文摘
在发展的过程中主要的体育赛事,如何引导供应商和用户提供和利用档案信息资源的重大体育赛事,实现它们之间的相互作用是一个重要的问题要解决发展的迫切的重大体育赛事和档案服务重大体育赛事。通过分析大型体育事件的档案服务的现状,特别是相反的依赖对象的分析服务提供商和用户,我们可以看到,档案服务重大体育赛事的不断发展将不可避免地导致用户组和用户需求的不断变化,信息检索理论的指导下,知识管理,和媒体的效果。根据档案服务的服务模型的重大体育赛事,存档服务模型构造特定的体育赛事。摘要四种事件推荐模型应用于实验的马拉松事件数据收集。通过实验比较,基于内容的推荐算法的有效性验证技术在网络数据集,和一个算法模型适合马拉松活动建议。实验表明,综合事件推荐模型基于术语frequency-inverse文档频率(TF-IDF)文本重量和Race2vec输入序列具有最好的推荐性能马拉松事件数据集。根据事件的建议目标和事件数据类型的特点,我们可以选择一个单一的或全面的推荐算法建立模型实现事件的建议。
1。介绍
背景下的大数据和人工智能,运动和大数据集成和发展的急需,和增量的体育信息,特别是体育信息资源在互联网平台上,急剧上升。在新时期,我们的人民对体育的需求特点是追求更个性化,多层次体育赛事和体育服务来满足自己的需求随着生活水平的提高(1]。同时,面对大量的要求,体育赛事的数量和服务还显示了一个快速增长的趋势。以马拉松事件为例,在2018年,总共有1102个事件在全国范围内举行,有近5000万名参与者。其中,有350中国田径协会注册事件,以及各种有趣的和特色主题活动也蓬勃发展2]。因此,大量的比赛用品提供丰富的选择对于许多马拉松入门级选手或普通的参与者,但复杂的种族分类标准和不均匀的种族促销信息还增加跑步者的困难选择种族和种族服务组织的推广成本。新手需要花大量的时间筛选比赛信息和评估内容,并检查和选择合适的种族服务(3]。今天,随着大数据的快速发展,上述问题noncirculation体育赛事信息资源,以马拉松事件信息为例,不再是一个情况下,问题的事件信息资源应当被视为一个信息超载的问题在本质上(4]。
在数字时代,媒体的变化敦促人们更快地获得所需的体育信息通过网络和计算机技术。然而,体育信息,尤其是互联网上大量的体育信息资源平台,如事件数据显示和文本信息的评估信息,没有被收集和应用合理(5]。分散的网络体育信息,尤其是文本状态信息,使传统体育的非理性信息分类和存储开始出现,这很容易导致信息资源的错位交际体育信息,当用户搜索和过度的位错信息积累容易导致信息过载。面临信息过载的问题,搜索引擎,电子商务等领域开展了深入的研究和讨论,其中最重要的解决方案是实体推荐技术(6]。在1990年代,一些美国学者推荐系统的概念,提出和实现了内容建议通过推荐技术论坛用户。目前,推荐技术在体育领域的应用并不是很广泛,它仍然只推荐给特定的实体,例如体育用品或者体育新闻7]。同时,在当前产业发展背景的人工智能和“互联网+”体育赛事信息资源的开采和加工需要引进新技术。因此,如果分散的体育信息资源可以充分挖掘和应用有效地构建事件推荐模型,并引入多种算法来处理事件网络信息数据,这将有助于提高用户的使用效率的网络分散的事件信息以马拉松事件网络数据为例(8]。这从根本上满足运动员的需要合适的事件信息供给和提高了用户使用的互动体验体育信息资源(9]。同时,事件推荐算法的引入能促进体育信息资源的利用率和相关性,这将不仅提供更多个性化和专业信息服务技术支持体育爱好者还有助于改善体育的整体信息智力水平和促进体育产业的发展10]。
目前,作为最重要的信息交流渠道,仍有大量的分散与体育运动有关的信息。快速增长的背景下体育赛事和服务信息,研究竞争的推荐技术信息和比较各种算法的应用将有助于更有效地竞争的网络信息进行统计分析,实现人们的需求推荐的竞争信息,并提供基本的理论和技术支持网络体育信息资源挖掘的研究和应用更直观、有效的方法。互联网数据体育赛事的体育信息资源的一部分,是支离破碎的信息数据。分析当前网络事件信息的特点选择适当的数据推荐算法,通过算法和数据的结合来构建一个实际事件的推荐模型,为了应用研究提供基础和参考的支离破碎的体育信息资源由竞争互联网数据和相关方法的使用。第二,它给集成的可能性和发展体育赛事信息和相关信息技术从技术的角度来看,它提供了一个更广泛的观点对体育信息化研究和丰富体育研究的技术手段。出于这个原因,档案服务提供者必须不断开发服务基础设施,改变服务理念,创新服务方法:建立一个客观的基础档案服务,适应时代的发展,不断整合新技术、新设备和新概念。
