互聯(lián)網(wǎng)和多媒體新聞行業(yè)迅猛發(fā)展,移動端的短視頻平臺逐漸進入大眾化時代,短視頻平臺逐漸成為大勢發(fā)展的風口。由于時間簡短、內(nèi)容豐富、隨時隨地可以觀看,從而逐漸占領了用戶的碎片化時間。用戶呈指數(shù)化增長飆升,龐大的用戶流量引起了電商行業(yè)與廣告行業(yè)的興趣,通過視頻主播以合作代言的形式推廣產(chǎn)品,形成了一種新的盈利模式。但是過億級的用戶量,會給電商和廣告行業(yè)在尋找合作用戶時帶來困難,所以如果能夠在龐大基數(shù)的用戶中篩選出用戶影響力較大的用戶,或者能夠發(fā)掘出有可能的電商潛在合作用戶,就能夠節(jié)省一定量的時間或成本。本次論文旨在從這個角度出發(fā),對研究短視頻行業(yè)與電商行業(yè)的快速融合有著一定的實踐意義。本文首先闡述了社交網(wǎng)絡中用戶影響力計算的研究現(xiàn)狀,介紹了基于粉絲數(shù)量的In-Degree入度算法以及基于Page Rank思想的關聯(lián)算法,指出了他們所存在的一些不足,如Page Rank的關聯(lián)算法中粉絲將PR值均勻分給關注的用戶,存在不合理性。針對以上算法的不足之處,引出了基于微博網(wǎng)絡平臺的SF-UIR影響力算法,探討SF-UIR算法在短視頻平臺的應用實現(xiàn)。通過實驗將用戶得到的影響力排序名次與該用戶在因子分析得分... 

【文章來源】：吉林大學吉林省 211工程院校 985工程院校 教育部直屬院校

【文章頁數(shù)】：75 頁

【學位級別】：碩士

【部分圖文】：

HackerNews得分時間對應

第2章短視頻平臺的用戶影響力計算14主要考慮第一項影響因素，用戶自身的影響力計算。2.5實驗及結(jié)果分析本節(jié)在短視頻平臺用戶數(shù)據(jù)集下應用實現(xiàn)SF-UIR影響力算法和因子得分排序，對比分析兩種情況下的用戶排名順位，分析平臺的官方認證以及時間周期內(nèi)的高質(zhì)量作品對影響力產(chǎn)生的作用，評估SF-UIR影響力算法在短視頻平臺環(huán)境下的可用性。2.5.1抖音短視頻平臺的用戶影響力計算基于微博網(wǎng)絡的SF-UIR算法通過用戶自身的影響力和用戶粉絲分配的影響力，通過這兩項指標來計算該用戶在網(wǎng)絡環(huán)境中的影響力。在章節(jié)2.4中分析比較了微博網(wǎng)絡和短視頻平臺的交互方式和使用方式的差異性，考慮到粉絲的分配影響力在短視頻平臺的不適用性，所以本次實驗主要考慮第一項因素，用戶自身的影響力計算。實驗數(shù)據(jù)集為抖音短視頻平臺獲取的542位用戶，用戶類型包括：優(yōu)質(zhì)視頻作者、人氣視頻作者、專業(yè)領域的認證用戶（優(yōu)質(zhì)籃球領域作者、抖音音樂人、優(yōu)質(zhì)美食自媒體等）、明星用戶、普通用戶。部分數(shù)據(jù)集樣本如圖2.2所示，第2列為用戶的平臺ID、第5列為星座序號、第6列為用戶的位置、第7列為頭像的存儲地址、第8列為用戶的個性簽名、第9列為平臺的官方認證，更具體的數(shù)據(jù)集信息會在章節(jié)4.1中說明。圖2.2短視頻平臺的用戶數(shù)據(jù)集樣本

