摘要：协同过滤是一种简单的运用关联/识的推荐方法,但在数据稀疏度高的情况下效果不尽人意.因子分解机解决了数据稀疏情况下的特征组合问题,再结合深度神经网络对高阶特征的提取,一系列深度学习预估模型被提出并取得较好效果.但这类模型主要受益于大量/识标签组合以及高阶特征理解,当数据标签类别稀少时其性能严重退化.为解决稀疏数据且稀少标签类别情境下的推荐问题,本文提出一种多标签统一域嵌入方法,并进一步设计实现了统一域嵌入的推荐模型.特征标签首先以领域划分并通过嵌入层转化为特征向量,然后基于特征空间表达的映射层将特征向量由当前域嵌入到统一域,最后对统一域向量进行空间关联运算并预测评分.采用近年来优异的深度学习预估模型作为对比模型,在多个主流开放数据集上进行了预测.实验结果表明,多标签统一域嵌入模型在推荐精度及性能上优于其它模型,它能够克服神经网络训练中的瓶颈,数据标签稀情下的推荐系提的解决方.

摘要：全媒体新闻中包含影像、字幕、语音、人物等多模态信息,已有的计算机编目系统常对单模态信息进行处理,生成的编目信息不够全面和准确。本文提出一种基于多模态融合的全媒体新闻智能编目系统,它通过多模态媒体内容统一表征与融合理解的核心算法来自动化生成拆条标记、影像描述、关键词、场景分类标签等关键信息,实现对新闻内容的全流程智能编目,提升了编目信息准确性并降低了人工成本。

摘要：以LDA主题提取模型和数据情感标注方法为指导设计研究流程,选取社会和舆论关注度较高的“吉林疫情”为实例,以意见领袖在微博发布的相关文本信息为数据源,结合生命周期理论从主题挖掘与情感分析角度对意见领袖发文内容进行综合分析。研究结果表明,意见领袖关于舆情事件话题讨论的侧重点在不同舆情阶段呈现差异性,表现为“热点信息发布-防控策略解读-社会生活关注-安全防范宣传”的演化趋势;理性发声占据主导;消极倾向内容集中于社会、经济等生产生活相关等主题;应从联合媒体发声、强化政府沟通、重视话题回应及关注消极话题等方面加强意见领袖的协作与引导。