针对网络传输过程中数据资源以高流行度缓存在路由器内，以提高资源获取的传输效率和资源利用率的问题。本研究考虑网络拓扑对缓存的影响，利用网络传输过程中固定时间段内资源流行度的差异性，结合资源本身的收益因素，提出一种基于概率缓存策略PCS（Probabilistic Caching strategy）的网络传输机制。通过该资源数据请求路径进行概率缓存，以提高网络传输过程中的缓存性能。仿真表明该缓存策略有效地避免了非热门内容的不必要缓存，当缓存容量5%时，平均命中率可达25%，平均跳数仅为3.42，有利于网络传输整体性能的提升。
2022-04-07 19:45:32
907KB
1
随着信息技术的飞速发展和信息的广泛应用，社交网络正变得越来越方便和快捷地用于信息发布和获取。 预测主题受欢迎程度对于在线推荐系统，营销服务和舆论控制非常重要。 在本文中，我们借助时间序列分析方法预测主题的受欢迎程度，验证了ARMA模型在主题受欢迎程度预测中的有效性。
2022-03-22 14:49:27
515KB
1
兴趣点（point-of-interest，POI）推荐是基于位置的社交网络（location-based social networks，LBSN）中一项重要的服务。针对目前推荐算法存在的噪声数据影响推荐质量、用户个性化程度低的问题，提出了一种个性化联合推荐算法。提出了引入POI的位置因素去除不可能或可能性较小的POI，形成初步候选集；综合考虑POI的类别、流行度及用户的社会行为，增加用户个性化的程度，提高推荐结果的质量。在Foursquare真实签到数据集上的实验证明了提出的联合推荐算法与目前先进的算法相比，准确率提高11%，召回率提高8%。
2022-02-21 16:10:05
865KB
1
Spotify：预测歌曲的受欢迎程度
目录
1.0。 介绍
该存储库包含一个应对挑战的解决方案：歌曲的流行特征是什么？
该项目是Kaggle社区的一部分
1.1。 什么是Spotify？
Spotify是一种数字音乐，播客和（最近）视频流，可访问世界各地艺术家的数百万首歌曲和其他内容。
1.2。 Spotify商业模式
Spotify在免费增值业务模式下运行（基本服务是免费的，而其他功能则通过付费订阅提供）。 Spotify通过向用户出售高级流媒体订阅和向第三方出售广告展示位置来产生收入。
1.3。 项目发展
该项目是根据CRISP-DS（跨行业标准过程-数据科学）项目管理方法开发的。
1.4。 项目目标
创建一个根据歌曲特征预测Spotify歌曲受欢迎程度的模型。
1.5。 解决方案
在该项目中，将使用回归模型来预测Spotify歌曲的流行指数。
2.0。 数据集
2.1。 数据
2021-11-22 22:24:42
37.56MB
1
zipf随机数生成，可自由选择范围。有一个基本定律，就是大家常说对于内容的访问遵循80/20原则，也就是20%的内容，会占有80%的访问量。
2021-05-10 17:30:27
815B
1
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。
2021-03-24 22:14:07
4.5MB
1
准确了解用户对视频热度的选择（PP）的差异性对丰富的用户画像，提高个性化服务精确度和优化产品提供方收益等方面大有替代益。目前只有少量的统计学方面的研究，在数据稀疏或者大规模启动的情况下不确定性的正确性。基于大规模商业在线视频流媒体系统的用户观影数据，此处对用户的视频热度替换进行了多角度刻画分析，着重提出了两个基于协同过滤（CF ）的算法来预测用户对视频热度的替代。具体贡献如下：1）通过空模型假设对比实验，发现并非所有用户都偏好热度高的视频；大多数用户有较广泛的优选范围，但用户之间2）设计了基于最近邻居的（NNI）和基于矩阵分解的（MFI）用户热度首选预测模型。实验证明，当数据稀疏度低于48％的时候，用NNI或MFI算法初始化所得的用户热度替代比传统方法统计所得的结果更准确。越稀疏的情况下，这种优势越明显。此工作对视频系统中推荐服务设计和用户体验优化具有参考意义。
2021-03-02 10:05:19
224KB
1