第3章基于短視頻平臺的多標簽學習25主要來說明本文實驗應用到的分類器模型。3.3.1ML-KNNCover和Hart在1968年提出KNN近鄰算法，KNN近鄰是數(shù)據(jù)挖掘中常用的分類算法之一。KNN通過使用某種度量測量與已經(jīng)標注分類好的樣本實例最近的K個樣本，被選擇出的K個樣本判斷為與標注樣本屬于同一類別。K為鄰近數(shù)，取值若過小會被有噪聲的成分影響效果；取值若過大，會有近似誤差，與目標較遠的樣本也可能影響預測效果，K值增大會讓學習模型變得簡單化。KNN算法示例如圖3.1所示，KNN鄰近算法過程簡述如下：(1)根據(jù)度量規(guī)則計算出測試樣本與標記好的樣本實例之間的距離，關于常用的選取的度量有：余弦值、歐幾里得距離、相關度、曼哈頓距離；(2)根據(jù)計算出的距離，按遞增排序；(3)在排序隊列中找出距離最小的K個點；(4)根據(jù)K個點出現(xiàn)類別的頻率，統(tǒng)計出頻率最高的類別作為測試樣本的被預測分類。KNN算法簡單有效易實現(xiàn)，但是需要計算測試樣本和已標注好的訓練數(shù)據(jù)集中的所有樣本的距離，所以耗費時間較多，若數(shù)據(jù)集隨機分布，分類效果會較差。圖3.1KNN算法示例[51]對于多標簽學習問題，Zhang、Zhou等人在2007年提出ML-KNN算法[36-38]，

【參考文獻】：
期刊論文
[1]論短視頻對傳統(tǒng)媒體轉(zhuǎn)型的促進作用[J]. 萬勇.  中國報業(yè). 2019(24)
[2]國內(nèi)短視頻發(fā)展現(xiàn)狀及問題思考[J]. 林文婧,畢秋敏.  視聽. 2018(11)
[3]基于PageRank的用戶影響力評價改進算法[J]. 王頂,徐軍,段存玉,吳玥瑤,孫靜.  哈爾濱工業(yè)大學學報. 2018(05)
[4]ML-kNN算法在大數(shù)據(jù)集上的高效應用[J]. 陸凱,徐華.  計算機工程與應用. 2019(01)
[5]一種改進PageRank的微博用戶影響力計算方法[J]. 鄭遠飛,陳曉升,王志文,陳堅旋,陳珂.  廣東石油化工學院學報. 2016(03)
[6]如何用SPSS快速計算主成分的結(jié)果[J]. 林海明.  統(tǒng)計與決策. 2011(12)
[7]支持向量機理論與算法研究綜述[J]. 丁世飛,齊丙娟,譚紅艷.  電子科技大學學報. 2011(01)
[8]如何正確應用SPSS軟件做主成分分析[J]. 李小勝,陳珍珍.  統(tǒng)計研究. 2010(08)
[9]統(tǒng)計分析在學生成績評估中的應用[J]. 蘇斌,謝友芹.  系統(tǒng)工程理論與實踐. 2006(07)
[10]BP人工神經(jīng)網(wǎng)絡用于肺鱗癌預后預測[J]. 黃德生,周寶森,劉延齡,魏慶琤,李金榮.  中國衛(wèi)生統(tǒng)計. 2000(06)

博士論文
[1]多標簽數(shù)據(jù)分類技術研究[D]. 劉陽.西安電子科技大學 2018
[2]基于用戶行為的信任感知推薦方法研究[D]. 張亞楠.哈爾濱工程大學 2014

碩士論文
[1]基于標簽特征和相關性的多標簽分類研究[D]. 李鋒.西安電子科技大學 2019
[2]基于SVM的多示例多標簽網(wǎng)頁分類[D]. 朱紅波.中國石油大學(華東) 2017
[3]基于標簽相關性和三層BP神經(jīng)網(wǎng)絡的多標簽分類算法研究[D]. 廖麗芳.廈門大學 2017
[4]基于主成分分析與因子分析數(shù)學模型的應用研究[D]. 解素雯.山東理工大學 2016
[5]基于有效粉絲的用戶影響力計算的研究與實現(xiàn)[D]. 王焱楠.西安電子科技大學 2015
[6]基于社區(qū)熱度的開源軟件排序關鍵技術研究[D]. 范強.國防科學技術大學 2015
[7]微博社會網(wǎng)絡構造與分析技術研究[D]. 陸毅.復旦大學 2011
[8]基于用戶行為及關系的社交網(wǎng)絡節(jié)點影響力評價[D]. 康書龍.北京郵電大學 2011
[9]BP神經(jīng)網(wǎng)絡在土地利用分類中的應用分析[D]. 孟治國.吉林大學 2004



本文編號：3317430