基于用户特征的微博转发预测研究

研究微博用户转发行为,预测微博转发概率,确定影响微博转发概率的因素,在热点挖掘、产品营销、舆情监控、谣言控制等方面有重要的现实意义.本文介绍了影响微博转发的用户特征,其中比较典型的有用户影响力、粉丝平均标签数、粉丝活跃度等特征.通过粉丝数-关注数算法、用户标签数算法、粉丝活跃度算法等分析了它们与微博转发之间的关联关系,并确定各个属性的阈值,这些阈值对微博转发预测起到了至关重要的作用.     

媒介融合下的微博与图书馆个性化用户服务

媒介融合的新媒体具有时效性强、传播范围广、服务项目多、互动性强、资源共享等优势可充分满足受众知识信息的需求,给图书馆服务带来了广阔的发展空间。微博客在国外图书馆中的应用已经相当盛行,国内的一些图书馆也正积极地进行了许多应用微博服务的尝试。微博应用于图书馆的个性化服务具有交互性强、信息发布简便快捷、文本的碎片化等优势。图书馆可应用微博发布导读资讯、开展实时咨询、信息推送服务、学术交流、实现圈内阅读与知识共享等服务。     

基于集成学习的微博用户转发行为预测

为了提高微博用户转发行为预测的精度,提出一种有效的基于集成学习的微博用户转发行为预测算法.首先,对影响用户转发的各种特征进行综合分析,提取出用户属性、社交关系、微博内容等影响用户转发行为的特征;然后,采用Logistic回归、支持向量机与BP(BackPropagation)神经网络等机器学习算法对用户转发行为进行预测;最后,利用"加权投票法"的集成学习方法对多个预测结果进行融合.实验结果表明,相对于BP神经网络算法,在综合评价性能的F1度量值上,集成学习算法有1.5%的性能提升.     

基于多度量融合的微博转发行为预测方法

文章提出了一种基于多度量融合的微博转发行为预测方法(MRBP-MMF),该方法提取用户微博特征,设计了转发行为习惯度、历史微博认同度、微博内容相似度和转发行为相似度计算方法,并综合多种度量标准预测用户转发行为。在实际微博数据集上实验发现,MRBP-MMF方法对用户转发行为的预测灵敏度比融合前平均高出12%,分别比预测模型3:基于情感主题模型(The Third Prediction Model-Emotion topic based Model,PM3)和多异质扩散关系网络转发行为(Retweeting Behavior on Multiple Heterogeneous Diffusion Relation Networks,RBMHDRN)平均高出4%和0.7%,在训练数据较少的情况下,MRBP-MMF方法更具优越性。实验结果表明,MRBPMMF方法预测灵敏度高于基于微博正文或用户情感的转发行为预测方法。     

基于用户类别兴趣偏好的个性化排序方法

信息检索中,个性化排序在传统的基于内容匹配的排序算法基础上,结合用户兴趣特征,返回更符合用户需求的检索结果.由于用户数据存在稀疏性和兴趣爱好不均衡等问题,用户兴趣偏好模型构建通常不是很精确,检索效果也不佳.本文在前人研究的基础上,提出了一种基于用户类别偏好的个性化排序方法.该方法首先借助词向量技术计算查询词和文档标签集之间的语义相似程度,其次,考虑到用户对不同兴趣的偏好程度不一,通过构建用户兴趣偏好模型,计算出用户对不同兴趣类别的偏好程度,对待查询文档进行个性化处理,以达到个性化排序的目的.在真实数据集上的实验表明,与传统方法相比,本文提出的方法可以有效地改善用户的个性化检索效果.     

基于链接分析的科学文献个性化排序算法

 首先分析CiteSeer引文网络的结构特征,然后深入讨论PageRank算法的本质,并在此基础上给出一种科学文献个性化排序算法;最后将该算法应用于CiteSeer引文网络,并对实验结果进行分析。个性化向量的计算是实现个性化排序的关键,本文给出等概率、伪被引次数和带时间约束的伪被引次数3种计算方法。     

基于微博文本的个性化兴趣关注点及情绪变迁趋势研究

随着社交网络的快速发展,人们可利用微博平台发表、分享自己的观点以及抒发某种情绪,进而产生了大量针对不同话题的博文和情绪信息,但传统的文本挖掘算法在处理这些短小且具富含个性化情感信息的微博文本方面有所欠缺。在此提出一种基于微博文本的特征权重计算方法,可据此得到博主在不同时间段的关注点,通过情绪分类,分析用户在不同时间段内的情绪变迁情况。实验结果证明此方法具有一定的可行性。     

微博转发的从众心理研究

微博是微型博客,每次发布消息有字符数量限制。用户可以通过电脑、手机、即时聊天工具等多种途径随时随地向网站发布文字、图片和视频等内容,同时可以实时跟帖及转发某些用户发布的信息。特别是在2011年两会当中,微博发挥了新型传播方式特有的魅力。本文从应用心理学的角度分析微博转发中的从众心理。     

一个新的个性化搜索引擎排序算法

通过对现有个性化搜索引擎排序算法的研究,提出了一个新的排序算法.该算法首先在不同粒度上多次使用SVD技术和k-means聚类技术,将用户浏览历史及其所包含的词在不同层次上进行文档聚类和词聚类,创建两棵加权兴趣树:文档类树和词类树.其中,树中每个节点的权值表示用户对该类文档或该类词的感兴趣程度.接着,利用朴素贝叶斯分类器对搜索引擎得到的网页进行文档分类和词分类,并根据分类结果进行网页评分.最后,将网页根据文档得分降序排列.实验表明该方法能为用户提供更为精确的个性化排序.     

