摘要：准确预测节目流行度是互联网电视节目系统设计与优化所要解决的关键问题之一。针对现有预测方法存在模型训练时间长、样本数量多、且对突发热点节目流行度预测效果差等问题,该文测量了某互联网电视平台280万用户的60亿条收视行为数据,采用行为动力学分类方法将节目流行度演化过程分为内源临界、内源亚临界、外源临界和外源亚临界4种类型,运用双种群粒子优化的最小二乘支持向量机对每种类型分别构建了一种互联网电视节目流行度预测模型BD3P,并将BD3P模型应用于实际数据测验。实验结果表明,与现有其他方法相比,BD3P模型预测精度可提升17%以上,并能有效缩短预测周期。

摘要：随着近些年新一代信息网络技术的高速发展,人们可以通过社交网络平台更快、更广地获知社会上的各类事件,这使得事件在社交网络中的传播逐步呈现出高速化、扩大化的特点.针对这种情况,为了更好地管理社交网络中的事件,提高对网络事件信息的治理水平,有必要对社交网络信息传播进行分析.流行度预测是在线社交网络事件信息传播分析中的研究重点.对事件流行度的预测能够为网络事件发生、发展、高峰、终结等提供深刻的见解.尽管流行度预测已经被广泛研究,但是事件相关信息与流行度相关联的因素缺少即时可用的指标数据、指标数据差异化等问题使得有效地预测事件流行度仍然没有得到较好的解决.有鉴于此,本文设计了一种基于在线社交网络事件库多因素耦合的流行度预测方法.具体来说,首先提出了一种基于社交网络事件库的多因素指标获取方法,利用事件库对于社交网络数据的统一存储,从多源异构数据中提取各因素指标.其次提出了一种多因素耦合的流行度预测方法,通过分组嵌入得到因素指标的可相互结合的低维表示,在预测中实现多因素指标的综合利用.最后将Twitter7数据集中3000个主题标签包含的推文作为实验对象进行平均准确率计算.实验结果表明:与已有的深层神经网络模型(DNN)、支持向量回归模型(SVR)、SH流行度预测模型等相比,本研究所提出预测方法在预测准确度上具有明显的优越性.

摘要：在线社交网络中的消息流行度预测研究,对推荐、广告、检索等应用场景都具有非常重要的作用。近年来,深度学习的蓬勃发展和消息传播数据的积累,为基于深度学习的流行度预测研究提供了坚实的发展基础。现有的流行度预测研究综述,主要是围绕传统的流行度预测方法展开的,而基于深度学习的流行度预测方法目前仍未得到系统性地归纳和梳理,不利于流行度预测领域的持续发展。鉴于此,该文重点论述和分析现有的基于深度学习的流行度预测相关研究,对近年来基于深度学习的流行度预测研究进行了归纳梳理,将其分为基于深度表示和基于深度融合的流行度预测方法,并对该研究方向的发展现状和未来趋势进行了分析展望。

摘要：针对无线移动设备数量的指数增长使得异构协作小小区(SBS)将承载大规模的流量负载问题,提出了一种基于协作SBS与流行度预测的在线热点视频缓存更新方案(OVCRP)。首先,分析在线热点视频的流行度在短期内变化情况;然后,构建k近邻模型进行在线热点视频流行度的预测;最后,确定在线热点视频的缓存更新位置。为了选择合适的位置存放在线热点视频,以最小化总体传输时延为目标,建立数学模型,设计整数规划优化算法。仿真实验结果显示,与随机缓存(RANDOM)、最近最少使用(LRU)、最不经常使用(LFU)方案相比,OVCRP在平均缓存命中率和平均访问时延方面具有明显的优势,因此减轻了协作SBS的网络负担。

摘要：针对视频流行度动态变化过程中的时序信息难以捕捉的问题,提出一种融合内容特征和时序信息的深度注意力视频流行度预测模型(DAFCT)。首先,根据用户的反馈信息,构建基于注意力机制的长短期记忆网络(Attention-LSTM)模型来捕捉流行趋势并挖掘时序信息;然后,采用神经网络因子分解机(NFM)处理多模态的内容特征,并采用嵌入技术对稀疏的高维特征进行降维处理,从而降低模型的计算复杂性;最后,采用concatenate方法融合时序信息和内容特征,并设计了一种深度注意力视频流行度预测(DAVPP)算法来求解DAFCT。实验结果表明,与Attention-LSTM模型和NFM模型相比,DAFCT的召回率分别提高了10.82和3.31个百分点,F1分数分别提高了9.80和3.07个百分点。

