用户聚类

摘要： 高性能集群的作业调度通常使用作业调度系统来实现,准确填写作业运行时间能在很大程度上提升作业调度效率。现有的研究通常使用机器学习的预测方式,在预测精度和实用性上还存在一定的提升空间。为了进一步提高集群作业运行时间预测的准确率,考虑先对集群作业日志进行聚类,将作业类别信息添加到作业特征中,再使用基于注意力机制的NR-Transformer网络对作业日志数据建模和预测。在数据处理上,根据与预测目标的相关性、特征的完整性和数据的有效性,从历史日志数据集中筛选出7维特征,并按作业运行时间的长度将其划分为多个作业集,再对各作业集分别进行训练和预测。实验结果表明,相比于传统机器学习和BP神经网络,时序神经网络结构有更好的预测性能,其中NR-Transformer在各作业集上都有较好的性能。

摘要： 由于用户的评分数据过于稀疏,使得现有的一些基于矩阵分解的用户评分预测算法计算出的用户评分预测偏差过大,预测准确率无法进一步提升。在这个问题上,最常使用的解决办法是加入用户的社交网络数据,这些方法利用用户之间的社交信息来关联用户,根据用户好友的数据来增加用户的预测准确率。大多数情况下用户的社交网络数据不是很容易获得。在没有使用用户社交网络数据的基础上,针对推荐系统的用户评分预测中常用的概率矩阵分解模型准确性的问题,提出利用融合标签和用户聚类类别信息对原有的概率矩阵分解模型添加约束,进而减小预测结果的误差。仿真结果表明,增加用户聚类与电影标签数据能有效减小算法预测误差。

摘要： 针对微博推荐系统中存在的新用户冷启动和数据稀疏性问题,提出一种微博推荐模型.该模型通过重要用户聚类和普通用户分类构建完整用户类,基于类兴趣表征普通用户兴趣,利用Bandits算法为完整用户类中的普通用户产生微博推荐列表,根据普通用户对推荐列表的反馈更新其所属完整用户类的历史数据,合理应对新用户冷启动,降低了数据稀疏度,实现了较为准确的微博推荐,为微博推荐模型的构建提供了新的思路.实验结果表明,该模型能够推荐给用户感兴趣的博文,推荐效果较现有随机探索类算法、置信区间类算法和概率匹配类算法分别最低提高5.62%、5.43%和33.37%.

摘要： 从群体角度精确计算分析不同用户群体感知价值的阈值区间,有助于识别用户群体的差异性,提升付费阅读服务水平,扩大数字收益。本文结合阅读付费意愿影响因素,采用K-means算法对付费阅读用户聚类获取用户群体,并对聚类后的用户群体数据进行M5模型树建模,确定不同用户群体感知价值的阈值区间及数据验证。研究发现,不同阅读用户群体感知价值具有明显差异性。总体上阅读群体的感知价值阈值存在0.722和0.396两个特殊界限将不同比率区间进行界定,根据不同阅读群体适用的感知价值比率阈值区间可将群体定义为发展型、成熟型和激进型三种。其中成熟型阅读群体与发展型阅读群体的阈值区间存在交集,但激进型阅读群体的适用阈值范围会超越0.722的界限而形成一个特殊群体。本文的创新在于结合阅读付费意愿影响因素,对感知价值进行量化定义并采用定量研究方法测量不同用户群体感知价值的阈值区间,是对付费用户群体行为的深入探索。

摘要： 针对目前协同过滤推荐算法存在的数据稀疏性和冷启动等问题,对融合专家信任的协同过滤推荐算法进行了研究和改进.改进算法结合DBSCAN初始聚类中心优化的思想,将用户划分到不同的社区簇中.考虑到用户活跃度偏差对相似度计算的影响,加入用户活跃度惩罚权重对相似度进行了改进.在选取了专家用户后,考虑到专家评估过的不同项目的专家信任度值不是一成不变的,引入项目平衡因子来处理项目之间的差异,使专家对其评价过的每个项目都有独立的专家信任度值.MovieLens数据集上的实验结果显示,该算法可有效缓解数据稀疏性及冷启动问题,提高了推荐精度.