无监督排序学习算法的一致性比较

对于无监督的排序学习算法来说,排序结果的评价指标是非常具有挑战性的问题.从一致性的角度,比较了4种比较典型的无监督排序学习方法,并在机器学习标准数据库中进行实验比较分析.结果显示,RPC这种非线性的无监督排序融合方法产生的排序结果有最小的Kendall距离和Spearman简捷距离,体现了RPC在无监督排序方法上的优越性.     

基于排序互信息的无监督特征选择

根据排序问题的单调先验知识,无监督学习问题中的观测属性之间也具备单调关系;否则该属性与排序无关,为冗余属性.基于排序互信息反应的两属性之间的单调关系,提出用每个属性与其他属性之间的平均互信息,来衡量每个属性与排序学习的相关程度,具有最高的平均互信息即为排序最相关的属性.     

二部排序算法的稳定性分析

研究了在样本集中删除一个元素后二部排序算法的稳定性。证明了如果使用lγ作为排序亏损函数,那么算法在具有得分一致稳定的前提下也具有亏损一致稳定;并且对任意x,K(x,x)存在有限上界。通过最小化正则经验l-误差得到的排序算法具有良好的一致得分稳定。     

基于k-部排序学习方法的本体映射算法

本体映射作为实现多本体间相互操作的重要手段,已广泛应用于诸多领域。利于k-部排序学习算法得到最优排序函数,从而将多本体结构图中每个顶点映射成一个实数,通过比较来自不同本体顶点对应实数间的差值判断概念间的相似程度。实验表明：该方法对于在不同本体间建立映射是有效的。     

混合分层抽样统计与贝叶斯个性化排序的旅游景点推荐模型研究

传统协同过滤推荐模型仅处理稀疏的评分数据,未深入挖掘用户及对象的潜在语义,且用户喜好信息也未充分利用.围绕旅游景点推荐这一热点问题,提出全新的混合分层抽样统计与贝叶斯个性化排序的推荐模型：采用分层抽样统计及主观赋值评价法刻画用户旅游喜好;基于矩阵分解算法(Matrix Factorization,简称MF)分析用户及对象(景点)的潜在语义,运用贝叶斯个性化排序算法(Bayesian Personalized Ranking,简称BPR)对推荐模型进行优化;综合用户旅游喜好信息及BPR优化结果,生成混合推荐列表.在新的“Wisdom Tourism”数据集上进行仿真实验.实验表明：推荐模型的RMSE、MAE、F1值较最强基线分别提升16.59%、10.05%、5.04%;相比于分层抽样统计方法,BPR算法在推荐过程中发挥更显著的作用.     

元搜索引擎中检索结果排序的优化方法

提出了一种新的基于概率模型的排序优化方法．利用贝叶斯规则，结合各组成系统平均执行性能的信息，推导出一种新的相关度计算公式，较好地解决了结果融合中相关度规范化和均衡化的问题．经实验验证，该方法对结果进行了最优化排序，其实际执行性能超出了现有的任何一个组成系统的性能．     

数字图书馆的个性化信息服务

阐述了数字图书馆个性化信息的服务特点、服务方式,提出了进一步提高个性化服务质量的几点措施.     

图书馆个性化服务综合谈

介绍了个性化服务的概念和支持它的技术，通过对国内外图书馆个性化服务的对比分析，提出了图书馆个性化服务存在的问题及未来发展的趋势。     

基于本体结构的新闻个性化推荐

为了更好地对新闻和用户进行建模, 将语义相似度模型引入基于内容的推荐系统中, 挖掘两者之间的语义关联。提出一种基于本体结构的相似度模型(OBSM), 利用在线百科构建的本体结构, 计算新闻和用户之间的语义相似度。为了降低本体结构上噪音数据对推荐效果带来的影响, 提出X-Ontology聚类算法对本体结构进行清理, 并衍生出OBSM的升级模型X-OBSM。中文和英文实验表明, OBSM和X-OBSM比基准模型具有更好的推荐效果, 尤其是对本体结构进行清理后, X-OBSM具有比OBSM更高的计算效率。     

数字图书馆个性化信息环境与服务构建

构建数字图书馆的个性化信息服务实际上就是要在数字图书馆上实现个性化资料、个性化检索、个性化过滤、个性化服务等四种环境．数字图书馆可以开发个人图书馆、检索帮助、个性化信息咨询、信息代理、垂直门户等多种个性化信息服务．