融入音乐子人格特质和社交网络行为分析的音乐推荐方法

为了可以实时推荐符合人们情感状态的音乐,提出了一种融入音乐子人格特质的社交网络行为分析的音乐推荐算法,该算法通过分析用户发表在微博等社交媒体上的状态,计算用户在该情感状态下对音乐的偏好程度;选择在该情感状态下音乐偏好相似的最近邻用户,最后融入音乐子人格特质进行偏好度计算,为用户推荐最适合其情感状态的音乐。实验结果表明,该算法可以缓解用户数据稀疏性对推荐结果的影响,能够提高推荐系统的推荐质量。     

基于kNN-Smote-LSTM的消费金融风险检测模型——以信用卡欺诈检测为例

由于移动网络应用与电子支付业务量不断增长,信用卡欺诈的情况也呈现快速增长的趋势,由此给金融机构和运营商带来了巨大的挑战.欺诈检测问题本质上是不平衡的序列二分类问题,这类问题数据样本规模大,计算复杂度高,数据分布极不平衡,数据与数据之间会存在序列关系.文章使用长短期记忆网络(long short term memory ...     

基于社会网络协同过滤的社会化电子商务推荐研究

随着社会网络关系的不断复杂化,商品是否推荐成功,除了基于商品本身的特征外,还受社会网络关系的影响。很多用户更加信任来自朋友的推荐,而非机器通过单因素计算出来的推荐结果。因此,设计了一个融入社会网络关系的电子商务推荐系统。其中,构建了社会网络关系强度、兴趣偏好强度和商品流行性与声望强度3个关键因子,每个一级因子又由若干个二级因子构成。实验结果验证了社会网络关系会对其中成员的网购等网络行为产生影响,构建的基于社会网络的电子商务推荐策略的效果比其他单因素推荐策略好且稳定,具有很好的实际应用效果。     

基于大数据的电信领域用户服务模型与数据融合策略研究

移动互联网技术的迅猛发展,为移动电子商务发展奠定了基础,产生了新的移动消费模式。通过对大量的移动用户数据的来源与特征进行分析,设计了用户的特征模型,构建了融入情境分析的移动用户服务模型;在Hadoop架构的基础上搭建了电信领域大数据处理框架,并在电信业务数据融合与服务挖掘应用方面做了分析,为新移动消费、消费定制和个性化推荐与营销等提供了支持。     

基于情境和主体特征融入性的多维度个性化推荐模型研究

个性化推荐准确率的高低是互联网应用成功与否的关键因素,针对传统推荐模型的不足,提出一种基于情境和主体特征融入性的多维度个性化推荐模型,该模型能够充分利用地域文化背景、领域主题情景、主体特征等信息,避免了传统算法把用户整体作为单个向量的弊端,克服了数据稀疏性等问题。实验结果表明,该模型的推荐质量比传统的协同推荐模型高,更有针对性地向用户推荐他们感兴趣的项目。     

一种融入公众情感投入分析的微博话题发现与细分方法

为了提升微博话题发现效率以及发现质量问题,提出了一种融入公众情感投入分析的微博话题快速发现与细分方法,促使话题演化,进而产生新话题及其情感变化趋势.首先,基于情感词典和TFDF值在历史语料库中挖掘常用情感词并构建情感词库;其次,快速抽取情感文本,结合Sigmoid函数检测情感投入密集期,保证话题事件挖掘的质量;最后,通过改进的模糊C-均值聚类算法在新的微博数据中发现高质量话题.实验结果表明,本文方法能够有效提升移动环境下的话题发现效率及质量.     

基于效益驱动的无线网络动态频谱分配

随着新一代无线通信技术的发展和应用领域的拓展，带来了对带宽的巨大需求，无线频谱已成为一种不可或缺的资源，如何提高频谱利用效率是目前面临的问题和研究热点。感知无线电正是一种用于提高无线电通信频谱利用率的新技术，提出了一种动态频谱共享的框架，     

随机连续需求的分布式仓储两阶段模型研究

主要研究了随机连续需求情况下的第三方仓储企业能力配置与分布式仓储问题。对不同客户货物的仓储能力配置与分布式仓储问题,建立相应的两阶段数学模型,并且对该模型进行化简求解,之后进行了模型的逆向调整与改进。研究发现,在有仓储能力限制的情境下,不同客户不同货物的仓储能力分配值不仅与本身的需求分布相关,还与其他货物的需求分布有着比较大的关系,并且这种关系会随着仓储空间限制的加大而变得更加紧密。在总仓储能力足够大时,各不同客户货物的存储能力分配主要受本身的需求分布影响。进而对仓容有限条件下的第三方仓储提出了动态自适应分布式两阶段存储策略。     

融入位置情景的移动用户行为挖掘方法研究

移动用户为具有特殊性,即与情景的关联性.在研究融入位置情景的移动用户行为特征.首先分析了影响移动用户行为模式的情景集合,并通过调查问卷分析,提取出主要的情景因素,包括用户(user)、设备(device)、地点(location)、时间(time)和服务信息(service).然后根据这些情景属性对移动用户行为模式进行建模,并提出了一种基于网络结构的移动用户行为模式挖掘方法.根据兴趣度的大小将移动用户行为模式划分为三个等级,即低兴趣度、中兴趣度和高兴趣度,保留兴趣度较高的行为模式,剔除兴趣度低的行为模式,然后利用数据挖掘方法挖掘出兴趣度较大移动用户行为模式的关联规则.利用这些规则对用户进行一定的推荐服务,以便为移动用户提供更优质的服务.