关键字 |
用户建议,垃圾邮件发送者,ALAC算法、视频、用户、供应商、上传、过滤、排名。 |
介绍 |
根据思科的最新预测,世界简单分数的移动信息流量和六十二的赞助人网络流量在2015年的视频。的添加各种各样的视频(电视、视频点播、网络和P2P)仍然可以在2015年左右全球客户流量的90。网用户发布一个巨大的各种各样的视频剪辑每天在视频分享网站和社交网络应用程序。视频内容也是重复,相似,相关或完全不同。面临数十亿传播网站,在线用户ar有时很难找到他们的最爱。这个例子更糟对移动用户的屏幕限制和较低的测量信息。促进移动用户获取所需内容的方式列出从数十亿网页的一个短暂的时间是极其困难的。[1] |
。一些视频分享网站主视频列表完成用户与视频分类、视频描述标签,或纪念活动的历史。然而,这些建议似乎不正确,永远不与用户的利益。提高,另外一些网站给用户与计算机程序快速搜索他们想要的视频。然而,是基于关键字。[7]多媒体推荐系统是基于用户请求,他们使用最广泛的社交网络,IPTV,其他社会媒体,有效应对信息过载和最广泛使用的分析,找到推荐的方法上下文。一般来说,推荐技术分为两类:协作技术,基于内容的技术基于用户未知项的偏好和他们之前的技术。[10]大型多媒体内容将导致信息过载问题,为了避免这种重要的是创建一个个性化技术,向用户推荐合适的内容。信息过载的问题,指出它需要提取的信息和数据挖掘系统,有助于识别未使用的信息,它能够识别用户是否喜欢给定的数据。 |
推荐系统可引导人们做出他们自己的决定买什么,看什么,特别有用的大量数据。推荐系统可以帮助找出解决方案的选择或决定之前没有任何经验,尽管他们是著名的各种概念和熟悉许多相关的作品,他们的一些问题仍继续在市场上,这个问题可能是估计项目的评级,其中一个重要的和主要的问题是低档次也在通用的应用程序中,其他相关问题可能是有限的内容分析,数据稀疏等。[2]摘要部分我对介绍多媒体系统的描述,第二部分相关工作描述现有系统的工作,第三部分解释了用户视频建议,第四部分解释了实验设置和结果最后部分V和VI引用论文的结论。 |
二世。相关工作 |
在这个立法机构,小青朱乔尔摩根大通C罗德里格斯,Chang温家宝对云媒体与陈[1]提出了两种观点即(i)底端视图和(2)云视图,使用云中心媒体平台(CCMP)南杨科技大学开发前景涵盖以下改进的性能,更低的成本,更好,Qos,以人为中心的结尾云移动媒体的愿景的实现。Ilmin金正日,这金Jinsul Beyung-ok张成泽[2]调查研究用户,使用SNS和IPTV,为了提供一个合适的平台简化基于Hadoop Map减少社交电视,拟议的社交电视方法改进或扩展了简单函数像聊天,购物服务和他们的评论,目前社交电视使用Java开发工具包设置框。 |
V。Venugopal, R。Revathi[3]提出了一种新的方法被称为基于云的移动视频方法通过使用用户自适应移动视频流(AMoS),面向用户行为的视频预取(UBoP)和视频质量取决于反馈链接的质量,这可能会得出这样的结论:云有效视频流和共享工作。这Hong-YiChang Chih-ChunLail yuan-weiLin[4]是基于用户的历史信息和通过互联网可以实现的事情,他们曾与DCXP(分布式上下文协议),它减少了订购的数量降低了总成本,它显示了连接的基础设施。Chih-ChunLail Hong-YiChang, yuan-weiLin[5]调查基于快速的可伸缩视频编码(svc)渠道推荐通过IPTV在云中使用点对点的混合,在这里反馈宽松树算法找出用户以前的历史记录和标识用户感兴趣非常快。 |
这问费雷拉·德·布里托,卢西亚诺·安东尼奥·Digiampietri[6]提出了推荐系统,有效地处理互联网信息过载的现实分析,确定了推荐上下文通过朴素贝叶斯方法,基于事例和CBF算法也为所有的模型提供了更高的结果。在娜娜偏航Asabere[7]是基于混合推荐系统的类型,结构,和应用程序,算法克服了推荐系统的问题通过应用混合CBF和CF方法,佩德罗议员罗莎,乔尔·J。P C罗德里格斯Fillippo男低音歌手[8]的基础上提出了一个基于移动推荐位置,习惯使用重量感知数据融合算法,结合各种数据融合算法像梳子和少量的文档和combMNZ大量的文档。 |
这个苗族LV,春,吉姆·c。汉族,Yoshiyuki HIGUCHI[9]调查基于本体的用户偏好的贝叶斯模型,避免了传统问题,这也形成了贝叶斯网络,代表用户的特点,偏好和他们的环境和它产生准确的结果, |
豪马Zibin郑,欧文国王,迈克尔·R。律[10]提出了一种WSRec方法,避免网络的选择和设计和Qos是通过应用这种使用Java语言也应用于现实世界的环境。在Abdelkar Outtagarts[11]调查方法,可以使用基础设施的网络可以分享其他遥控器网站,直到得到目标的结果也与其他相关网站和合作也回到他们自己的主页一旦完成任务,这可能是基于内容的分享,过滤和监控等等。在UmaraniG。R, Dr.C。Nalini[12]是一个基于调查论文检测垃圾邮件发送者使用ALAC算法。 |
