个性化Web信息服务技术研究

介绍了当前具有代表性的个性化信息服务系统,详细讨论了该研究的基本问题和所采用的关键技术,对目前的个性化信息服务所存在的问题进行了阐述,并对该技术的下一步研究方向进行了展望。     

现代智能视频监控研究进展及展望*

近年来,随着视频处理技术和网络技术的发展,视频监控应用逐渐渗透到了人们日常活动中的方方面面,给人们的生产和生活带来了诸多便利。监控的有效性和安全性是现代智能监控所追求和研究的主要问题。文章回顾了现代智能视频监控的发展历程和趋势,通过对目前存在的主流视频监控方法的分类及对比,揭示了传统的固定式视频监控存在主观性大、有视觉盲区、安全性差、人力成本高等问题,重点介绍了移动式视频监控的主要思想和特点,总结了该研究方向最新的研究成果,探讨了目前存在的问题和研究的主要方向,并对现代智能视频监控的未来做出展望,得出了移动式视频监控必将是下一代视频监控系统的要求和发展方向之一的结论。     

基于IIPP的个性化互动营销决策支持系统设计方案

面向个性化的营销管理是营销工作的发展方向,文章介绍了一种智能信息推拉技术(IntelligentInformationPushPul,IIPP),并提出了一种采用可拓决策方法的面向个性化的营销决策模型、以及基于该模型的互动营销决策系统设计方案,讨论了其对个性化营销的意义。     

Web个性化技术研究综述

Web个性化是近年出现的一个重要研究方向,它是Web使用挖掘和信息技术在新的Web和Internet环境下相互融合的产物.首先讨论了Web使用挖掘及个性化的概念、研究内容和核心技术,然后对Web使用挖掘的关键技术进行了综述,包括数据采集与预处理、模式发现、语义Web与个性化等,并给出了它们的研究重点和发展方向,最后是个性化系统的研究展望和面临的挑战.     

社交网络服务中的多维空间视频推荐算法

视频推荐作为一项帮助用户迅速找到其最感兴趣视频的关键技术,是社交网络服务中比较重要的研究内容之一。传统推荐算法未能充分利用视频社会化网站中的多维信息,会导致冷启动和数据稀疏的问题。为此,提出一种社交网络服务中的多维空间视频推荐算法。综合分析构成视频社会化网络的多维信息源要素,在此基础上,通过构建多维聚类空间,进而实现基于多维聚类空间的视频推荐算法,利用构成视频社会化网络的多维信息源要素,为视频的个性化推荐提供信息来源,以解决冷启动和数据稀疏问题。实验结果表明,该算法在视频推荐准确度方面相对于传统视频推荐算法有明显提高。     

视频理解中的动作质量评估方法综述

视频中动作质量的评估指对视频中人物对象的动作质量进行评价,如计算动作质量分数、等级或者不同人物表现的优劣,是视频理解和计算机视觉研究中的一个重要方向。从动作质量分数预测、等级分类以及水平排序3个方面对视频中的动作质量评估方法进行总结,然后对这些方法在目前常用数据集上的表现进行分析,最后讨论未来研究中亟待解决的问题。     

基于协同过滤算法的短视频平台个性化推荐模式研究

短视频平台主要通过短视频的个性化推荐,提高用户定点投放能力,但短视频平台个性化推荐的错误率高,因此,提出基于协同过滤算法的短视频平台个性化推荐模型。在缓存域内,对短视频平台个性化源数据进行自适应统计特征分析,提取短视频平台个性化特征参数,用联合关联特征分析方法,计算短视频平台个性化参数,采用标签化控制方法,结合用户对相关资源的预测偏好,采用协同过滤算法,实现用户的兴趣标签分类和资源偏好识别。根据评级数据和标签信息定义结果,实现短视频平台个性化推荐。实验结果分析得出,该方法进行短视频平台个性化推荐的错误率较低,且用户满意度较高,在最优状态下推荐的满意度均值为84.68%。     

