基于深度学习推荐系统的研究

针对深度学习的研究,仅运用单一的传统算法在数据稀疏的情况下,不能得到隐式的反馈。所以提出了推荐系统,在机器学习上有一定的影响,并在社会上的应用也非常广泛,在最近几年在图像处理、会话识别、对象侦探以及药物发现和基因组学等方面取得了一定的发展。将深度学习应用到推荐系统中,探究怎样将大量的数据转变成多源异构数据,它能够让我们对用户在使用过程中得到整合数据,得出用户的偏好。优化推荐系统,了解用户喜好,是我们主要研究目的。在推荐系统系统中,我们主要针对协同过滤进行研究。     

基于SVM算法的微博评论数据情感分析

由于网络技术的飞速发展和广泛使用,Internet为人们提供了一个方便的平台,使人们可以在线查看微博的评论和在微博上表达情感。收集了很多用户反馈,其中包含大量数据资源,包括诸如公众情感之类的信息。微博信息的传播变得比其他传统形式的社交平台快得多,由此产生的社会影响也有所增加。因此对微博的情感分析对于社会的发展有很重要的作用。     

基于LSTM的电影评论情感分析研究

近些年,信息以及新媒体的发展是十分快速的,情感性的评论能极大地反映出网络用户的各自意见,对其搜集进行情感分析可以获得大量有价值的信息,例如从观影者对某部电影的评论上面进行情感分析。基于Word2vec技术与LSTM相结合对电影评论文本进行情感分析,实验结果表明,LSTM在情感分析上有较高的准确率。     

细粒度超媒体描述模型及其使用机制

针对多种数字媒体融合、海量数字信息和大量的数字媒体文件对象化管理的发展趋势,在分析多个关联多维数字媒体文件之间关联内容、位置等关系的基础上,提出一个细粒度超媒体描述模型及其相应的使用方式,同时给出了其XML描述语法体系和对数字媒体的访问控制方法,该模型能够满足用户对超媒体文档对象化的访问控制和统一有效的组织管理需求。