摘要： 准确地预测用户中长期用电量对电力系统优化与调度具有重要意义.为此,提出一种根据用电曲线空间相似性划分用电用户类别,进而利用深度网络预测单类用户中长期用电量的方法,用以提升预测精度.首先,计算用电数据间的动态时间规整距离,基于规整距离利用层次聚类法绘制层次聚类树对用户分类.然后,通过离差标准化约束分类后每类用户数据的取值范围,进而通过深度神经网络建立单类用户的中长期用电量预测模型.最后,通过实例分析了传统方法与所提方法的用户聚类效果,并对比单类用户的总体、个体用电量预测结果,证明了所提依据空间形状相似度指标可较准确地划分用户类别,提升了中长期用电量的预测精度.

摘要： [目的/意义]微博传播效果评价,可以帮助企业更准确地了解其品牌、事件、舆情等在社交平台的传播情况.但由于受到水军、虚假粉丝等不良影响,微博的真实传播效果难以被衡量.[方法/过程]本文基于微博用户的互动行为,在交互强度的基础上提出了用户交互影响度算法,并引入话题传播深度、广度、速率、效率及用户传播贡献度的概念,从而较为完整地对企业微博的传播效果进行评价.[结果/结论]仿真模拟发现交互影响度算法与真实情况吻合较好,可有效消除虚假交互数据的影响."华为手机"官方微博的实例验证结果表明,上述方法可从多个维度对传播效果进行深入分析,分析框架合理有效,分析结果也可为企业的品牌传播、社会化营销等提供改进意见.

摘要： 移动运营商搭建的基站能够记录智能终端的活动,蕴涵着用户的移动行为以及基站的语义信息.针对城市中基站语义以及活动模式难以获取的问题,提出一种基于用户轨迹的基站语义及城市活动模式可视分析方法.该方法首先根据终端用户的轨迹构建基站序列,接着采用文本分析中的词嵌入技术对基站语义信息进行提取,对城市中的手机用户进行聚类以发现其移动模式.为了帮助用户对结果进行探索和分析,设计了基于用户轨迹以及基站语义的城市活动模式可视分析系统,能够根据用户的轨迹特征、基站的地域特征、用户访问基站的时空特征,对手机用户的行为以及城市的活动模式进行发现和解释.基于真实数据的实验结果表明,在系统用户的迭代交互中该方法能够帮助系统用户有效地结合基站轨迹及其基站语义信息,对城市居民行为模式以及城市整体的活动模式进行探索.

摘要： 结合三德宜SDE家居品牌策划项目案例,阐述一种基于细分生活场景的用户聚类方法与实践.研究者针对小户型客厅生活场景,通过调查问卷与用户访谈等研究方法,了解年轻人居家生活方式的变化,分析用户行为特征,并从中洞察和挖掘出用户需求.最终根据用户行为聚类,得到用户行为偏向,形成用户模型.最后得出了小户型客厅多样共处场景中4个类型的用户模型.基于场景特殊性的用户聚类方法,是一种回归到用户真实生活场景中,有效理解用户行为、挖掘用户需求的用户研究方法.

摘要： 【应用背景】科研信息门户作为科研工作者获取资源服务的入口,已经成为了科研人员、管理决策者、学生等多种用户的工作台,在科研活动、科研管理、教育培训、科学传播等多个业务领域发挥着重要作用。【目的】针对科研信息门户中存在的信息资源配置不合理问题,设计出适用于科研信息门户的推荐算法来提高信息资源的推送效率,对于科研工作者是十分有意义的。【方法】本文提出了一个混合的推荐算法,对于首次使用系统的新用户,可以基于用户属性,通过K-means聚类后找到相邻用户来计算预测评分,对于存在行为数据的用户,先通过计算用户与资源的相似度来解决隐式反馈缺少负反馈的问题,再使用矩阵分解的方法计算预测评分。最后将两种算法的预测评分进行线性组合得到最终预测评分,该算法既利用了群体智慧也体现了个性化。【结果】通过在真实的科研信息门户网站上进行代码埋点来采集用户行为数据,完成对比试验,证明提出的推荐方法能在解决冷启动问题的同时保证较高的推荐准确率。

摘要： 按照访问兴趣对用户进行聚类分析是Web挖掘的一项重要内容.在用户访问兴趣度量中综合考虑网页内容和浏览路径因素;在聚类分析中,依据访问兴趣定义提出新的相似度计算方法.利用传递闭包法对用户进行聚类.算法可以提高用户聚类的准确性,试验结果验证此算法是有效的.

