隨著互聯(lián)網(wǎng)及社交網(wǎng)絡(luò)的快速發(fā)展,微博信息更新速度爆炸增長,用戶需要通過平臺獲取自己感興趣的內(nèi)容,然而龐大的信息流使用戶面臨“信息過載”的問題�；谶@樣的場景,分析挖掘用戶的興趣傾向,從而實現(xiàn)精準(zhǔn)提供高質(zhì)量、用戶感興趣的個性化信息及商業(yè)廣告推送服務(wù),對平臺及用戶都是行之有效的方法。在微博平臺中,用戶既存在長期的興趣點(diǎn),也會根據(jù)時間和當(dāng)下流行事物的變化,產(chǎn)生短期的新生興趣,而且隨著互聯(lián)網(wǎng)的發(fā)展,博文數(shù)據(jù)中呈現(xiàn)出文本短、條數(shù)多、圖片占比大等現(xiàn)狀。在以上所述環(huán)境下,充分利用數(shù)據(jù)特征,分析挖掘出用戶當(dāng)前興趣傾向,具有很好的理論研究意義。首先對圖文數(shù)據(jù)進(jìn)行特征提取,然后提出一種基于Single-Pass的多階段不完全聚類算法(multi-stage incomplete clustering based on Single-Pass,MIC-SP),解決了傳統(tǒng)Single-Pass算法的時間代價高和次序依賴問題。之后對用戶興趣隨時間變化的規(guī)律進(jìn)行函數(shù)擬合,基于LDA主題建模方法的思想,對用戶主題概率分布矩陣使用時間函數(shù)進(jìn)行降維,最終提出一種基于圖文數(shù)據(jù)與時間效應(yīng)的微博用戶興趣挖掘算法(image-text co-occurrence data and time effect for microblog user interest mining,ICDTEMUIM),充分利用用戶產(chǎn)生的圖文數(shù)據(jù),并根據(jù)興趣變化的時間效應(yīng),計算出用戶興趣傾向概率。實驗首先通過設(shè)計微博數(shù)據(jù)獲取框架,獲取真實數(shù)據(jù)作為實驗數(shù)據(jù)集。然后對MIC-SP聚類算法與傳統(tǒng)Single-Pass算法進(jìn)行系統(tǒng)開銷、聚簇結(jié)果進(jìn)行對比;之后設(shè)置了預(yù)測準(zhǔn)確率、漏測率、概率準(zhǔn)確率、主題差異性四個評價指標(biāo),選擇了已有相關(guān)研究的四種算法作為對照組,對ICDTE-MUIM算法挖掘效果和性能進(jìn)行驗證。經(jīng)過多組實驗對比分析,證明提出的挖掘方法對微博用戶興趣挖掘具有更精確的定位和更全面的覆蓋,同時展現(xiàn)出較好的性能和效率。
【學(xué)位單位】：華中科技大學(xué)
【學(xué)位級別】：碩士
【學(xué)位年份】：2019
【中圖分類】：TP393.092
【部分圖文】：

統(tǒng)計每個塊的梯度直方圖，將所有圖片塊的特絡(luò)模型RF 和 HOG 在定義良好的圖像特征方面走了很久。然而個非常不同的方向：深度神經(jīng)網(wǎng)絡(luò)模型。從表面上看，RF 和 HOG 的提取方式有很大的不同。但是一般來說，N、CNN、RNN 等)[28]前幾層本質(zhì)上是計算邊緣梯度和其F 和 HOG。但隨后的層將局部模式組合成更全局的模式大的特征提取器。一個簡單的神經(jīng)網(wǎng)絡(luò)。L1層叫做輸入層，L3層叫做輸不能在訓(xùn)練樣本集中觀測到它們具體的值。每個圈表示圈稱為偏置節(jié)點(diǎn)，也就是截距項。( l)ia 表示第 l 層第 i 單有3個輸入單元， 個隱藏單元、1 個輸出單元。

科 技 大 學(xué) 碩 士 學(xué) 位。ResNet 在 ImageNet ILSVRC2015 比賽率和性能相較其他神經(jīng)網(wǎng)絡(luò)都有了較大提是在網(wǎng)絡(luò)中增加了直連通道，傳統(tǒng)的卷，同時還導(dǎo)致梯度消失或者梯度爆炸，進(jìn)題的解決提供一種思路，在輸入和輸出這兩部分的差別信息進(jìn)行學(xué)習(xí)，降低了訓(xùn)網(wǎng)絡(luò)可以不用學(xué)習(xí)整個的輸出，而是學(xué)習(xí)網(wǎng)絡(luò)。

