检索结果-南通市图书馆

FDBST: Fast Discovery of Bursty Spatial-Temporal Topic

在线全文

同方期刊数据库

学校读者我要写书评

暂无评论

Chinese Journal of Electronics 2020年第1期29卷 168-176页

作者： ZHU Chuangying DU Junping ZHANG Qiang SHI Lei Lee JangMyung Beijing Key Laboratory of Intelligent Telecommunication Software and Multimedia School of Computer ScienceBeijing University of Posts and Telecommunications Research Institute of Computer Information and Communication Pusan National University

Discovering the hot topic among trends is an essential way to manage public opinion. But the dynamic property makes it a tough task as the existing methods of detection process are time-consuming. With the new Fast discovery of burst spatial-temporal topic(FDBST) method, the uptime of topic discovery is kept within one second and there is no sacrificing of topic quality, the noisy topics are all kept off, the time-varying problem and the sparsity problem are easily tackled by using spatial-temporal characteristics. How the FDBST works? It is triggered by a burst term based on social data trends, while the data is generated within a small time interval in a region while the irrelevant data is excluded during this process. By fusing the regional topics, the potential burst topic is *** experiments show the preferable effects of the FDBST and it is an outperforms state-of-the-art approaches in terms of effectiveness.

关键词： Social network Real-time Spatialtemporal Burst topic Data stream

Hashtag Recommendation Based on Multi-Features of Microblogs

在线全文

同方期刊数据库

学校读者我要写书评

暂无评论

Journal of Computer Science & Technology 2018年第4期33卷 711-726页

作者： Fei-Fei Kou Jun-Ping Du Cong-Xian Yang Yan-Song Shi Wan-Qiu Cui Mei-Yu Liang Yue Geng Beijing Key Laboratory of Intelligent Telecommunication Software and Multimedia School of Computer Science Beijing University of Posts and Telecommunications Beijing 100876 China

Hashtag recommendation for microblogs is a very hot research topic that is useful to many applications involving microblogs. However, since short text in microblogs and low utilization rate of hashtags will lead to the data sparsity problem, it is difficult for typical hashtag recommendation methods to achieve accurate recommendation. In light of this, we propose HRMF, a hashtag recommendation method based on multi-features of microblogs in this article. First, our HRMF expands short text into long text, and then it simultaneously models multi-features （i.e., user, hashtag, text） of microblogs by designing a new topic model. To further alleviate the data sparsity problem, HRMF exploits hashtags of both similar users and similar microblogs as the candidate hashtags. In particular, to find similar users, HRMF combines the designed topic model with typical user-based collaborative filtering method. Finally, we realize hashtag recommendation by calculating the recommended score of each hashtag based on the generated topical representations of multi-features. Experimental results on a real-world dataset crawled from Sina Weibo demonstrate the effectiveness of our HRMF for hashtag recommendation.

关键词： hashtag recommendation topic model collaborative filtering method microblog

面向微博短文本的社交与概念化语义扩展搜索方法

维普期刊数据库评论

在线全文

维普期刊数据库

学校读者我要写书评

暂无评论

计算机研究与发展 2018年第8期55卷 1641-1652页

作者：崔婉秋杜军平寇菲菲李志坚 Lee JangMyung 智能通信软件与多媒体北京市重点实验室(北京邮电大学) 北京100876 釜山国立大学电子工程系韩国釜山46241

充分挖掘微博短文本的语义以实现精准搜索是一项重要任务.由于微博文本内容具有稀疏性和语义局限性的特点,使得仅通过分析字面语义来进行短文本理解和相似性匹配的传统搜索方法受到了一定的限制.因此提出了一种社交与概念化语义结合的... 详细信息

充分挖掘微博短文本的语义以实现精准搜索是一项重要任务.由于微博文本内容具有稀疏性和语义局限性的特点,使得仅通过分析字面语义来进行短文本理解和相似性匹配的传统搜索方法受到了一定的限制.因此提出了一种社交与概念化语义结合的扩展搜索方法,通过挖掘社交网络独特的社交属性如#标签#、"@"和链接信息URL,对微博短文本实现进一步的社交语义扩展.该方法将文本字面分析获取的概念词语和社交关系中潜在的关联标签信息相结合,对短文本进行2种角度下的语义特征表示,实现了基于微博短文本语义充分理解的精准搜索.在微博数据集上的对比实验表明,与已有的扩展搜索方法相比所提方法能捕捉更多的语义特征,微博搜索的性能也得到了显著的提升.