摘要： 本文利用BBS论坛中帖子的回复信息构建用户相互回复网络,研究其拓扑结构和性质,发现各个版块网络的特点,并且基于用户基本操作行为对用户进行聚类,得到具有不同行为模式的用户.然后利用相似度和关联强度模型对用户进行交互特性分析,挖掘用户之间的关联,从而得到论坛中的用户行为特征.得到的结果与实际认知情况相符合.这种研究方法可以应用于其他的网络社区和社交平台,对于优化网站的管理、提供更好的信息服务有重要意义.

摘要： 文章采用SOFM神经网络研究方法,对知识供应链的终端用户进行聚类分析,结合用户的需求特征来进行有效的知识营销.此研究不仅可以大大提高用户的满意度,而且还能实现知识供应链效益的最大化,从而充分利用供应链的增值作用,增强了高校图书馆的核心竞争力.

摘要： 随着互联网的发展和网络信息量的急剧膨胀,搜索引擎逐渐成为人们搜索资源的重要途径,如何准确便捷地响应用户需要以及如何满足用户个性化需求、提高响应需求的精准性成为框计算发展的重心.本论文研究了框计算技术实现和应用现状,在此基础上提出框计算精准性提高的两大重要途径;通过研究Web日志挖掘和聚类算法,提出了一种基于浏览行为的用户分类方法;结合框计算精准性制约因素和提出的用户分类方法,构建框计算改进模型.

摘要： Web挖掘的三个主要方向是：关联规则挖掘、序列分析和聚类分析。本文研究了对Web用户的聚类，使用的信息来源是Web日志(Web log)，属于一种Web使用记录挖掘，然而不同于传统的Web使用记录挖掘，本文不仅考虑了用户浏览网页的记录，而且考虑了Web日志中与Web结构相关的内容，对传统的Web使用记录挖掘进行了改进，提出了一种用户浏览相异度，并据此提出了改进的K-中心点聚类算法来实现对Web用户的聚类。

摘要： 推荐系统是利用用户的一些历史个性偏好信息实现个性化服务的系统,它已经成为电子商务领域中的重要技术之一.协同过滤是推荐系统中采用最为广泛和成功的推荐技术,但随着电子商务系统用户数目和商品数目的增加,在整个用户空间上搜索目标用户的最近邻居的耗时也急剧增加,导致系统性能下降.本文提出了一种基于用户项目类偏好值矩阵聚类的合作推荐方法,解决了"冷开始"问题,并且由于只在目标用户所属类别中搜索其最近邻居,减少了搜索空间,有效地提高推荐系统的实时响应速度.

摘要： 协同过滤技术已经成功应用于个性化推荐系统。随着电子商务的发展，以及用户与项目数量的增加，带来用户评分数据稀疏性和维度灾难等问题，使其推荐质量严重下降。针对高维数据的稀疏性和维度效应的特点，在用户模式相似的基础上，提出一种模式相似度的计算方法。采用基于用户模式相似的子空间聚类算法产生聚类，并且利用模式相似度的计算改进了协同过滤算法。对用户产生推荐。实验结果表明算法提高了系统的响应速度，同时也较大地提高了推荐质量。

摘要： 协同过滤技术已经成功应用于个性化推荐系统。随着电子商务的发展，以及用户与项目数量的增加，带来用户评分数据稀疏性和维度灾难等问题，使其推荐质量严重下降。针对高维数据的稀疏性和维度效应的特点，在用户模式相似的基础上，提出一种模式相似度的计算方法。采用基于用户模式相似的子空间聚类算法产生聚类，并且利用模式相似度的计算改进了协同过滤算法。对用户产生推荐。实验结果表明算法提高了系统的响应速度，同时也较大地提高了推荐质量。

摘要： 协同过滤技术已经成功应用于个性化推荐系统。随着电子商务的发展，以及用户与项目数量的增加，带来用户评分数据稀疏性和维度灾难等问题，使其推荐质量严重下降。针对高维数据的稀疏性和维度效应的特点，在用户模式相似的基础上，提出一种模式相似度的计算方法。采用基于用户模式相似的子空间聚类算法产生聚类，并且利用模式相似度的计算改进了协同过滤算法。对用户产生推荐。实验结果表明算法提高了系统的响应速度，同时也较大地提高了推荐质量。

