基于用户相似度和特征分化的广告点击率预测研究

大数据环境下如何对互联网广告进行精准投放一直是计算广告学领域高度关注的问题。作为在线广告投放效果的一个重要指标,点击率的精确预测关系到媒体、用户和广告主三方的利益。目前的主流方法是通过抽取特征建立单一点击率预测模型,其不足之处在于使用单个权重来度量特征对点击率的影响过于片面。该研究基于分而治之的思想,提出了基于用户相似度和特征分化的混成模型。该模型首先根据混合高斯分布来评估用户相似度,将其划分为多个群体。针对不同群体,分别构建子模型并进行有效组合,从而挖掘同一特征对不同群体的差异化影响,进而准确地预测广告点击行为。通过使用真实互联网公司的广告数据集进行实验,并与主流方法做了详细的对比分析,检验了该方法的有效性。     

并行编译线程的设计与分析

分析研究了动态编译器编译过程的性能瓶颈,提出了通过引入并行编译线程解决代码编译和垃圾代码回收问题的设计思想。借助线程通信机制,可以创建专用的动态编译线程进行代码编译。同时还分析了编译线程的优点和局限。最后通过测量基准测试程序的性能指出并行编译线程对程序性能有相当的改善。     

基于虚拟节点的无线传感器组网近似算法

针对无线传感器网络中单纯路由控制或拓扑控制节能效用有限的问题,提出虚拟节点概念,并使用最小覆盖近似算法,给出虚拟节点在检测区域中的分布及基于虚拟节点的拓扑控制描述,在此基础上提出一种基于拓扑控制技术的组网近似算法。实验结果表明,该算法在节点数为1500、覆盖半径分别为80、85、110时,完成传输数是单纯采用EOLSR算法的15．7倍、12．0倍和18．I倍,明显提高了节能效用。     

基于部分计值的信息个人化智能Agent系统

提出了一个基于部分计值技术的信息个人化系统PIPEAgent。部分计值理论源于程序转换中如何在给定部分输入的情况下，对程序完成尽可能多的运算从而对程序进行优化这一问题的探讨，PIPEAgent将部分计值理论与信息个人化相结合，以PIPE(Personalization is Partial Evaluation)理论为基础，结合机器学习技术并采用智能人机交互的Agent构架。该系统已应用于Web信息检索、电子商务应用。     

Ajax技术的数据响应优化

对Ajax工作原理和数据传输性能进行分析,从响应数据的返回格式角度入手,通过实验,对比2种数据格式XML和JSON的差异与优劣,基于实际应用场景,给出权衡取舍的建议,总结出效率和安全性更高的Ajax模型,改善了目前Ajax带来的数据响应冗余的 缺陷。     

基于邻域交互和图神经网络的推荐模型

异质图中包含丰富的关系，图神经网络(Graph Neural Networks, GNNs)能够自然地整合节点关系，因此图神经网络在推荐领域显示出巨大的潜力.然而，现有基于图神经网络的推荐大多聚焦于学习用户和项目的表示，忽略了用户和项目间的交互信息.其次，这些模型很少学习元路径的明确表示.为了解决上述问题，本文提出一种基于邻域交互和图神经网络的推荐模型NGRec.该模型学习用户和项目的表示，并通过元路径引导的邻域来获取用户和项目间的交互，最后将节点表示和交互信息进行融合用于推荐.该模型在得到节点有效表示的基础上，融合节点间的交互，增强了推荐效果.在3种不同类型的异质图上进行大量的实验，证明了所提模型在性能上的提升.