三世。用户视频推荐(UVR) |
用户的视频推荐系统是基于用户的报告之前的历史,所以它是有用的检测垃圾信息散布者,这可以避免无关的发布视频,通常视频过滤使用基于协作过滤和内容过滤等,但在这里,我们使用的是ALAC算法对视频进行分类根据用户的历史。用户推荐系统已经改变了用户的方式找到产品,信息,甚至别人。他们研究的行为模式从集合中知道有人会喜欢他从来没有经历过的东西。推荐系统背后的技术已经发展在过去的20年丰富的工具,使医生或研究人员开发有效的推荐系统。我们将学习的最重要的工具,包括他们如何工作,如何使用它们,如何评估他们,他们在实践中优点和缺点。 |
![图像](//www.cheescube.com/articles-images/IJIRSET-37-g001.gif) |
三世。图1:整体架构图 |
数据库现在这里将有每个信息系统维护的管理。数据库将与web服务器,每一个用户注册和登录,然后用户将标签的视频。标签的视频的时候他会从供应商获得推荐的视频监控的数据库和web服务器的所有视频信息。用户标签后视频然后通过模式制作和分析视频标签过滤并提供给用户。用户可以向用户推荐视频本身,在用户配置文件创建。推荐的视频发布到客户端配置文件作为cloud-tag视频系统。cloud-tag生成基于用户推荐。在同样的视频提供商将注册和登录,然后上传视频文件到web服务器,然后将被引导至供应商监控数据库中。视频上传从提供者存储到自己的存储空间。视频文件上传到云服务器是基于关键字。 This is the private cloud storage space, they can assess and view there video files only. Spammers may post an unrelated video as response to a popular one. We detect the spammers using customer suggestion private storage formation process. Supervised classification algorithms to automatically detect spammers. The admin will have the whole control over the system. |
![图像](//www.cheescube.com/articles-images/IJIRSET-37-g002.gif) |
我们做一个私人存储空间为每个供应商在我们的媒体存储服务器。创建一个提供者账户的时候视频存储空间将分配给提供者。内存的存储空间并不是固定的,它可以大规模存储从这种格式我们可以秘密地支持视频。 |
![图像](//www.cheescube.com/articles-images/IJIRSET-37-g003.gif) |
用户可以向用户推荐视频本身,在用户配置文件创建。推荐的视频发布到客户端配置文件视频标签系统。视频标签生成基于用户推荐。推荐系统或推荐系统(有时用同义词代替“系统”等平台或引擎)的一个子类信息过滤系统,试图预测“评级”或“偏好”,用户将一个项目(这样asmusic、书籍或电影)或社会因素(如个人或团体)他们还没有考虑,使用模型由一个项目的特点(基于内容的方法)或用户的社会环境(协同过滤方法)。推荐系统已经成为近年来极为常见。 |
![图像](//www.cheescube.com/articles-images/IJIRSET-37-g004.gif) |
基于内容的推荐系统中推荐最可能的匹配项。比较推荐列表用户之前输入数据或与物品的偏好。基于内容的推荐系统是基于信息搜索和一般使用评级方法用于搜索的信息。概要文件过滤剂(PFA)创建一个个性化的通道配置文件基于累积浏览内容列表通过使用一个基于内容的过滤。 |
![图像](//www.cheescube.com/articles-images/IJIRSET-37-g005.gif) |
图5:垃圾信息散布者检测 |
垃圾邮件发送者可能会发布一个无关的视频回应一个受欢迎的人。我们检测垃圾邮件发送者使用客户建议私人存储形成过程。懒惰的关联分类算法来自动检测垃圾邮件发送者。分类为垃圾邮件发送者、推动者和合法用户。使用我们的测试集合,我们提供一个描述的内容,帮助个人和社会属性区分每个用户类。我们调查的可行性应用监督学习方法对于识别污染者的两种设想。我们考虑两个先进的监督分类算法,即支持向量机(svm)和主动懒惰关联分类(ALAC) |
第三,(b)算法 |
在大规模计算平台分布式数据中心。使用虚拟化技术动态和透明地提供虚拟的,计算和存储资源。评分最高的视频列表搜索系统。检测垃圾邮件发送者,这个框架组件的可重用性和可扩展性。ALAC(活跃的懒惰关联分类器),它依赖于一个有效的选择性抽样策略处理标签的高成本大量的例子。ALAC延伸至允许自己选择的子集例子标记,因此分类表现活跃。它按顺序,使用所请求的标签的例子告知其决定的例子来选择next。希望只要求在标签的信息最丰富的例子,ALAC可以学会检测垃圾邮件发送者和推动者标记示例使用明显少于需要如果被随机取样的例子。接下来,我们描述ALAC所使用的抽样函数以及它的停止条件。 |