摘要： 协同过滤技术已经成功应用于个性化推荐系统。随着电子商务的发展，以及用户与项目数量的增加，带来用户评分数据稀疏性和维度灾难等问题，使其推荐质量严重下降。针对高维数据的稀疏性和维度效应的特点，在用户模式相似的基础上，提出一种模式相似度的计算方法。采用基于用户模式相似的子空间聚类算法产生聚类，并且利用模式相似度的计算改进了协同过滤算法。对用户产生推荐。实验结果表明算法提高了系统的响应速度，同时也较大地提高了推荐质量。

摘要： 本申请提供一种用于对社交应用中用户的聚类方法、一种数据聚类方法、装置、电子设备以及计算机存储介质，由于该聚类方法，在确定目标社交应用中的用户之后，基于目标社交应用中的用户，确定在超球面模型涉及的隐空间内用于对用户进行向量表示的用户隐向量，并基于用户隐向量，获得用户在超球面模型上混合分布的目标混合分布参数；根据目标混合分布参数，确定用户在超球面模型的各个簇分布的概率；基于用户在超球面模型的各个簇分布的概率，获得用户的聚类结果信息。由于该方法基于超球面模型作为整体框架，可以获得超球面模型中的不同簇的差异性。基于不同簇获得的用户在超球面模型的各个簇分布的概率，能够使得最终的用户的聚类结果更符合实际，聚类结果更为准确。

摘要： 自动确定聚类中心的用户影评密度峰值聚类方法，包括：步骤1.读取用户影视评分数据文件中的数据集；步骤2.计算两个用户之间的相似度；步骤3.初始化截断距离dc；步骤4.影评用户i的局部密度ρi计算；步骤5.计算用户点i的距离δi；步骤6.计算用户i的归一化决策函数ri；步骤7.初始化聚类中心；步骤8.依据降序的ri取前Ci个数据点作为聚类中心用户，对非中心用户进行归类；步骤9.离群用户剔除；步骤10.计算占分比N；步骤11.取占分比最大值时的聚类中心点数Ci，然后依据降序后的归一化决策函数，取前Ci‑1个点作为本样本的聚类中心，然后按照上述步骤对非中心点进行归类划分；步骤12.输出聚类结果。

摘要： 本申请提供一种用于对社交应用中用户的聚类方法、一种数据聚类方法、装置、电子设备以及计算机存储介质，由于该聚类方法，在确定目标社交应用中的用户之后，基于目标社交应用中的用户，确定在超球面模型涉及的隐空间内用于对用户进行向量表示的用户隐向量，并基于用户隐向量，获得用户在超球面模型上混合分布的目标混合分布参数；根据目标混合分布参数，确定用户在超球面模型的各个簇分布的概率；基于用户在超球面模型的各个簇分布的概率，获得用户的聚类结果信息。由于该方法基于超球面模型作为整体框架，可以获得超球面模型中的不同簇的差异性。基于不同簇获得的用户在超球面模型的各个簇分布的概率，能够使得最终的用户的聚类结果更符合实际，聚类结果更为准确。

摘要： 本发明提供了一种基于均值漂移聚类的低压台区用户用电数据聚类方法，属于用电数据无监督的数据聚类技术领域，包括：给定m维空间的用电数据集X∈Rm×n，计算用户用电数据xi(i＝1,2,…,n)的密度估计函数；根据函数的极值定理，局部密度极大值点位于密度函数的梯度零值点中，对上式求导，得到梯度函数，从而找到用电数据密度的极大值点；考虑用电数据中的噪声数据的影响，引入高斯核函数，实现用户用电数据的高维可分，提高分类的鲁棒性。本发明提供的一种基于均值漂移聚类的低压台区用户用电数据聚类方法，在低压台区用电信息采集场景中，用户类型多样，用电场景、用电行为复杂，有效改善用电数据分析的质量基础。

摘要： 基于复合聚类算法的电力居民用户日负荷曲线聚类方法，获取电力居民用户日负荷数据，该数据包含有P个样本，每个样本有Q个时间点属性的数据集矩阵；对电力居民用户日负荷数据进行预处理，获得初始群集；对初始群集进行降维处理，获得降维群集；采用聚类算法1对降维群集进行初步聚类，得到初始聚类中心；采用聚类算法2对聚类算法1得到的初始聚类中心进行聚类，并使用聚类有效性指标，对聚类结果进行评估，最终得到M个聚类中心；采用得到的M个聚类中心，作为聚类算法2的初始聚类中心，对数据进行聚类，获得行为相似的用户群。本发明把庞大零散的日负荷数据聚类成行为相似的用户群。电力企业管理人对聚类成的用户群进行分析，可以更好地预测用电量高峰和低谷，为电力业务的管理提供更可靠地方法。

