A social interaction system based on cloud computing for mobile video telephony

As the use of smartphones become popular,people heavily depend on smartphone applications to deal with their social activities.For this reason,traditional message texting between mobile applications does not fulfill the versatile requirements of social networking.Many mobile applications use multimodality to deliver multimedia messages including sticker,voice and photo message,video call,and snap movie to enhance the communicative capability.However,without face-to-face interaction,people may fail to detect the other side’s non-verbal social behavior such as fine-grain facial expressions,body movements,or hand gesture.During social interaction,non-verbal behavior conveys information about the involved individuals and help the speakers express their social emotion in an implicit way.It is so important for real-world face-to-face interaction but is often blocked on the mobile telephony.To cope with this problem,we propose an afective computing model to assist the representation of social emotion and then help the progress of social interaction on the mobile telephony.In this model,for the purpose of real-time afective analysis,we delegate the computing loading to the cloud side service and enhance the system’s scalability and availability.The result of this experiment approves the feasibility of our system design for the applications of social intelligent.Also,the system provides a research framework of the social intelligent system on the mobile telephony.     

Research on user pairing algorithm for LTE femtocell uplink

In this article,a new simulated annealing based bit error rate pairing scheduling(SA-BPS)algorithm for LTE femtocell uplink virtual multiple input multiple output(V-MIMO)systems is proposed,which uses Round Robin(RR)criterion to decide the first user,and simulated annealing(SA)algorithm with objective function of bit error rate(BER)is suggested to decide the pairing users.The SA-BPS is considered not only to be used for inner layer user pairing within femtocell user equipments(HUEs)to increase spectrum efficiency,but also to be used for cross layer user pairing between HUEs and macrocell user equipments(MUEs)to cancel the cross layer interference from MUEs to HUEs.As a growth control coefficient is used in SA-BPS to control the growth of average BER of users in the pairing group,rapid user BER deterioration can be prevented by adopting a proper coefficient.Simulation results show that,the SA-BPS outperforms RPS,DPS,and the conventional SA algorithm in terms of BER performance,whether used for inner layer user pairing or cross layer user pairing.Also,the mode switching signal to interference ratio(SIR)threshold between inner and cross layer user pairing are obtained by simulation in three cross layer interference power distribution scenarios.     

融合画像和文本信息的轻量级关系图注意推荐模型

针对当前基于图神经网络的推荐系统受数据稀疏影响推荐效率不高的问题,提出融合画像和文本信息的轻量级关系图注意推荐模型(LightRGAN)。首先,利用用户画像和项目画像初始化用户和项目的嵌入表示。其次,引入评论、项目描述和项目类型作为辅助信息,并通过基于多头注意力机制的文本嵌入网络挖掘同一用户评论集和描述集中文本之间的潜在联系。然后,通过融合注意力机制的轻量级关系图卷积网络学习用户和项目的嵌入表示。最后,对各层嵌入表示加权求和并通过预测网络计算匹配分数。在三个公开数据集上的实验结果表明LightRGAN的效果优于多个现有的基线模型,评估指标HR@20、NDCG@20较最优基线模型最少提升了2.58%、2.37%。     

基于时序特征和集成算法的用户购买预测

大数据时代,电商平台积累了大量用户在平台上的行为数据,比如浏览、点击、下单和加入购物车等等.如何使用机器学习算法去探索大数据背后的用户消费喜好和习惯成为了一个新的研究热点.本文主要在特征工程和模型搭建两个方面对用户购买预测的效果做出提高.通过深入理解电商业务知识,利用统计学知识,分别从用户、商品和评论数据等多个方面的数据构建了115个特征;在模型搭建方面,主要设计了一个两层融合模型,第一层采用了XGBoost、CatBoost和逻辑回归作为基分类器,从不同的角度考虑用户购买预测,第二层采用加权平均的方法对基类模型的预测结果进行融合,其权重由线性分类器学习生成.实验结果表明该融合模型的F1评分要高于个体分类器,并且多次实验证明,融合模型的稳定性也要比个体分类器好.     

基于用户行为分析的诈骗电话识别

本文的研究目的是提高诈骗电话的识别率和识别准确性.基于大数据平台采集用户通话行为、上网行为等通信过程数据,结合用户基本属性、手机终端信息等进行综合分析,并采用合适的识别算法进行机器学习建立识别模型,能更好的发现诈骗电话与普通电话的内在差异,相比传统基于呼叫行为的分析,能有效提高骚扰诈骗电话识别的准确度和覆盖率,降低漏判、减少误判.经实际数据验证,对诈骗电话识别效果有明显提升,可作为诈骗电话识别的一种新的技术选择.     