在前一节中讨论的分类结果得到假设的正确识别用户为用户这三个类是同等重要的。但是,可能会有这样的情况,系统管理员可以选择正确识别更多的用户从一个类的费用分类更多的用户从其他类。例如,一个系统管理员,他感兴趣的是自动警告消息发送给所有的用户分类为垃圾邮件,可能倾向于保守,避免误合法用户发送消息,即使这是减少成本的正确识别垃圾邮件发送者和/或启动子。相比之下,另一个系统管理员,他采用手动检查每个用户标记为污染者的政策之前发出一个警告,可能倾向于支持垃圾邮件的正确检测。在这种情况下,将更多的合法用户划分没有伟大的后果,和可以接受,因为这些用户将被清除在手动检查。让D n训练实例的集合,让T m训练实例的集合 |
1。对于每一个ti€T做2。让德勤只从ti D上的投影特性 |
3 ct tt报价吧是所有规则的集合{x→c}从德勤4 m独立董事。根据信息增益5 Ct tt。选择第一条规则{X→c}€Ct tt,并预测c类 |
IV.EXPERIMENTAL设置 |
这里使用的软件如下:Windows操作系统2000及以上,JDK 1.6, JSP和servlet, Tomcat 6.0,这里使用的硬件是40 gb以上的硬盘,内存512 mb以上处理器,奔腾IV及以上。体育、电影、卡通、娱乐、新闻、歌曲和视频的研究。我们是用户提供的准确记录,不喜欢那么视频从用户单独页面和删除视频推荐表中记录的排名是如果它达到10的视频将被删除从整个页面,如果等级达到30那么供应商登录是不允许的。 |
![图像](//www.cheescube.com/articles-images/IJIRSET-37-g006.gif) |
上传条目窗口显示的各种视频已经上传了各种用户要求标准。这个窗口可能出现一旦用户或提供者注册后登录到表单。 |
![图像](//www.cheescube.com/articles-images/IJIRSET-37-g007.gif) |
![图像](//www.cheescube.com/articles-images/IJIRSET-37-g008.gif) |
上面的表给上传的视频信息的提供者。起初创建主页然后注册表单的用户和提供者创建允许用户上传的视频在他签署了用户名和密码,用户登录的用户名和密码可以根据类别,视频上传的提供者可以被用户和他们可以记录结果基于结果的喜欢或不喜欢的视频被删除,它是有用的检测垃圾信息散布者。 |
V.CONCLUSION |
发起人和垃圾邮件发送者可以污染在线视频的检索,用户的满意是非常重要的,也与使用的资源和有效的交付给用户,因此该方法将提供一个有效的解决方案,可以帮助系统管理员轻松检测启动子和垃圾邮件发送者。 |
引用 |
- 温,小青朱乔尔摩根大通C罗德里格斯,Chang温家宝陈,“云移动媒体:反思和展望”,2014年,ISSN: 1520 - 9210。
- JinsulKim、Ilminkim Beyung-ok张成泽“研究用户个性化定制的社交移动平台基地通过IP网络电视”,2014年,ISSN: 1975 - 0080。
- V。Venugopal, R。Revathi”,面向用户自适应移动视频流和用户行为的预抓取视频云”,2014年,ISSN: 2319 - 8753。
- 杰米•沃尔特斯TheoKanter和拉辛,压力自适应上下文配置在分布式信息为中心的体系结构”,2014年,ISSN: 1694 - 0784。
- Hong-YiChang, Chih-ChunLail yuan-weiLin,“快速SVC IPTV频道的推荐系统基于云和P2P混合平台”,2013年,ISSN: 1460 - 2067。
- 问费雷拉·德·布里托,卢西亚诺·安东尼奥·Digiampietri“个性化内容推荐”的一项研究,2013年,ISSN: 0976 - 6413。
- 娜娜偏航Asabere”,对混合方式和方法论的角度推荐系统”,2012年,ISSN: 2047 - 3338。
- 佩德罗议员罗莎,乔尔·J。P C罗德里格斯FillippoBasso”,重量知道推荐算法为移动多媒体系统”,2013年,ISSN: 1875 - 905 x。
- 苗族LV,春金,吉姆c。Yoshiyuki HIGUCHI汉,“基于本体的用户偏好个性化推荐贝叶斯模型”,2013年,ISSN: 1553 - 9105。
- ZibinZheng,郝妈,欧文王MichaelR。律,“WSRec: Web服务基于协同过滤的推荐系统”,2009年,ISSN: 9780 - 7695。
- AbdelkarOuttagarts,基于移动代理的应用:一项调查显示,2009年。
- g . r . Umarani t . Nalini博士,”回顾多媒体推荐系统来检测垃圾邮件发送者和探测器”,2015年,ISSN: 2349 - 6495。
|