只需要對這兩部分的差別信息進(jìn)行學(xué)習(xí)，降低了訓(xùn)練和學(xué)習(xí)的層的神經(jīng)網(wǎng)絡(luò)可以不用學(xué)習(xí)整個的輸出，而是學(xué)習(xí)上一個網(wǎng)絡(luò)叫做殘差網(wǎng)絡(luò)。所示，作者提出了兩種不同設(shè)計的殘差塊，左邊是一種采用堆，它在深層網(wǎng)絡(luò)中表現(xiàn)并不是很好。右邊為一種瓶頸殘差網(wǎng)絡(luò)neck 的結(jié)構(gòu)塊來代替常規(guī)的殘差塊，首先使用一個1x1的卷積一；中間的普通卷積做完卷積后輸出通道數(shù)等于輸入通道數(shù)；恢復(fù)到與輸入通道數(shù)相等。這種結(jié)構(gòu)設(shè)計，可以有效降低計算圖 2.3 殘差學(xué)習(xí)：一個殘差塊

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 仲兆滿;管燕;胡云;李存華;;基于背景和內(nèi)容的微博用戶興趣挖掘[J];軟件學(xué)報;2017年02期

2 蘇惠明;;一種基于用戶興趣的個性化建模方法[J];內(nèi)燃機(jī)與配件;2017年04期

3 王占;林巖;;基于信任與用戶興趣變化的協(xié)同過濾方法研究[J];情報學(xué)報;2017年02期

4 鄧娟;;用戶興趣變化下的協(xié)同過濾最優(yōu)推薦仿真[J];計算機(jī)仿真;2016年08期

5 徐則陽;劉博;;百度貼吧用戶興趣分類[J];福建電腦;2014年11期

6 石偉杰;徐雅斌;;微博用戶興趣發(fā)現(xiàn)研究[J];現(xiàn)代圖書情報技術(shù);2015年01期

7 楊絢然;;《解憂雜貨店》走進(jìn)現(xiàn)實[J];時代報告;2016年12期

8 孫雨生;劉偉;仇蓉蓉;黃傳慧;;國內(nèi)用戶興趣建模研究進(jìn)展[J];情報雜志;2013年05期

9 楊杰;陳恩紅;;面向個性化服務(wù)的用戶興趣偏移檢測及處理方法[J];電子技術(shù);2009年11期

10 陳圣兵;李龍澍;紀(jì)霞;;多層次用戶興趣模式的動態(tài)捕捉[J];計算機(jī)工程與應(yīng)用;2009年36期

相關(guān)會議論文 前10條

1 趙琦;駱志剛;田文穎;李聰;丁凡;;一種基于負(fù)反饋信息的用戶興趣模型修正方法[A];中國通信學(xué)會第六屆學(xué)術(shù)年會論文集（下）[C];2009年

2 孫靜;郭奇;張志強(qiáng);馮建華;;一種基于面向領(lǐng)域檢索系統(tǒng)的用戶興趣獲取方法[A];第二十一屆中國數(shù)據(jù)庫學(xué)術(shù)會議論文集（技術(shù)報告篇）[C];2004年

3 田萱;杜小勇;;基于SAM模型的用戶興趣表示研究[A];第二十三屆中國數(shù)據(jù)庫學(xué)術(shù)會議論文集（技術(shù)報告篇）[C];2006年

4 孫鐵利;教巍巍;;基于馬爾科夫模型的用戶興趣導(dǎo)航模型系統(tǒng)(英文)[A];計算機(jī)技術(shù)與應(yīng)用進(jìn)展——全國第17屆計算機(jī)科學(xué)與技術(shù)應(yīng)用（CACIS）學(xué)術(shù)會議論文集（上冊）[C];2006年

5 李曉黎;史忠植;梁永全;劉福桃;;INTERNET網(wǎng)上一種識別用戶興趣的學(xué)習(xí)方法[A];第十六屆全國數(shù)據(jù)庫學(xué)術(shù)會議論文集[C];1999年

6 張健沛;李連江;楊靜;;個性化搜索引擎排序算法的研究與改進(jìn)[A];第三屆全國信息檢索與內(nèi)容安全學(xué)術(shù)會議論文集[C];2007年

7 許歡慶;王永成;孫強(qiáng);;基于加權(quán)概念網(wǎng)絡(luò)的用戶興趣建模[A];第一屆學(xué)生計算語言學(xué)研討會論文集[C];2002年

