相关实验视频
Updated: May 12, 2026
16:14
Trajectory Data Analyses for Pedestrian Space-time Activity Study
Published on: February 25, 2013
13.5K
用户活动的时间动态:深度学习策略和用于长期和短期分析的数学建模
Mohammed Kayed1, Fatima Azzam2, Hussien Ali3
1Faculty of Computers and Artificial Intelligence, Beni-Suef University, New Bani Sewif, Egypt.
Scientific reports
|June 24, 2024
概括
这项研究引入了社交媒体用户概况的新模型,跟踪随时间变化的行为,以便更好地个性化推和有针对性的营销. 该研究使用深度学习模型增强了活动分类.
科学领域:
- 计算机科学 计算机科学
- 数据科学数据科学数据科学
- 社交网络分析 社交网络分析
背景情况:
- 对于有针对性的营销和个性化的推等应用程序,社交媒体用户概况是至关重要的.
- 现有的方法在创建动态,长期用户配置文件的协作模型方面面临挑战.
- 了解和建模用户行为转变是有效配置的关键.
研究的目的:
- 开发一个数学模型来跟踪用户在短时间和长时间的行为.
- 提高用户活动和兴趣的分类准确性.
- 探索词嵌入和预训练模型对用户配置文件的影响.
主要方法:
- 使用了3万条手动注释的推特数据集.
- 双向长期短期记忆 (Bi-LSTM) 和门式循环单元 (GRU) 模型用于活动分类.
- 数学方程被用来定义突然利息变化的时期.
主要成果:
- 拟议的模型有效地定义了用户兴趣发生重大转变的时期.
- Bi-LSTM和GRU模型在用于动态配置文件创建的用户活动分类方面表现出实用性.
- 该研究探讨了词嵌入技术和预训练模型对分类准确性的影响.
结论:
- 这项研究提出了一种新的方法,用于动态的社交媒体用户配置文件.
- 开发的模型可以更好地跟踪用户行为和兴趣的变化.
- 调查结果有助于更准确,更有效的个性化在线体验.
