一个理论研究与实践中的热点与难点问题.针对于此,本文提出了面向移动社交商务的精准用户兴趣点推荐模型--MRGR.首先,利用用户的历史签到信息,通过改进核密度估计对兴趣点进行预测;其次,进一步考虑到用户间的签到相似性,使用信息熵定量表示用户移动的随机性和不确定性;最后,融合地理位置信息与用户间相似性,精准推荐用户兴趣点,并在Foursquare数据集上进行验证.实验结果表明:与传统模型相比,提出的模型在准确预测用户兴趣点的同时,可以有效缓解数据稀疏性和冷启动问题,并在准确率和召回率上都取得了显著的提高.成果将为移动商务中,如何更好满足企业的精准推送与用户个性化需求提供有力的技术支持和决策服务.     

下一代密集WLAN网络干扰管理机制

在密集高效无线局域网部署场景中,针对传统802.11协议造成用户公平性差和吞吐量低的问题,提出一种以用户为中心的资源配置方法。该方法通过对用户进行识别分类,以用户为中心配置信道和功率,在保证用户公平性的前提下,最大化网络吞吐量。提出的功率控制机制和用户识别方法可以很简单的应用于现有无线局域网系统中。仿真结果表明,提出的资源配置方法平均提升单位基本服务集吞吐量47.3%,干扰最严重的基本服务集的吞吐量提升190%,每个基本服务集的边缘用户的吞吐量平均提升约74.3%。     

基于DIKW图谱的虚拟社区用户性格分类与转换方法

随着社交网络的发展，网络虚拟社区的成员数量快速增长.在虚拟社区中，用户会偏向选择浏览自己喜欢的内容，同时倾向与具有相近或相关兴趣爱好或目的的人进行内容交流与处理合作.在虚拟社区中，用户之间的交互内容以数据、信息和知识的形态存在.虚拟社区上大量的数据、信息与知识形态的网络类型化资源中保留了许多网络用户使用“痕迹”.这些痕迹是真实用户的数字化存在代表.为了实现对虚拟社群用户生成内容按照偏好和兴趣进行量化调控，采用数据信息知识及智慧（data information knowledge wisdom，DIKW）图谱对这些类型资源进行建模.根据用户DIKW图谱结合自我构建理论将用户按性格指数进行进一步的归类，并根据DIKW图谱结合自我决定理论将用户的心理需求分类.根据性格指数和心理需求设计了针对不同用户的不同的性格转换方法，模拟了用户生成内容的产生.     

基于多模态融合技术的用户画像方法

针对当前用户画像工作中各模态信息不能被充分利用的问题, 提出一种跨模态学习思想, 设计一种基于多模态融合的用户画像模型。首先利用 Stacking集成方法, 融合多种跨模态学习联合表示网络, 对相应的模型组合进行学习, 然后引入注意力机制, 使得模型能够学习不同模态的表示对预测结果的贡献差异性。改进后的模型具有精心设计的网络结构和目标函数, 能够生成一个由特征级融合和决策级融合组成的联合特征表示, 从而可以合并不同模态的相关特征。在真实数据集上的实验结果表明, 所提模型优于当前最好的基线方法。