三维视频压缩研究进展

信息压缩是信息传输过程中的一个关键环节,随着三维显示和三维视频技术的发展和完善,未来的视频传输将不仅限于二维视频。但是,三维视频的数据量很大,这就给三维视频的传输带来了阻碍。因此,设计出高压缩比、高压缩效率的三维视频压缩技术,不但可以解决三维视频的传输问题,而且有利于促进三维视频及三维显示领域的进一步发展。本文系统地讨论了目前三维视频压缩技术的研究进展,在对各种技术特点研究的基础上,提出了进一步的研究和发展方向。     

基于GIS的视频监控系统研究

为解决传统的视频监控系统空间位置感不强的问题,对目前GIS技术和视频监控技术进行了研究,提出了GIS技术和视频监控技术相结合的解决方案,实现了通过GIS显示监控点空间布局的功能。通过对GIS上实时显示监控点技术的研究,建立了一个电子地图与视频联动的模型。以.NET Framework和SQL Server为平台,把GIS技术与视频监控技术两者融合起来。讨论了基于GIS的视频监控系统的功能特点,阐述了其整体架构的设计以及实现该系统涉及的关键技术和难点。     

Web个性化推入技术与展望

对个性化服务技术中用户描述文件的表达与更新、资源描述文件的表达、个性化推荐技术及该领域的主要研究成果进行了综述。讨论了实现个性化服务的关键技术并对个性化服务技术进一步研究工作的方向进行了展望。     

Folksonomy‐Based Recommender Systems: A State‐of‐the‐Art Review

Collaborative tagging systems, also known as folksonomies, have grown in popularity over the Web on account of their simplicity to organize several types of content (e.g., Web pages, pictures, and video) using open‐ended tags. The rapid adoption of these systems has led to an increasing amount of users providing information about themselves and, at the same time, a growing and rich corpus of social knowledge that can be exploited by recommendation technologies. In this context, tripartite relationships between users, resources, and tags contained in folksonomies set new challenges for knowledge discovery approaches to be applied for the purposes of assisting users through recommendation systems. This review aims at providing a comprehensive overview of the literature in the field of folksonomy‐based recommender systems. Current recommendation approaches stemming from fields such as user modeling, collaborative filtering, content, and link‐analysis are reviewed and discussed to provide a starting point for researchers in the field as well as explore future research lines.     

A three-level framework for affective content analysis and its case studies

Emotional factors directly reflect audiences’ attention, evaluation and memory. Recently, video affective content analysis attracts more and more research efforts. Most of the existing methods map low-level affective features directly to emotions by applying machine learning. Compared to human perception process, there is actually a gap between low-level features and high-level human perception of emotion. In order to bridge the gap, we propose a three-level affective content analysis framework by introducing mid-level representation to indicate dialog, audio emotional events (e.g., horror sounds and laughters) and textual concepts (e.g., informative keywords). Mid-level representation is obtained from machine learning on low-level features and used to infer high-level affective content. We further apply the proposed framework and focus on a number of case studies. Audio emotional event, dialog and subtitle are studied to assist affective content detection in different video domains/genres. Multiple modalities are considered for affective analysis, since different modality has its own merit to evoke emotions. Experimental results shows the proposed framework is effective and efficient for affective content analysis. Audio emotional event, dialog and subtitle are promising mid-level representations.     

海量学术资源个性化推荐综述

进入大数据时代,信息超载是互联网用户面临的一个严重的问题,个性化推荐是解决此问题的一个非常有潜力的办法。在学术领域,学术资源个性化推荐是解决信息超载的有效途径,其为用户推荐符合其兴趣的个性化学术信息。从个性化推荐过程的用户建模、推荐对象建模和推荐策略等三个模块角度对现有学术资源个性化推荐研究进行了探讨。针对目前广泛应用的学术资源个性化推荐方法,包括基于内容的推荐、协同过滤推荐和基于网络结构的推荐等,总结其研究的关键点和存在问题,并对学术资源个性化推荐的研究趋势进行了预测。     