关键词：微博短文本社交与概念化语义扩展搜索概念词语关联标签

基于RNN和主题模型的社交网络突发话题发现

在线全文

学校读者我要写书评

暂无评论

通信学报 2018年第4期39卷 189-198页

作者：石磊杜军平梁美玉北京邮电大学智能通信软件与多媒体北京市重点实验室北京100876

社交网络数据是稀疏和嘈杂的,并伴有大量的无意义话题。传统突发话题发现方法无法解决社交网络短文本稀疏性问题,并需要复杂的后处理过程。为了解决上述问题,提出一种基于循环神经网络(RNN,recurrent neural network)和主题模型的突发... 详细信息

社交网络数据是稀疏和嘈杂的,并伴有大量的无意义话题。传统突发话题发现方法无法解决社交网络短文本稀疏性问题,并需要复杂的后处理过程。为了解决上述问题,提出一种基于循环神经网络(RNN,recurrent neural network)和主题模型的突发话题发现(RTM-SBTD)方法。首先,综合RNN和逆序文档频率(IDF,inverse document frequency)构建权重先验来学习词的关系,同时通过构建词对解决短文本稀疏性问题。其次,模型中引入针板先验(spike and slab)来解耦突发话题分布的稀疏和平滑。最后,引入词的突发性来区分建模普通话题和突发话题,实现突发话题自动发现。实验结果表明与现有的主流突发话题发现方法相比,所提RTM-SBTD方法在多种评价指标上优于对比算法。

关键词：社交网络突发话题发现主题模型循环神经网络

在线全文

学校读者我要写书评

暂无评论

基于卷积神经网络的微博话题内容搜索方法

计算机科学与探索 2019年第5期13卷 753-764页

作者：周南杜军平姚旭梁美玉薛哲 LEE JangMyung 北京邮电大学智能通信软件与多媒体北京市重点实验室计算机学院北京100876 釜山国立大学电子工程系韩国釜山46241

针对由于微博文本的数据特性造成的传统信息搜索方法无法直接实现微博话题内容搜索的问题,提出了一种基于卷积神经网络的微博话题内容搜索方法,对微博安全话题内容进行搜索和匹配排序。该方法包括基于深度卷积神经网络的微博内容筛选和... 详细信息

针对由于微博文本的数据特性造成的传统信息搜索方法无法直接实现微博话题内容搜索的问题,提出了一种基于卷积神经网络的微博话题内容搜索方法,对微博安全话题内容进行搜索和匹配排序。该方法包括基于深度卷积神经网络的微博内容筛选和微博内容匹配两部分。微博内容筛选依据深度卷积特征表示进行微博内容筛选,微博内容匹配通过卷积特征非线性变换对筛选结果进行匹配排序。微博内容筛选和微博内容匹配对国民安全话题相关的微博文本内容局部特征进行处理,对筛选结果进行相似度计算从而实现相似度匹配。实验结果表明该方法在微博搜索性能上优于现有同类方法,并验证了所提出方法针对安全话题的微博文本内容搜索的有效性。

关键词：微博搜索深度卷积神经网络深度学习搜索排序信息搜索

一种基于对抗学习和语义相似度的社交网络跨媒体搜索方法

在线全文

学校读者我要写书评

暂无评论

中国科学：信息科学 2021年第5期51卷 779-794页

作者：刘翀杜军平周南北京邮电大学智能通信软件与多媒体北京市重点实验室北京100876

社交网络蕴含着丰富的多媒体信息,如何实现社交网络跨媒体信息的搜索已成为研究热点.基于深度学习的单一模态语义特征提取和学习在社交网络信息搜索上取得了较好的效果.在跨模态信息搜索时不同模态的数据特征不能直接比较,因此不同模态... 详细信息

社交网络蕴含着丰富的多媒体信息,如何实现社交网络跨媒体信息的搜索已成为研究热点.基于深度学习的单一模态语义特征提取和学习在社交网络信息搜索上取得了较好的效果.在跨模态信息搜索时不同模态的数据特征不能直接比较,因此不同模态之间的语义鸿沟是亟待解决的关键问题.针对上述问题,本文提出了一种基于对抗学习和语义相似度的跨媒体搜索方法,实现了文本和图像之间的相互匹配、排序和搜索.该方法使用对抗学习方法框架构建训练特征映射网络和模态判别网络,其中特征映射网络使用多维语义分布向量将不同模态的数据映射到同一语义空间中,使得相同语义下的不同模态数据在该空间距离小,不同语义下相同模态数据距离大.使用语义分布及相似度作为特征映射网训练依据,模态判别网络负责判定空间中不同数据的模态.基于对抗学习交替训练两个网络,使得特征映射网络得到的数据和原数据语义一致,并消除模态特性,最终在同一空间内使用相似度来排序并得到搜索结果.实验结果表明本文提出的方法在文本和图像的相互搜索的map值比同类方法高,并验证了该方法在社交网络安全话题数据上的有效性.