适用于RPA工具的卷积序列推荐算法

在机器人流程自动化(Robotic Process Automation, RPA)软件中,经常采用序列推荐系统让机器人完成判断、选择等人工处理的任务。然而常用的序列推荐系统受限于序列信息的提取困难等问题,难以得到广泛应用。为了解决这一问题,构建一种基于Inception的卷积序列推荐模型,把时间和潜在空间中的用户行为序列信息嵌入进一幅“图像”中,并通过动态和静态2种不同的卷积层提取其中的局部特征,全面地提取用户的短期兴趣偏好,同时将用户嵌入矩阵作为用户的长期兴趣偏好嵌入到卷积层的输出中,共同构建完整的用户兴趣偏好,提升推荐性能。通过在3种公开数据集MovieLens 1M、Gowalla、Steam上分别进行实验,验证了基于Inception的卷积序列推荐模型的性能优于最新的序列推荐模型,在Top-N序列推荐的3种评价指标中（精确率、召回率、平均AP值）,平均提升幅度在10%左右,单个指标上的最大提升幅度为14%。     

TP-FER：基于优化卷积神经网络的三通道人脸表情识别方法

针对人脸五官在表达不同情绪时所起的作用不同,利用单一的卷积神经网络对人脸面部特征进行特征提取和表情识别可能会导致提取表情关键特征信息时聚焦性不够,而仅对眼部或者嘴部等重点部位进行特征提取,又有可能造成特征提取不够充分的问题,提出了一种基于优化卷积神经网络的三通道人脸表情识别方法TP-FER(tri-path networks for facial expression recognition).该方法基于构建的卷积神经网络训练,采用三个输入渠道,分别聚焦面部、眼部和嘴部区域进行特征提取和表情判别,最后采用基于决策层的融合技术将三个渠道的识别结果进行相对多数投票决策,获取整体最优识别率.将此方法应用于JCK+数据集和自建数据集上进行了实验判别分析,结果表明该方法在两个数据集上均提高了整体表情识别率.该方法既考虑了脸部整体特征的提取,又兼顾了某些表情主要聚焦在眼部、嘴部表达的特性,相互辅助,整体提高了表情的识别率;该方法也能对神经心理学研究提供数据支持.     

基于均衡接近度灰关联的Slope One算法

作为一种基于项目的协同过滤推荐算法,Slope One算法易于实现且高效。但由于Slope One算法未考虑用户相似性,导致其在处理涉及用户关系的个性化推荐任务时性能不高。针对以上问题,提出了改进的Slope One算法。提出一种均衡接近度灰关联分析方法计算用户之间的均衡接近度,利用均衡接近度度量用户间的相似程度,然后将均衡接近度值融入到Slope One算法中进行评分预测,在MovieLens和Epinions数据集下的对比实验表明,该算法具有更低的平均绝对误差（MAE）和均方根误差（RMSE）,提高了预测的准确度和推荐质量。     

基于生活日志的情绪识别

抑郁症日益成为影响现代人生活幸福程度的重要因素。实时有效地识别用户情绪的方法对于抑郁症潜在患者的发现和治疗十分有意义。用户情绪的状态及变化会体现在其生活日志数据上。该文从使用可穿戴设备收集的用户生活日志数据出发,对数据进行了特征方面的分析;进一步地,使用以回归树为弱学习器的集成学习模型,设计了使用全部数据、仅用户自身数据以及仅他人数据进行训练的三组实验构成的对比实验框架,以比较使用不同用户数据对识别结果的影响。实验结果表明,基于生活日志数据的集成学习模型可以有效地识别用户的情绪状态。同时,基于实验结果提出了用户认知不一致的猜想,对于心理学上的抑郁分析也有一定的启发作用。该工作是目前所知第一个利用用户生活日志信息进行情绪识别以及抑郁症患者分析的工作,为后续进一步扩大实验规模和改良实验设计提供了思路。     

基于用户满意度的图标动态形式设计

为了增加用户对人机界面图标的可理解性,提高用户认知效率,提出一种基于用户满意度的图标动态形式评价方法.利用速率、方向、范围、路径分别定义图标旋转、左右、上下平移、缩放4种基本动态形式;采用阈限测量法获得图标动作时间的上阈、舒适值、下阈,通过线性回归建立图标动作时间与图标动作幅度间映射关系;通过Likert量表进行动态图标范围适合度调查;结合方差分析和最小显著性差异实验,分析图标动作时间和图标动作幅度对用户偏好满意度、认知负荷的影响,并用于指导动态图标设计.实验结果表明在4种基本动态形式下,移动端的动态图标最佳动作时间在450 ms左右;动作时间与动作幅度为正相关,设备尺寸、图标复杂度对动作时间的设定有决定性的影响;动作幅度的设定与设备尺寸相关.为人机界面中动态图标设计提供了一种动态图标量化分析模型,以便为人机界面的动态图标设计提供一定的理论参考.