基于图文数据与时间效应的微博用户兴趣挖掘研究

发布时间：2020-10-01 17:15

　　 随着互联网及社交网络的快速发展,微博信息更新速度爆炸增长,用户需要通过平台获取自己感兴趣的内容,然而庞大的信息流使用户面临“信息过载”的问题。基于这样的场景,分析挖掘用户的兴趣倾向,从而实现精准提供高质量、用户感兴趣的个性化信息及商业广告推送服务,对平台及用户都是行之有效的方法。在微博平台中,用户既存在长期的兴趣点,也会根据时间和当下流行事物的变化,产生短期的新生兴趣,而且随着互联网的发展,博文数据中呈现出文本短、条数多、图片占比大等现状。在以上所述环境下,充分利用数据特征,分析挖掘出用户当前兴趣倾向,具有很好的理论研究意义。首先对图文数据进行特征提取,然后提出一种基于Single-Pass的多阶段不完全聚类算法(multi-stage incomplete clustering based on Single-Pass,MIC-SP),解决了传统Single-Pass算法的时间代价高和次序依赖问题。之后对用户兴趣随时间变化的规律进行函数拟合,基于LDA主题建模方法的思想,对用户主题概率分布矩阵使用时间函数进行降维,最终提出一种基于图文数据与时间效应的微博用户兴趣挖掘算法(image-text co-occurrence data and time effect for microblog user interest mining,ICDTEMUIM),充分利用用户产生的图文数据,并根据兴趣变化的时间效应,计算出用户兴趣倾向概率。实验首先通过设计微博数据获取框架,获取真实数据作为实验数据集。然后对MIC-SP聚类算法与传统Single-Pass算法进行系统开销、聚簇结果进行对比;之后设置了预测准确率、漏测率、概率准确率、主题差异性四个评价指标,选择了已有相关研究的四种算法作为对照组,对ICDTE-MUIM算法挖掘效果和性能进行验证。经过多组实验对比分析,证明提出的挖掘方法对微博用户兴趣挖掘具有更精确的定位和更全面的覆盖,同时展现出较好的性能和效率。
【学位单位】：华中科技大学
【学位级别】：硕士
【学位年份】：2019
【中图分类】：TP393.092
【部分图文】：

统计每个块的梯度直方图，将所有图片块的特络模型RF 和 HOG 在定义良好的图像特征方面走了很久。然而个非常不同的方向：深度神经网络模型。从表面上看，RF 和 HOG 的提取方式有很大的不同。但是一般来说，N、CNN、RNN 等)[28]前几层本质上是计算边缘梯度和其F 和 HOG。但随后的层将局部模式组合成更全局的模式大的特征提取器。一个简单的神经网络。L1层叫做输入层，L3层叫做输不能在训练样本集中观测到它们具体的值。每个圈表示圈称为偏置节点，也就是截距项。( l)ia 表示第 l 层第 i 单有3个输入单元， 个隐藏单元、1 个输出单元。

科 技 大 学 硕 士 学 位。ResNet 在 ImageNet ILSVRC2015 比赛率和性能相较其他神经网络都有了较大提是在网络中增加了直连通道，传统的卷，同时还导致梯度消失或者梯度爆炸，进题的解决提供一种思路，在输入和输出这两部分的差别信息进行学习，降低了训网络可以不用学习整个的输出，而是学习网络。

只需要对这两部分的差别信息进行学习，降低了训练和学习的层的神经网络可以不用学习整个的输出，而是学习上一个网络叫做残差网络。所示，作者提出了两种不同设计的残差块，左边是一种采用堆，它在深层网络中表现并不是很好。右边为一种瓶颈残差网络neck 的结构块来代替常规的残差块，首先使用一个1x1的卷积一；中间的普通卷积做完卷积后输出通道数等于输入通道数；恢复到与输入通道数相等。这种结构设计，可以有效降低计算图 2.3 残差学习：一个残差块

