2023年全國碩士研究生考試考研英語一試題真題(含答案詳解+作文范文)_第1頁
已閱讀1頁,還剩78頁未讀, 繼續(xù)免費(fèi)閱讀

下載本文檔

版權(quán)說明:本文檔由用戶提供并上傳,收益歸屬內(nèi)容提供方,若內(nèi)容存在侵權(quán),請進(jìn)行舉報(bào)或認(rèn)領(lǐng)

文檔簡介

1、在大數(shù)據(jù)時(shí)代,挖掘社交媒體用戶的真實(shí)興趣已成為一個(gè)研究熱點(diǎn)問題,用戶興趣在個(gè)性化廣告推送、安全情報(bào)、網(wǎng)絡(luò)輿情等方向具有重要的理論和實(shí)踐意義。社交媒體用戶發(fā)表的內(nèi)容在一定程度上反應(yīng)了用戶的喜好,社交媒體中用戶興趣建模也引起了研究者的關(guān)注。
  本文深入研究了以微博為代表的社交媒體中的用戶興趣建模問題,并提出了新的用戶興趣模型。該模型同樣適用于微信、Twitter等其它社交媒體。論文主要從構(gòu)建方法和興趣表示開展研究:
 ?。?)

2、根據(jù)社交媒體用戶發(fā)表的內(nèi)容和時(shí)間,從主題模型、類別模型、興趣詞模型三個(gè)維度對用戶興趣進(jìn)行建模。
  在興趣主題模型方面,根據(jù)社交媒體短文本特征改進(jìn)詞袋模型,利用Word2vec構(gòu)建特征之間的語義表示模型,采用句子中特征先后順序構(gòu)建次序圖模型,在此基礎(chǔ)上引入時(shí)間因素,提出了基于時(shí)間的用戶興趣主題模型用于抽取用戶關(guān)注的話題。實(shí)驗(yàn)結(jié)果表明該方法的FM、AA和F等聚類指標(biāo)相比目前新方法FSC-LDA分別提高了200.40%、46.50%、

3、80.05%。
  在興趣類別模型方面,基于傳統(tǒng)的TF-IDF算法,綜合考慮了詞項(xiàng)、詞性、詞長以及文本歸一化處理,提出了基于貝葉斯的用戶興趣類別模型來抽取用戶愛好類別。實(shí)驗(yàn)結(jié)果表明新算法在微博短文本分類的F1值上表現(xiàn)更好。從而更好地描述用戶興趣類別。
  在興趣詞模型方面,基于興趣詞之間的語義關(guān)系,提出了用戶興趣詞三層模型(Three-Layer Model, TLM)抽取用戶興趣標(biāo)簽詞,同時(shí)考慮時(shí)間窗口和遺忘函數(shù)來增量更新

溫馨提示

  • 1. 本站所有資源如無特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
  • 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請聯(lián)系上傳者。文件的所有權(quán)益歸上傳用戶所有。
  • 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁內(nèi)容里面會有圖紙預(yù)覽,若沒有圖紙預(yù)覽就沒有圖紙。
  • 4. 未經(jīng)權(quán)益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
  • 5. 眾賞文庫僅提供信息存儲空間,僅對用戶上傳內(nèi)容的表現(xiàn)方式做保護(hù)處理,對用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯,并不能對任何下載內(nèi)容負(fù)責(zé)。
  • 6. 下載文件中如有侵權(quán)或不適當(dāng)內(nèi)容,請與我們聯(lián)系,我們立即糾正。
  • 7. 本站不保證下載資源的準(zhǔn)確性、安全性和完整性, 同時(shí)也不承擔(dān)用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。

評論

0/150

提交評論