基于个性化推荐系统的视频App的设计

近年来,各类视频应用上内容越来越丰富,页面上与当前用户无关的内容也越来越多。因此,市面上出现了多种不同的推荐算法来进行内容推荐。但是,不是每种推荐算法都能够解决所有的问题。基于个性化推荐系统的视频App,融合了多种推荐方法。首先为了解决推荐系统的冷启动问题,采用了基于统计学的推荐方式,同时,采用基于协同过滤的推荐算法,计算视频和用户间的隐藏特征,最后还有实时推荐模块,能够根据用户近期的行为对推荐内容进行调整。     

Affective video content representation and modeling

This paper looks into a new direction in video content analysis - the representation and modeling of affective video content . The affective content of a given video clip can be defined as the intensity and type of feeling or emotion (both are referred to as affect) that are expected to arise in the user while watching that clip. The availability of methodologies for automatically extracting this type of video content will extend the current scope of possibilities for video indexing and retrieval. For instance, we will be able to search for the funniest or the most thrilling parts of a movie, or the most exciting events of a sport program. Furthermore, as the user may want to select a movie not only based on its genre, cast, director and story content, but also on its prevailing mood, the affective content analysis is also likely to contribute to enhancing the quality of personalizing the video delivery to the user. We propose in this paper a computational framework for affective video content representation and modeling. This framework is based on the dimensional approach to affect that is known from the field of psychophysiology. According to this approach, the affective video content can be represented as a set of points in the two-dimensional (2-D) emotion space that is characterized by the dimensions of arousal (intensity of affect) and valence (type of affect). We map the affective video content onto the 2-D emotion space by using the models that link the arousal and valence dimensions to low-level features extracted from video data. This results in the arousal and valence time curves that, either considered separately or combined into the so-called affect curve, are introduced as reliable representations of expected transitions from one feeling to another along a video, as perceived by a viewer.     

图表示学习短视频智能推荐研究综述

随着短视频数量的爆发式增长, 精准的个性化短视频推荐成为学术界和工业界的迫切需求。然而,现有的推荐方法没有考虑实际的短视频具有数据多源异构多模态、用户行为复杂多样、用户兴趣动态变化等特点。短视频模态间的语义鸿沟、社交网络用户多行为挖掘、用户动态兴趣捕捉依然是短视频推荐领域面临的三个重要问题。针对当前推荐系统存在的问题,并充分考虑短视频推荐系统的实际需求,本文介绍了短视频推荐中基于图表示学习的短视频推荐方法;研究了短视频异构多模态特征表示,充分挖掘视频内容特征并进行高效融合;研究了短视频社交网络用户多行为表示,通过社交网络用户多种行为挖掘更细粒度的用户偏好;研究了用户的动态偏好表示方法,通过利用时序信息建模用户的动态兴趣,保证推荐结果的准确度并增加其多样性与个性化。本研究可在理论和实践上推进基于图特征学习的短视频推荐研究,也可作为短视频推荐系统的关键技术。     

基于时尚图谱增强的个性化互补服装推荐

近年来,人们对时尚穿搭有了更高的美学追求。因此,个性化互补服装推荐,即为用户推荐与他/她已购买服装相匹配的互补服装,逐渐吸引了学术界的广泛关注。个性化互补服装推荐不同于一般的推荐任务（如电影推荐）,它推荐的服装需要满足两个条件：1）与目标服装搭配;2）满足用户偏好。因此,相关的现有方法主要是基于时尚单品的多模态数据,着力于建模单品与单品之间的兼容性交互和用户与单品之间的偏好交互,以实现个性化互补服装的推荐。这些方法的缺点主要在于它们将每一个单品-单品交互或者用户-单品交互看作一个独立的数据实例,而忽略了单品的属性知识以及时尚实体（即,用户、单品及属性）之间的高阶交互关系。事实上,与一个单品（如,上衣）搭配的所有互补单品（如,下衣）可能会共享某些相同的属性（如,颜色）;同时,具有类似品味的用户也可能倾向于选择具有类似属性特征的单品。显然,这些时尚实体之间的高阶关系蕴含了丰富的有关单品兼容性和用户偏好的协同信号,因而能够促进个性化互补服装推荐模型性能的提升。据此,本文构建了一个大规模协同时尚图谱,并基于图卷积神经网络（Graph Neural Networks,GNNs）来探索时尚实体之间的高阶关系,进而更好地实现个性化的互补服装推荐。具体地,本文提出了一个新颖的基于时尚图谱增强的个性化互补服装推荐模型（Fashion Graph-enhanced Personalized Complementary Clothing Recommendation）,简称为FG-PCCR。FG-PCCR由两个关键的部分组成：独立的一阶交互建模和协同的高阶交互建模。一方面,独立的一阶交互建模模块基于视觉和文本模态数据,致力于通过神经网络和矩阵分解方法分别对单品-单品搭配交互和用户-单品偏好交互进行综合性建模。另一方面,协同的高阶交互模块基于构建的协同的时尚图谱,通过图神经网络利用信息传播机制来提取高阶的协同信号,进一步丰富用户和单品的向量表示。FG-PCCR模型能够有效整合时尚实体之间的复杂的高阶关系信息,用户和单品的表示学习,进而改进个性化互补推荐的效果。最后,对于给定的用户和目标上衣,我们能够得到推荐的下衣的个性化兼容性分数。另外,在真实的时尚数据集上做的大量实验,充分地验证了本文所提模型FG-PCCR相对于基准方法的优越性。     