摘要：移动APP的流行度预测工作从应用开发到广告投放都具有巨大的应用价值。然而,多数先前的工作 都是建立影响因子与流行度之间的回归模型或者采用聚类和分类算法,这样做忽略流行度演化的过程以及背 后的原因。讨论并分析潜在的预测因子,特别是早期流行度的演化模式对未来流行度的影响。为此,首先探 索6种与APP流行度密切相关的演化模式和6种影响因素。经过详细分析后提出基于随机森林算法的流行度 预测模型CrowdPop,并量化演化模式和影响因素作为CrowdPop的预测因子。实验结果显示在126个不同种 类的APP中,CrowdPop针对APP流行度的预测精度优于基准方法。

摘要：针对数据流量爆发式增长所引发的网络拥塞、用户体验质量恶化等问题,提出一种用户属性感知的边缘缓存机制.首先,利用隐语义模型获知用户对各类内容的兴趣度,进而估计本地流行内容,然后微基站将预测的本地流行内容协作缓存,并根据用户偏好的变化,将之实时更新.为进一步减少传输时延,根据用户偏好构建兴趣社区,在兴趣社区中基于用户的缓存意愿和缓存能力,选择合适的缓存用户缓存目标内容并分享给普通用户.结果表明,所提机制性能优于随机缓存及最流行内容缓存算法,在提高缓存命中率、降低传输时延的同时,增强了用户体验质量.

摘要：无线蜂窝网络中相同的数据内容被大量重复传输,造成了网络能耗的增加和无线资源的浪费.然而,现有无线蜂窝网络并不关注所传输数据的实质内容,并对所有移动用户提供无差别服务,因此无法解决这一传输冗余问题.在分析移动用户行为的基础上,结合无线蜂窝网络和数字广播系统的优势,提出了以用户为中心、具有数据业务内容动态感知能力的软实时服务机制,降低无线蜂窝网络的传输能耗和无线资源消耗,同时提升移动用户体验的服务质量.本文给出了业务内容流行度预测、用户信息访问行为预测、动态多播小区构建与内容推送等算法设计,并建立了系统的性能模型,揭示了系统参数与系统性能之间的关联.经过公共网络新闻类信息访问的实测数据模拟验证,在理想的预测算法下,广播排名前10%的热门网络内容,可将蜂窝网络中的数据传输能效提升约2倍;经过校园网络在线学习场景的两个数据集模拟验证,在理想预测算法下,可将网络数据传输能效提高50倍.

摘要：随着计算机系统对突发集中性问题访问规模的不断扩大,传统的最近最少使用(LRU)、最近最不常使用(LFU)等缓存替换算法已经难以满足高命中率、低延迟的要求。为此,针对数据突发集中性访问模式的特点,基于该模式对数据内容流行度变化趋势的影响,设计一种突发集中性访问模式的策略。该策略根据缓存的访问次数、访问时间、流行度预测等缓存信息,周期性地更新数据内容的置换优先级。同时对比LRU,LFU,LIRS及新策略在各种情况下,决定其数据内容置换优先级的因素。在模拟器Simple Scalar上的仿真结果表明,该策略在突发集中性访问模式下的性能优于传统的缓存替换策略。

摘要：信息中心网络利用内建缓存提高内容分发效率。现有的缓存策略研究中,常常基于统计的方法获取内容流行度,并进行缓存位置的确定与内容的替换。然而,基于统计方法得到的是历史信息,不能直接用于决策,必须对流行度进行预测。本文的主要内容是对已有的基于统计与预测的流行度缓存策略的性能进行实验验证和分析,结果证明只有依靠统计信息预测内容流行度并据此设计的缓存策略,在性能上并不比简单的无先验信息的LRU策略显著优越。