基于兴趣的社交网络用户聚类及可视化

随着社交网络的流行,从各种各样的社交网络数据中提取出有效信息并进行清晰直观的可视化分析,从而为用户提供有价值的潜在知识,显得尤为重要。聚类分析是数据挖掘中的重要分析手段,传统的面向社交网络数据的用户聚类分析大都仅考虑网络的拓扑链接结构,未考虑用户的兴趣相似度。文中基于贝叶斯概率模型来计算用户兴趣相似度并进行聚类,进一步设计交互可视化方式来展示上述聚类结果。具体地,针对社交网络中的用户评分数据 建立潜在语义模型来提取表示每个用户兴趣特点的特征向量;基于用户的特征向量对用户进行聚类,得到具有不同特征的人群,并通过实验和热度图选择合适的人群聚类数;最后提出了基于层次气泡图的可视化展现和分析方案,将用户、电影类型、电影等多维信息在图形中交互展示,支持用户从全局概览到局部细节的推进式探索,从多角度可视化人群特征。对豆瓣网用户和电影评分数据进行了实验和分析,结果验证了所提方法的有效性。     

基于局部模型加权融合的Top-N电影推荐算法

为了解决传统推荐算法使用单一模型无法准确捕获用户偏好的问题, 将稀疏线性模型作为基本推荐模型,提出了基于用户聚类的局部模型加权融合算法来实现电影的Top-N个性化推荐。同时,为了实现用户聚类,文中利用LDA主题模型和电影的文本内容信息,提出了语义层次用户特征向量的计算方法,并基于此来实现用户聚类。在豆瓣网电影数据集上的实验验证结果表明,所提局部加权融合推荐算法提升了原始基模型的推荐效果,同时又优于一些传统的经典推荐算法,从而证明了该推荐算法的有效性。     

基于局部模型融合的交互式电影推荐系统

[目的]设计并实现一个交互式可视推荐系统,帮助用户理解推荐结果的产生原因,提高使用体验以及对推荐系统的信任.[方法]从用户历史观影标签集合中提取用户偏好特征,通过LDA模型基于此特征对用户进行聚类,并利用SLIM模型对不同用户子群分别训练局部模型,最后利用训练过程的上下文语义信息设计和实现最终的交互式电影推荐系统.[结...     

基于Kinect深度数据的视频艺术化处理

利用深度摄像机Kinect for XBOX360提取视频的深度信息来实现视频前景和背景的分离,并分别对视频前景和背景进行多风格的艺术渲染,从而获取更好的视频风格化定制效果。首先,系统利用Kinect深度数据实现视频前景的提取;然后在光流场指导下,利用基于纹理传输的方法对视频前景和背景进行不同风格的艺术化渲染;最后,将风格化后的前景视频和背景视频进行融合,从而得到最终的风格化艺术视频。另外,由于采用纹理传输的方式实现对视频的艺术化处理,因此用户可以选择不同的纹理样本来实现自定义的多风格艺术渲染。经过实验测试,前景和背景视频融合后生成的风格化视频取得了较好的艺术效果,从而证明了该系统具有较好的视频前景提取能力和视频风格化渲染能力。