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(zhǎng),用戶需要通過(guò)平臺(tái)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(guò)載”的問(wèn)題。基于這樣的場(chǎng)景,分析挖掘用戶的興趣傾向,從而實(shí)現(xiàn)精準(zhǔn)提供高質(zhì)量、用戶感興趣的個(gè)性化信息及商業(yè)廣告推送服務(wù),對(duì)平臺(tái)及用戶都是行之有效的方法。在微博平臺(tái)中,用戶既存在長(zhǎng)期的興趣點(diǎn),也會(huì)根據(jù)時(shí)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(duì)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(shí)間代價(jià)高和次序依賴問(wèn)題。之后對(duì)用戶興趣隨時(shí)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(duì)用戶主題概率分布矩陣使用時(shí)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(shí)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(shí)間效應(yīng),計(jì)算出用戶興趣傾向概率。實(shí)驗(yàn)首先通過(guò)設(shè)計(jì)微博數(shù)據(jù)獲取框架,獲取真實(shí)數(shù)據(jù)作為實(shí)驗(yàn)數(shù)據(jù)集。然后對(duì)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(duì)比;之后設(shè)置了預(yù)測(cè)準(zhǔn)確率、漏測(cè)率、概率準(zhǔn)確率、主題差異性四個(gè)評(píng)價(jià)指標(biāo),選擇了已有相關(guān)研究的四種算法作為對(duì)照組,對(duì)ICDTE-MUIM算法挖掘效果和性能進(jìn)行驗(yàn)證。經(jīng)過(guò)多組實(shí)驗(yàn)對(duì)比分析,證明提出的挖掘方法對(duì)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(shí)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(jí)別】：碩士
【學(xué)位年份】：2019
【中圖分類】：TP393.092
【部分圖文】：

統(tǒng)計(jì)每個(gè)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(gè)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(lái)說(shuō)，N、CNN、RNN 等)[28]前幾層本質(zhì)上是計(jì)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(gè)簡(jiǎn)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(cè)到它們具體的值。每個(gè)圈表示圈稱為偏置節(jié)點(diǎn)，也就是截距項(xiàng)。( l)ia 表示第 l 層第 i 單有3個(gè)輸入單元， 個(gè)隱藏單元、1 個(gè)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(shí)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(gè)的輸出，而是學(xué)習(xí)網(wǎng)絡(luò)。

只需要對(duì)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(gè)的輸出，而是學(xué)習(xí)上一個(gè)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(jì)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(lái)代替常規(guī)的殘差塊，首先使用一個(gè)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(jì)，可以有效降低計(jì)算圖 2.3 殘差學(xué)習(xí)：一個(gè)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(bào);2017年02期

2 蘇惠明;;一種基于用戶興趣的個(gè)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(guò)濾方法研究[J];情報(bào)學(xué)報(bào);2017年02期

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

5 徐則陽(yáng);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(bào)技術(shù);2015年01期

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

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

9 楊杰;陳恩紅;;面向個(gè)性化服務(wù)的用戶興趣偏移檢測(cè)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(dòng)態(tài)捕捉[J];計(jì)算機(jī)工程與應(yīng)用;2009年36期

相關(guān)會(huì)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(guó)通信學(xué)會(huì)第六屆學(xué)術(shù)年會(huì)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(guó)數(shù)據(jù)庫(kù)學(xué)術(shù)會(huì)議論文集（技術(shù)報(bào)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(guó)數(shù)據(jù)庫(kù)學(xué)術(shù)會(huì)議論文集（技術(shù)報(bào)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(jì)算機(jī)技術(shù)與應(yīng)用進(jìn)展——全國(guó)第17屆計(jì)算機(jī)科學(xué)與技術(shù)應(yīng)用（CACIS）學(xué)術(shù)會(huì)議論文集（上冊(cè)）[C];2006年

5 李曉黎;史忠植;梁永全;劉福桃;;INTERNET網(wǎng)上一種識(shí)別用戶興趣的學(xué)習(xí)方法[A];第十六屆全國(guó)數(shù)據(jù)庫(kù)學(xué)術(shù)會(huì)議論文集[C];1999年

6 張健沛;李連江;楊靜;;個(gè)性化搜索引擎排序算法的研究與改進(jìn)[A];第三屆全國(guó)信息檢索與內(nèi)容安全學(xué)術(shù)會(huì)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(jì)算語(yǔ)言學(xué)研討會(huì)論文集[C];2002年

8 曹雷;杜輝鋒;;基于Web挖掘的個(gè)性化推薦模型的研究[A];全國(guó)第十屆企業(yè)信息化與工業(yè)工程學(xué)術(shù)年會(huì)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(yè)生命周期建模(英文)[A];第三屆全國(guó)信息檢索與內(nèi)容安全學(xué)術(shù)會(huì)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(gè)性化用戶模型表示[A];第三屆全國(guó)信息檢索與內(nèi)容安全學(xué)術(shù)會(huì)議論文集[C];2007年

相關(guān)重要報(bào)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(duì)話人 新歷史合作社總編輯 唐建光　《中國(guó)新聞出版報(bào)》記者 晉雅芬;一期數(shù)字雜志可以長(zhǎng)銷兩年作者[N];中國(guó)新聞出版報(bào);2013年

3 本報(bào)記者 晉雅芬;“今日頭條”：不做傳統(tǒng)媒體的敵人[N];中國(guó)新聞出版報(bào);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(gè)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(píng)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(guó)科學(xué)院研究生院（計(jì)算技術(shù)研究所）;2004年

5 吳麗輝;個(gè)性化的Web信息采集技術(shù)研究[D];中國(guó)科學(xué)院研究生院（計(jì)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(guó)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(guó)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(gè)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(shí)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(shí)別在泛娛樂(lè)平臺(tái)用戶興趣發(fā)現(xiàn)中的應(yīng)用[D];對(duì)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(píng)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(yàn)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(jì)與實(shí)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(cè)方法研究[D];國(guó)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(jì)與實(shí)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(shí)現(xiàn)[D];北京郵電大學(xué);2019年

本文編號(hào)：2831753