2。相关工作
目前,互联网数据的定义的体育赛事在学术界很少被提及,和体育赛事的互联网数据本质上是一种表达形式的信息资源在体育信息资源(基于互联网平台11]。因此,在研究现状的分析,选择属于上层网络体育信息资源当前的研究和分析,寻找中国学术期刊全文数据库中的知识网络(CNKI)检索“主题=网络体育信息资源的格式。”其中,有179个文献在期刊和硕士和博士论文,其中13个是引用了超过20个,但是只有3是高度相关的在线体育信息资源的研究,都是在2005年之前,和他们的参考价值不是伟大的当前互联网发展背景下12]。通过所有可用的相关文献调查,主要研究方向是分为两类:网络体育信息资源的建设和应用在高校,和网络体育信息资源的集成和开发(13]。其中,主要的研究内容是网络体育信息资源的集成和如何有效地使用它们14]。
其中,研究人员做了一个清晰的阐述网络体育信息资源的开采和收购,包括搜索引擎的使用,体育权威网站、网络数据库、体育网站,或体育频道的综合网站。研究方向的改善网络体育信息资源的检索效率,基于前面的信息资源获取能力,研究人员提出了一个方法使用专业数据库检索技能和文件类型在网络平台上检索(15]。根据网络体育信息资源开发中存在的问题,研究人员提出了一些建议,建立一个网络体育信息资源共享平台和相应的运行机制和可行性分析16]。从所有可用的文学,然而,大部分的网络体育信息资源是总结研究现状和分析其整合的可能性,有一定的技术落后,没有深入研究其内部数据结构和应用程序。
综上所述,目前,几乎没有研究互联网数据的应用在中国体育赛事。本研究构建一个合理的活动推荐系统通过分析公共事件信息的特点,职业体育垂直网站在互联网上,这是一种有效和创新的网络体育信息资源在此基础上研究[17]。目前,各级政府部门大力促进体育和文化事业的发展,越来越多的大型体育赛事在中国主要城市举行。学术界和其他各界人士的生活,政府部门和其他工人在重大体育赛事逐渐被提上日程,成为当前研究的热点18]。其中,许多学者、员工和政府部门已经注意到各种影响档案的继承、持有、开发、和传播的重大体育赛事和写书,表达自己的观点,并阐明了自己的立场,表现出一个场景一百盛开的鲜花。
本文在研究大型体育事件档案服务之前,参考相关文献,和一些现有的期刊,论文,主要体育赛事相关政府文件归档服务收集和梳理获得必要的文献支持19]。通过搜索的电子资源全文数据库中国期刊网,Wanfang数据库,国内和外国政府,相关文献和研究网站,我们发现重大体育赛事的档案和学习一些相关的工作。从目前看来,国内学者都致力于从不同角度研究重大体育事件的档案(20.]。整理和分析后,本文得出一些结论。从现有的成就,研究重大体育事件的档案相关工作者和学者们主要包括三个方面:研究体育的概念和管理档案,档案服务的需要支持体育文化事业的发展,和体育档案信息资源的开发和利用21]。本文将从这三个方面总结了研究现状。
目前,研究体育信息资源和体育信息的应用程序主要集中在体育信息和体育文学,而大量分散的应用基于互联网体育赛事信息很少被提及。
3所示。多传感器节点感知互联网数据的体育赛事
3.1。体育赛事的互联网数据的基本特征
为了有效地满足群众的迫切需求,参与体育活动,有必要显示和推荐许多事件群众合理和准确的信息。当前背景下的“互联网+”,互联网的事件数据乘以日复一日,和事件的特征信息隐藏在大量数据和用户浏览的规则是有效的信息构建事件时推荐模型。因此,本章将体育赛事的互联网数据为研究对象,深入讨论了网络数据的特点和合理的数据收集框架马拉松活动,并收集相应的数据集根据框架,提供基础数据参考建设体育赛事的推荐模型,如图1。
体育赛事的互联网信息数据存储很大,和互联网内容对应于一个单一的事件包括官方网站、门户、专业论坛、新媒体和其他信息传播平台。例如,2019年底,寻找“马拉松事件”在百度搜索引擎可以获得超过3000万的相关网页,包括信息,如宣传、沟通、和马拉松的科普活动。与此同时,网站之间的内容是相对独立的。获得相应的事件信息完全,游客需要获取信息通过多种相关的关键字和多个平台。这个分裂的特性越来越明显的事件在互联网数据数据量急剧增加。因为依赖互联网的信息显示平台,体育赛事的互联网数据显示多样化数据类型分布特点,包括视频数据、数值数据,计算机语言数据,和其他形式除了传统的文本数据和图像数据。在百度检索“NBA比赛”作为一个例子,显示的数据类型包括文本数据的胜利和失败的报道比赛,球员的数值数据信息,参与和精彩的视频数据性能的游戏。同时,每个站点的角度传播事件和数据收集的范围是不同的,体育赛事数据传输的类型是不同的,有一个缺乏标签定义内容类型。