8 曹雷;杜輝鋒;;基于Web挖掘的個性化推薦模型的研究[A];全國第十屆企業(yè)信息化與工業(yè)工程學(xué)術(shù)年會論文集[C];2006年

9 王勇;劉奕群;張敏;馬少平;茹立云;;基于用戶興趣分析的網(wǎng)頁生命周期建模(英文)[A];第三屆全國信息檢索與內(nèi)容安全學(xué)術(shù)會議論文集[C];2007年

10 宋麗哲;詹赤兵;王勝海;;基于本體的數(shù)字圖書館個性化用戶模型表示[A];第三屆全國信息檢索與內(nèi)容安全學(xué)術(shù)會議論文集[C];2007年

相關(guān)重要報紙文章 前3條

1 陳曲;算法推薦讓用戶興趣變窄了嗎？[N];人民郵電;2019年

2 對話人 新歷史合作社總編輯 唐建光　《中國新聞出版報》記者 晉雅芬;一期數(shù)字雜志可以長銷兩年作者[N];中國新聞出版報;2013年

3 本報記者 晉雅芬;“今日頭條”：不做傳統(tǒng)媒體的敵人[N];中國新聞出版報;2013年

相關(guān)博士學(xué)位論文 前10條

1 崔琳;面向用戶興趣深層分析的推薦方法研究[D];南京航空航天大學(xué);2018年

2 徐揚(yáng);基于用戶興趣挖掘的個性化推薦方法研究[D];山東大學(xué);2018年

3 李鐵;面向大規(guī)模電商評論的情感分析與興趣挖掘研究[D];電子科技大學(xué);2018年

4 郭巖;網(wǎng)絡(luò)日志中用戶興趣的挖掘及利用[D];中國科學(xué)院研究生院（計算技術(shù)研究所）;2004年

5 吳麗輝;個性化的Web信息采集技術(shù)研究[D];中國科學(xué)院研究生院（計算技術(shù)研究所）;2005年

6 馬力;基于聚類分析的網(wǎng)絡(luò)用戶興趣挖掘方法研究[D];西安電子科技大學(xué);2012年

7 劉淇;基于用戶興趣建模的推薦方法及應(yīng)用研究[D];中國科學(xué)技術(shù)大學(xué);2013年

8 梁政;面向在線社交網(wǎng)絡(luò)輿情的信息傳播分析關(guān)鍵技術(shù)研究[D];國防科學(xué)技術(shù)大學(xué);2014年

9 張召;在線論壇用戶興趣圖譜發(fā)現(xiàn)與個性化信息推薦[D];華東師范大學(xué);2012年

10 陳浩;Web搜索的用戶興趣與智能優(yōu)化研究[D];中南大學(xué);2012年

相關(guān)碩士學(xué)位論文 前10條

1 宋帥博;基于搜索日志的用戶興趣挖掘[D];北京理工大學(xué);2017年

2 琚澤平;基于圖文數(shù)據(jù)與時間效應(yīng)的微博用戶興趣挖掘研究[D];華中科技大學(xué);2019年

3 馬雙劍;行為序列模式識別在泛娛樂平臺用戶興趣發(fā)現(xiàn)中的應(yīng)用[D];對外經(jīng)濟(jì)貿(mào)易大學(xué);2019年

4 沈華理;基于用戶興趣變化和聚類的混合推薦算法研究[D];安徽理工大學(xué);2019年

5 蔡泳;基于評論信息的跨領(lǐng)域商品推薦研究[D];華南理工大學(xué);2019年

6 呂朝萍;基于用戶興趣挖掘的IPTV用戶體驗提升關(guān)鍵技術(shù)研究[D];南京郵電大學(xué);2019年

7 林錦銹;面向社區(qū)網(wǎng)站的用戶興趣發(fā)現(xiàn)系統(tǒng)的設(shè)計與實現(xiàn)[D];哈爾濱工業(yè)大學(xué);2018年

8 林偉宏;基于用戶興趣的轉(zhuǎn)發(fā)預(yù)測方法研究[D];國防科技大學(xué);2017年

9 徐佳藝;基于用戶興趣主題模型的交友推薦系統(tǒng)的設(shè)計與實現(xiàn)[D];浙江工業(yè)大學(xué);2019年

10 陳鵬達(dá);基于深度學(xué)習(xí)的商品推薦系統(tǒng)的研究與實現(xiàn)[D];北京郵電大學(xué);2019年

本文編號：2831753