發(fā)布時間：2020-03-31 13:38

【摘要】：本文考慮一個傳統(tǒng)的跨網(wǎng)絡(luò)協(xié)同問題:給定YouTube視頻,找到優(yōu)化的Twitter大號,在T-witter上能最大化視頻推廣.為此,YouTube視頻和Twitter大號分布在不同的網(wǎng)絡(luò)平臺,本文提出一個基于流形重構(gòu)的跨網(wǎng)絡(luò)關(guān)聯(lián)方法,在一致的局部流形空間YouTube視頻和候選的Tw-itter大號進(jìn)行適配.文章主要分為三個階段.第一階段:對YouTube空間的視頻和Twitter空間的用戶進(jìn)行主題建模.第二階段:在流形假設(shè)下,YouTube和Twitter空間用戶主題本質(zhì)上有一個相似的幾何結(jié)構(gòu).在YouTube空間用戶主題分布的局部嵌入里,根據(jù)最近鄰域決定的權(quán)重來進(jìn)行重構(gòu),得到Twitter空間用戶(Twitter大號)的主題分布.我們應(yīng)用典型相關(guān)分析(CCA)來最大化YouTu-be和Twitter空間用戶主題的局部鄰域之間的相關(guān)性,分別進(jìn)行Twitter空間用戶主題特征的全局重構(gòu)和細(xì)節(jié)主題特征信息的殘差補償,然后將兩個信息組合起來,通過實驗得到的propern-ess判斷該方法是一個更準(zhǔn)確的關(guān)聯(lián)函數(shù).第三階段:當(dāng)給定一個YouTube視頻時,通過第二階段的關(guān)聯(lián)方法,用實驗數(shù)據(jù)歸一化折損累積增益判斷得到的Twitter大號分布是更好的,最后進(jìn)行該視頻的推薦.
【圖文】：

多核學(xué)習(xí)最初是為了控制可能的核標(biāo)準(zhǔn)的搜索空間容量來實現(xiàn)良好的泛化，但己經(jīng)被廣逡逑泛用于涉及多視角數(shù)據(jù)的問題上．這是因為多核學(xué)習(xí)里面的核本身與不同的視角有關(guān)，可以逡逑恰當(dāng)?shù)慕M合核來提高學(xué)習(xí)表現(xiàn)．圖２．２是多核學(xué)習(xí)的框架圖．逡逑７逡逑

角數(shù)據(jù)實現(xiàn)有效的處理．不同于經(jīng)典的子空間學(xué)習(xí)將數(shù)據(jù)從一個高維原始特征空間映射到一逡逑個低維子空間，，基于子空間的多視角學(xué)習(xí)試圖從多個高維原始特征空間發(fā)現(xiàn)一個統(tǒng)一的低維逡逑子空間，從而獲得蘊含多視角信息的統(tǒng)一特征表達(dá)，如圖２．３基于子空間的多視角學(xué)習(xí)不僅保逡逑留了子空間學(xué)習(xí)有效緩解維數(shù)災(zāi)難的特點，而且實現(xiàn)了對多視角數(shù)據(jù)的充分利用？逡逑空間ｘｉ邋ａ逡逑，士、ｖ邋？逡逑－ｆ邐ａ邋＊邋？逡逑＾￣？？逡逑輸入數(shù)據(jù)邐￣邋＇ｄ邋＞：逡逑空間ＸＭ逡逑圖２．３：
【學(xué)位授予單位】：湘潭大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2018
【分類號】：TP393.03

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 郭校根;熊偉麗;徐保國;;基于局部鄰域標(biāo)準(zhǔn)化和貝葉斯推斷的多工況過程監(jiān)測[J];信息與控制;2017年01期

2 郭紅杰;徐春玲;侍洪波;;基于局部鄰域標(biāo)準(zhǔn)化策略的多工況過程故障檢測[J];上海交通大學(xué)學(xué)報;2015年06期

3 王明佳;武治國;李桂菊;劉偉寧;;一種基于局部鄰域特征目標(biāo)穩(wěn)定跟蹤技術(shù)[J];儀器儀表學(xué)報;2014年S1期

4 黃東;;擴(kuò)大局部鄰域的疏散嵌入算法[J];計算機(jī)工程與應(yīng)用;2012年11期

5 陳俊鋒;王春雷;韓維;;基于局部鄰域模型的自適應(yīng)CS算法[J];中國電子科學(xué)研究院學(xué)報;2015年03期

6 胡鋼;鄭皎月;秦新強;;結(jié)合局部鄰域特性和C-BEMD的圖像融合方法[J];計算機(jī)輔助設(shè)計與圖形學(xué)學(xué)報;2017年04期

7 張紅霞;;基于自適應(yīng)判別局部塊對齊的人臉識別[J];計算機(jī)應(yīng)用與軟件;2014年08期

8 劉鳳玲;林國平;;局部鄰域多粒度粗糙集模型[J];閩南師范大學(xué)學(xué)報(自然科學(xué)版);2018年03期

9 盧振泰;鄭倩;馮衍秋;劉燕杰;馮前進(jìn);陳武凡;;基于熵和局部鄰域信息的高斯約束CV模型[J];計算機(jī)學(xué)報;2013年05期

10 劉燕杰;盧振泰;馮前進(jìn);陳武凡;;基于KL距離加權(quán)和局部鄰域信息的CV模型[J];電子學(xué)報;2011年06期

相關(guān)會議論文 前1條

1 蘇濤;張登福;畢篤彥;;基于平移不變和小波域局部鄰域方差估計的圖象去噪[A];信號與信息處理技術(shù)第三屆信號與信息處理全國聯(lián)合學(xué)術(shù)會議論文集[C];2004年

相關(guān)博士學(xué)位論文 前1條

1 馬賀賀;基于數(shù)據(jù)驅(qū)動的復(fù)雜工業(yè)過程故障檢測方法研究[D];華東理工大學(xué);2013年

相關(guān)碩士學(xué)位論文 前10條

1 張德道;基于局部鄰域重構(gòu)的跨網(wǎng)絡(luò)關(guān)聯(lián)[D];湘潭大學(xué);2018年

2 洪天昊;基于局部鄰域旋轉(zhuǎn)直角模式的圖像檢索技術(shù)研究[D];哈爾濱商業(yè)大學(xué);2017年

3 于力;基于局部特征的人臉識別[D];西安電子科技大學(xué);2013年

4 張婷;鄰域保持嵌入技術(shù)研究[D];西安電子科技大學(xué);2017年

5 呂志超;基于局部鄰域優(yōu)化的降維算法研究[D];遼寧師范大學(xué);2014年

6 甄延海;基于幾何活動輪廓模型的圖像分割算法研究[D];燕山大學(xué);2013年

7 張增平;觀測數(shù)據(jù)的降噪及動態(tài)建模技術(shù)的研究[D];揚州大學(xué);2009年

8 劉靚;基于多特征點和局部鄰域信息的遙感圖像配準(zhǔn)方法[D];西安電子科技大學(xué);2017年

9 李兆軍;基于局部特征的影像對象描述及其完備性研究[D];上海交通大學(xué);2013年

10 吳宏明;基于結(jié)構(gòu)信息的港口艦船目標(biāo)變化檢測[D];國防科學(xué)技術(shù)大學(xué);2008年

本文編號：2609145