摘要： 本发明公开了一种基于密度聚类的非正交多址接入用户聚类方法，该方法基于密度的带有噪声的空间聚类方法处理NOMA场景中的用户聚类问题，包括对用户进行DNSCAN聚类，在聚类完成后对每个聚类中的核心点数据取算术平均作为该聚类的质心数据，并将当前仍存在的不属于任何聚类的噪声点和不确定归属的边缘点划分至距其欧式距离最近的核心点所在的聚类。借助波束的方向性和后续的波束赋形设计，可以有效减少聚类间用户带来的干扰，从而有效提高系统的整体信息传输速率。本发明所述的方法基于DBSCAN的聚类方法无需提前指定聚类数目，聚类数目可以通过密度聚类过程自动确定，在具有复杂用户分布的实际场景中具有很重要的意义。

摘要： 本发明目的在于解决当前基于语义的用户聚类和短文本聚类方法中未考虑社交因素，“词义漂移”和短文本稀疏性问题。提出一种基于社交网络短文本流主题建模的用户聚类和文本聚类方法，包括下述步骤：S1、语料获取；S2、语料预处理；S3、基于社交网络中的短文本数据流主题建模；S4、推导及采样；S5、对用户进行聚类；S6、对短文本进行聚类。本发明综合考虑“词义漂移”，“短文本稀疏性”和“社交网络”三个影响主题建模的因素，解决通过社交网络短文本流分析用户和文本聚类缺失社交语义信息的问题，大大提高现有聚类算法的精度。

摘要： 本说明书实施例提供一种基于隐私保护的联合训练用户聚类模型、用户聚类方法及装置，用户聚类模型包括各客户端的图神经网络和服务端的聚类子模型，方法通过第一客户端执行，包括：利用其第一图神经网络处理其以用户为节点的第一图结构，得到多个样本用户的第一嵌入向量，样本用户是各客户端的图结构共有的用户；加密各第一嵌入向量，得到各样本用户的第一密文向量；将其发送至服务端，以使服务端基于各客户端发送的密文向量确定各样本用户的用户表征，利用聚类子模型，基于各用户表征确定不同样本用户之间的相似度；从服务端获取基于与相似度正相关的有待最小化的目标值确定的梯度相关数据；根据梯度相关数据，更新第一图神经网络。

摘要： 一种基于用户聚类和商品聚类的混合协同过滤推荐算法，针对互联网电商平台，设计属性偏好矩阵实现系统推荐冷启动；再对聚类结果进行降噪处理，并引入融合因子α，获取Top‑n推荐集。最后，根据购买记录分析商品间的关联规则和用户对商品属性的偏好权值，获得关联规则推荐集与用户个性化推荐集，结合Top‑n推荐集共同得到用户推荐列表，完成对多维度精准推荐。本发明能够在冷启动阶段没有实际购买数据的情况下，对用户进行较为精准的推荐；并且在聚类中利用双重聚类算法与聚类降噪处理，使推荐算法较传统推荐算法在推荐精准度方面有较大幅度提升，此外本发明利用关联规则分析，结合ID3进行赋权实现对商品间关联规则和用户个性的推荐，推荐结果更加科学、全面。

摘要： 本发明公开了一种基于密度聚类的非正交多址接入用户聚类方法，该方法基于密度的带有噪声的空间聚类方法处理NOMA场景中的用户聚类问题，包括对用户进行DNSCAN聚类，在聚类完成后对每个聚类中的核心点数据取算术平均作为该聚类的质心数据，并将当前仍存在的不属于任何聚类的噪声点和不确定归属的边缘点划分至距其欧式距离最近的核心点所在的聚类。借助波束的方向性和后续的波束赋形设计，可以有效减少聚类间用户带来的干扰，从而有效提高系统的整体信息传输速率。本发明所述的方法基于DBSCAN的聚类方法无需提前指定聚类数目，聚类数目可以通过密度聚类过程自动确定，在具有复杂用户分布的实际场景中具有很重要的意义。