关键词：跨媒体搜索对抗学习语义相似度社交网络搜索排序

在线全文

学校读者我要写书评

暂无评论

融合负载中心性的科研学者兴趣挖掘算法

计算机工程与应用 2023年第12期59卷 94-99页

作者：姜阳薛哲李昂北京邮电大学计算机学院(国家示范性软件学院)智能通信软件与多媒体北京市重点实验室北京100876

在大数据时代,通过论文、专利等数据挖掘出科研学者的兴趣能对学者画像构建、学者交流合作和科研成果分析产生重要作用,然而目前针对科研学者兴趣挖掘的研究工作相对较少,还有很多亟需解决的问题。提出了一种基于负载中心性的科研学者... 详细信息

在大数据时代,通过论文、专利等数据挖掘出科研学者的兴趣能对学者画像构建、学者交流合作和科研成果分析产生重要作用,然而目前针对科研学者兴趣挖掘的研究工作相对较少,还有很多亟需解决的问题。提出了一种基于负载中心性的科研学者兴趣挖掘算法(load centrality based interest mining algorithm for research scholars,LCBIM),该算法能够针对科研学者论文和专利数据,准确提取科研学者兴趣领域的关键词,利用图聚合的思想来聚合邻域的特征空间以产生高质量的图节点,同时根据语义分析针对相似词或冗余信息进行顶点聚合来简化图结构,然后利用负载中心性原理计算图中节点的权重,分析得出科研学习的兴趣领域。该算法能够在拥有丰富语义信息的论文和专利中挖掘出学者的兴趣点。实验结果表明,提出的基于负载中心性的科研学者兴趣挖掘算法能够在论文和专利语料中快速有效地提取出科研学者的兴趣。

关键词：兴趣挖掘数据挖掘负载中心性科研学者

在线全文

学校读者我要写书评

暂无评论

科技资源文本层次多标签分类方法

计算机工程与应用 2023年第13期59卷 92-98页

作者：王岳李雅文李昂北京邮电大学计算机学院(国家示范性软件学院)智能通信软件与多媒体北京市重点实验室北京100876 北京邮电大学经济管理学院北京100876

科技资源文本层次多标签分类(hierarchical multi-label text classification,HMTC)用于将科技资源文本分配到一个具有层级结构的标签体系中。提出基于注意力机制的科技资源文本层次多标签分类算法(academic resource text hierarchical... 详细信息

科技资源文本层次多标签分类(hierarchical multi-label text classification,HMTC)用于将科技资源文本分配到一个具有层级结构的标签体系中。提出基于注意力机制的科技资源文本层次多标签分类算法(academic resource text hierarchical multi-label classification based on attention,AHMCA)。通过整合文本、关键词、层次结构等特征构造注意力机制层,对HMCN-F(hierarchical multi-label classification network-feed-forward)网络进行改进,将科技资源文档逐级分类到最相关的类别中。细节上,主要利用word2vec与BiLSTM来获得文本、关键词、层次结构的嵌入向量和隐向量表示;利用层次注意力机制捕获关键词、标签层次结构与文本词向量之间的关联关系来强化重点词向量的权重,从而生成特定于层级的文档嵌入向量,替代HMCN-F中原始的文本嵌入。实验结果验证了AHMCA方法的有效性。

关键词：层次多标签分类注意力机制 BiLSTM word2vec

在线全文

学校读者我要写书评

暂无评论

酒店在线评论数据的特征挖掘

智能系统学报 2018年第6期13卷 1006-1014页

作者：秦海菲杜军平楚雄师范学院信息科学与技术学院云南楚雄675000 北京邮电大学计算机学院北京100876

论文以酒店在线评论数据为研究对象,对酒店在线评论数据的特征挖掘进行了研究。论文首先从酒店在线评论数据的获取出发,经过数据清洗、词性分析、特征抽取、指标确定、特征筛选、特征确定、特征校验几个环节,实现了酒店在线评论数据特... 详细信息

论文以酒店在线评论数据为研究对象,对酒店在线评论数据的特征挖掘进行了研究。论文首先从酒店在线评论数据的获取出发,经过数据清洗、词性分析、特征抽取、指标确定、特征筛选、特征确定、特征校验几个环节,实现了酒店在线评论数据特征挖掘的目的。论文以词频为基础,融合了词性分析、聚类分析等方法,利用词频数(TF)、词频率(TF1)、词频权重(TTW)、评论频率(DF)、逆文档频率(IDF)和TF1-IDF等指标对候选特征词进行降维,得出酒店在线评论数据的特征,并对特征词进行校验,完成了酒店在线评论数据的特征挖掘的过程。论文将为以评论为依据的客户分类、酒店分类、智能推荐奠定基础。

关键词：酒店在线点评数据获取特征抽取特征挖掘聚类分析分类智能推荐