【相似文献】

相关期刊论文 前10条

1 仲兆满;管燕;胡云;李存华;;基于背景和内容的微博用户兴趣挖掘[J];软件学报;2017年02期

2 苏惠明;;一种基于用户兴趣的个性化建模方法[J];内燃机与配件;2017年04期

3 王占;林岩;;基于信任与用户兴趣变化的协同过滤方法研究[J];情报学报;2017年02期

4 邓娟;;用户兴趣变化下的协同过滤最优推荐仿真[J];计算机仿真;2016年08期

5 徐则阳;刘博;;百度贴吧用户兴趣分类[J];福建电脑;2014年11期

6 石伟杰;徐雅斌;;微博用户兴趣发现研究[J];现代图书情报技术;2015年01期

7 杨绚然;;《解忧杂货店》走进现实[J];时代报告;2016年12期

8 孙雨生;刘伟;仇蓉蓉;黄传慧;;国内用户兴趣建模研究进展[J];情报杂志;2013年05期

9 杨杰;陈恩红;;面向个性化服务的用户兴趣偏移检测及处理方法[J];电子技术;2009年11期

10 陈圣兵;李龙澍;纪霞;;多层次用户兴趣模式的动态捕捉[J];计算机工程与应用;2009年36期

相关会议论文 前10条

1 赵琦;骆志刚;田文颖;李聪;丁凡;;一种基于负反馈信息的用户兴趣模型修正方法[A];中国通信学会第六届学术年会论文集（下）[C];2009年

2 孙静;郭奇;张志强;冯建华;;一种基于面向领域检索系统的用户兴趣获取方法[A];第二十一届中国数据库学术会议论文集（技术报告篇）[C];2004年

3 田萱;杜小勇;;基于SAM模型的用户兴趣表示研究[A];第二十三届中国数据库学术会议论文集（技术报告篇）[C];2006年

4 孙铁利;教巍巍;;基于马尔科夫模型的用户兴趣导航模型系统(英文)[A];计算机技术与应用进展——全国第17届计算机科学与技术应用（CACIS）学术会议论文集（上册）[C];2006年

5 李晓黎;史忠植;梁永全;刘福桃;;INTERNET网上一种识别用户兴趣的学习方法[A];第十六届全国数据库学术会议论文集[C];1999年

6 张健沛;李连江;杨静;;个性化搜索引擎排序算法的研究与改进[A];第三届全国信息检索与内容安全学术会议论文集[C];2007年

7 许欢庆;王永成;孙强;;基于加权概念网络的用户兴趣建模[A];第一届学生计算语言学研讨会论文集[C];2002年

8 曹雷;杜辉锋;;基于Web挖掘的个性化推荐模型的研究[A];全国第十届企业信息化与工业工程学术年会论文集[C];2006年

9 王勇;刘奕群;张敏;马少平;茹立云;;基于用户兴趣分析的网页生命周期建模(英文)[A];第三届全国信息检索与内容安全学术会议论文集[C];2007年

10 宋丽哲;詹赤兵;王胜海;;基于本体的数字图书馆个性化用户模型表示[A];第三届全国信息检索与内容安全学术会议论文集[C];2007年

相关重要报纸文章 前3条

1 陈曲;算法推荐让用户兴趣变窄了吗？[N];人民邮电;2019年

2 对话人 新历史合作社总编辑 唐建光　《中国新闻出版报》记者 晋雅芬;一期数字杂志可以长销两年作者[N];中国新闻出版报;2013年

3 本报记者 晋雅芬;“今日头条”：不做传统媒体的敌人[N];中国新闻出版报;2013年

相关博士学位论文 前10条

1 崔琳;面向用户兴趣深层分析的推荐方法研究[D];南京航空航天大学;2018年

2 徐扬;基于用户兴趣挖掘的个性化推荐方法研究[D];山东大学;2018年

3 李铁;面向大规模电商评论的情感分析与兴趣挖掘研究[D];电子科技大学;2018年

4 郭岩;网络日志中用户兴趣的挖掘及利用[D];中国科学院研究生院（计算技术研究所）;2004年

5 吴丽辉;个性化的Web信息采集技术研究[D];中国科学院研究生院（计算技术研究所）;2005年

6 马力;基于聚类分析的网络用户兴趣挖掘方法研究[D];西安电子科技大学;2012年

7 刘淇;基于用户兴趣建模的推荐方法及应用研究[D];中国科学技术大学;2013年

8 梁政;面向在线社交网络舆情的信息传播分析关键技术研究[D];国防科学技术大学;2014年

9 张召;在线论坛用户兴趣图谱发现与个性化信息推荐[D];华东师范大学;2012年

10 陈浩;Web搜索的用户兴趣与智能优化研究[D];中南大学;2012年

相关硕士学位论文 前10条

1 宋帅博;基于搜索日志的用户兴趣挖掘[D];北京理工大学;2017年

2 琚泽平;基于图文数据与时间效应的微博用户兴趣挖掘研究[D];华中科技大学;2019年

3 马双剑;行为序列模式识别在泛娱乐平台用户兴趣发现中的应用[D];对外经济贸易大学;2019年

4 沈华理;基于用户兴趣变化和聚类的混合推荐算法研究[D];安徽理工大学;2019年

5 蔡泳;基于评论信息的跨领域商品推荐研究[D];华南理工大学;2019年

6 吕朝萍;基于用户兴趣挖掘的IPTV用户体验提升关键技术研究[D];南京邮电大学;2019年

7 林锦锈;面向社区网站的用户兴趣发现系统的设计与实现[D];哈尔滨工业大学;2018年

8 林伟宏;基于用户兴趣的转发预测方法研究[D];国防科技大学;2017年

9 徐佳艺;基于用户兴趣主题模型的交友推荐系统的设计与实现[D];浙江工业大学;2019年

10 陈鹏达;基于深度学习的商品推荐系统的研究与实现[D];北京邮电大学;2019年

本文编号：2831753