Progress in context-aware recommender systems — An overview

Recommender Systems are the set of tools and techniques to provide useful recommendations and suggestions to the users to help them in the decision-making process for choosing the right products or services. The recommender systems tailored to leverage contextual information (such as location, time, companion or such) in the recommendation process are called context-aware recommender systems. This paper presents a review on the continual development of context-aware recommender systems by analyzing different kinds of contexts without limiting to any specific application domain. First, an in-depth analysis is conducted on different recommendation algorithms used in context-aware recommender systems. Then this information is used to find out that how these techniques deals with the curse of dimensionality, which is an inherent issue in such systems. Since contexts are primarily based on users’ activity patterns that leads to the development of personalized recommendation services for the users. Thus, this paper also presents a review on how this contextual information is represented (either explicitly or implicitly) in the recommendation process. We also presented a list of datasets and evaluation metrics used in the setting of CARS. We tried to highlight that how algorithmic approaches used in CARS differ from those of conventional RS. In that, we presented what modification or additions are being applied on the top of conventional recommendation approaches to produce context-aware recommendations. Finally, the outstanding challenges and research opportunities are presented in front of the research community for analysis     

基于联邦学习的在线短视频内容分发策略

为提升短视频内容分发的精度,分析用户所属社交群体的兴趣倾向和对短视频内容的个性化需求,在基于主动推荐方式的短视频应用场景中,以视频内容提供商利润最大化为优化目标,设计了一种短视频内容分发策略。首先,基于联邦学习,利用用户群本地相册数据训练兴趣预测模型,提出用户群兴趣向量预测算法并得到用户群的兴趣向量表示;然后,以用户群的兴趣向量作为输入,基于组合置信上界（CUCB）算法实时设计相应的短视频内容分发策略,从而使视频内容提供商获取的长期利润最大化。所提策略获得的平均利润相对稳定且明显优于单纯基于CUCB的短视频分发策略得到的平均利润;与置信上界（UCB）策略和随机策略相比,所提策略使得视频内容提供商获得的总利润分别提高了12%和30%。实验结果表明,所提短视频内容分发策略能有效地提升短视频分发的精度,从而进一步提高视频内容提供商获取的利润。     

利用知识图谱的推荐系统研究综述

随着互联网的快速发展,如何从海量数据中筛选实际需要的信息变得尤为重要。推荐系统作为一种信息过滤的方法,旨在为用户推荐个性化内容。传统推荐算法中普遍存在数据稀疏和冷启动问题,近年来,研究者利用知识图谱中丰富的实体与关系信息,不仅能够缓解以上问题,同时增强了推荐系统的整体性能。利用知识图谱的推荐系统研究主要包括三方面内容：介绍推荐系统和知识图谱的基本概念,指出现有推荐算法的不足之处;根据不同核心技术详细分析利用知识图谱的推荐系统研究现状,评估不同方法的技术优势与挑战;总结相关应用场景和数据集信息,并展望未来发展前景。