当前网络媒体态势感知受到实务与学术界的重视,但相关研究较为分散。系统性文献综述有助于形成对网络媒体态势感知研究的系统性、全景式理解,增进不同具体领域之间的交流与对话。本文采用系统性文献综述方法对SSCI/SCI/CSSCI期刊论文进...当前网络媒体态势感知受到实务与学术界的重视,但相关研究较为分散。系统性文献综述有助于形成对网络媒体态势感知研究的系统性、全景式理解,增进不同具体领域之间的交流与对话。本文采用系统性文献综述方法对SSCI/SCI/CSSCI期刊论文进行分析,基于系统综述和荟萃分析首选报告项目(preferred reporting items for systematic reviews and meta-analyses,PRISMA)方法收集、锚定文献样本框,通过“自下而上”的编码方式对网络媒体态势感知研究内容进行分析和梳理。本文细化了网络媒体态势感知的“察觉、理解和预测”三层次框架。其中,察觉层包括内容察觉、时空察觉和情感察觉,理解层包括目标事件理解和热点事件理解,预测层包括内容突发预测、时空异常预测和情绪异常预测。在此基础上,构建了网络媒体态势感知“数据、察觉、理解和预测”四层次理论框架,并揭示了其理论与实践意义。展开更多
[目的/意义]基于近邻用户的协同过滤推荐作为推荐系统应用最广泛的算法之一,受数据稀疏和计算可扩展问题影响,推荐效果不尽如人意。[方法/过程]针对上述问题,提出了一种改进的推荐算法(Category Preferred Data Field Clustering Based ...[目的/意义]基于近邻用户的协同过滤推荐作为推荐系统应用最广泛的算法之一,受数据稀疏和计算可扩展问题影响,推荐效果不尽如人意。[方法/过程]针对上述问题,提出了一种改进的推荐算法(Category Preferred Data Field Clustering Based Collaborative Filtering Recommendation,CPDFC-CFR)。首先,该算法舍弃用户评分,利用评论情感构建用户—项目矩阵,以增强用户偏好表示能力;其次,该算法引入类目偏好和语义偏好的概念,利用类目偏好比对高维用户—项目矩阵进行降维,并在用户相似度计算中纳入评论情感偏好、项目类目偏好和语义偏好,以降低数据稀疏性;最后,该算法将数据场作为用户聚类的前置算法,把数据场输出(极大值点)作为K-means算法输入,以提升算法实时性和稳定性。[结果/结论]实验结果表明:①项目类目级别越低,CPDFC-CFR算法准确性(F-measure)和即时性(相似度计算次数和推荐耗时)越优;②与其他推荐算法相比,CPDFC-CFR算法能够有效提升推荐准确性和计算效率,对协同过滤推荐系统建设具有重要参考价值。展开更多
文摘当前网络媒体态势感知受到实务与学术界的重视,但相关研究较为分散。系统性文献综述有助于形成对网络媒体态势感知研究的系统性、全景式理解,增进不同具体领域之间的交流与对话。本文采用系统性文献综述方法对SSCI/SCI/CSSCI期刊论文进行分析,基于系统综述和荟萃分析首选报告项目(preferred reporting items for systematic reviews and meta-analyses,PRISMA)方法收集、锚定文献样本框,通过“自下而上”的编码方式对网络媒体态势感知研究内容进行分析和梳理。本文细化了网络媒体态势感知的“察觉、理解和预测”三层次框架。其中,察觉层包括内容察觉、时空察觉和情感察觉,理解层包括目标事件理解和热点事件理解,预测层包括内容突发预测、时空异常预测和情绪异常预测。在此基础上,构建了网络媒体态势感知“数据、察觉、理解和预测”四层次理论框架,并揭示了其理论与实践意义。
文摘[目的/意义]基于近邻用户的协同过滤推荐作为推荐系统应用最广泛的算法之一,受数据稀疏和计算可扩展问题影响,推荐效果不尽如人意。[方法/过程]针对上述问题,提出了一种改进的推荐算法(Category Preferred Data Field Clustering Based Collaborative Filtering Recommendation,CPDFC-CFR)。首先,该算法舍弃用户评分,利用评论情感构建用户—项目矩阵,以增强用户偏好表示能力;其次,该算法引入类目偏好和语义偏好的概念,利用类目偏好比对高维用户—项目矩阵进行降维,并在用户相似度计算中纳入评论情感偏好、项目类目偏好和语义偏好,以降低数据稀疏性;最后,该算法将数据场作为用户聚类的前置算法,把数据场输出(极大值点)作为K-means算法输入,以提升算法实时性和稳定性。[结果/结论]实验结果表明:①项目类目级别越低,CPDFC-CFR算法准确性(F-measure)和即时性(相似度计算次数和推荐耗时)越优;②与其他推荐算法相比,CPDFC-CFR算法能够有效提升推荐准确性和计算效率,对协同过滤推荐系统建设具有重要参考价值。