3.2。基于多传感器网络数据采集
体育赛事的收集网络数据集的框架指的是标准化的数据收集可以构造结构和规则,根据网络数据的特点的体育活动。其中,常见的互联网数据收集框架通常是意识到通过构造数据库目录和元数据格式。同时,事件的收集网络数据集不同于当前体育赛事状态数据收集和生理状态数据收集、非实时和延迟。公共事件数据收集关注运动员的生理状态和实时状态数据信息在事件,而体育赛事的互联网数据集通常是公共信息设置相关的事件,这是出版和非实时数据信息。为了有效收集事件网络数据和建立一个有效的数据存储仓库,事件的属性和类别数据在当前网络应该明确定义,从而建立相应的数据收集和存储表。根据当前学者的研究体育赛事的元素,事件通常是由各种元素如事件属性,人力资源的竞争,和评估。从体育信息资源的角度来看,竞争网络信息的构成包括许多类型的元素,如竞争新闻信息数据库资源,视频资源的竞争,组织社会资源,等等。
本文研究了事件的推荐模型来满足这样的需求。事件推荐模型的建设首先需要澄清当前应用场景的事件推荐和建议所需的数据类型,以便选择适当的推荐模型算法根据合理的建议目标和有效的事件数据。
根据本文的研究方向,建设事件推荐模型需要考虑三个要素:体育事件,用户,和算法。从用户的角度参与事件或事件信息浏览,用户浏览事件细节或属性信息和上传事件参与当浏览事件细节信息。因此,从的角度来看网络用户之间的关系和事件,事件网络数据可以分为三类:事件属性的数据集,用户属性的数据集,数据集和用户参与事件。如图2本文将事件互联网数据划分为三个部分,因此构建相应的数据表。在每个数据集,有字段名称下收集数据集。根据建设第三范式的标准根据数据表,每个字段名是独立的,不重复,代表一个数据特性在数据集。与此同时,在数据存储过程中,事件的三种类型的网络数据包含的数据对应数据表中的所有字段信息,这被认为是一个数据表的元数据,也称为元组。为了有效收集事件的网络数据中的特征数据,使数据集符合体育赛事的信息细节,本研究澄清三个数据集下的固有的字段名称,以便收集框架可以匹配各种事件的网络数据收集过程。
其中,事件属性网络数据集应该包括五个字段名称:事件数量、事件名称、事件地点,事件日期和事件的介绍。事件数量的主键数据集,也就是说,必要的字段名。用户属性网络数据集包括四个字段名称:用户号码、用户名、用户性别、用户位置,在用户数量是必要的字段名的网络数据集的数据集。用户参与竞争与其他两个表和数量竞争,用户数量和必要的用户参与数量。如图3,当集合框架应用于各种事件的网络数据收集,相应的数据集和字段名称应该决定根据收集与事件相关的公共内容。在数据表中由三个数据集、事件数,用户数量,和用户条目数量是每个数据表的主键,也就是说,这个字段是关键字段来确定数据的数据集的唯一性。根据不同网络数据的各种体育活动,你可以选择添加其他字段,形成相应的合理的数据表。
3.3。数字事件信息的管理
在大数据时代,数据分析离不开合理的搜索和收集的数据。目前,大量的网络数据的收集进入自动收集,也称网络数据收集或网络爬虫。网络爬虫技术在科学研究发挥了重要作用,公众意见收集和信息安全。通过网络爬虫技术、常规数据信息可以获得大量根据设定程序的内容。目前,基于python的爬虫技术是应用最广泛的语言,和个性化的网站数据收集框架可以通过python语言来写。与此同时,大量的数据被收集在插件的帮助,其中常用的插件模块包括web页面请求模块、骨瘦如柴的爬虫框架,web页面和硒的自动化测试框架。网络爬虫的实现流程如图4。
互联网数据的收集的体育活动还可以根据网络爬虫技术扩展。首先,它是必要的,以确定目标网站内容和目标,需要收集数据,通过Python语言或其他计算机语言编写相应的网站内容请求模块代码、内容分析模块代码和内容收集模块代码。然后,批处理事件数据收集实现根据请求的顺序或事件数据的网站内容,分析事件数据内容,并收集相应的字段数据。同时,有必要弄清楚,相应数据的收集应该符合互联网的机器人协议且仅用于学术研究,以保证合理的收集和法律行为。
根据相应的用户需求构建事件推荐模型时,施工后模型的主要功能是实现之间的建议相同类型的体育赛事和有一定的精度,以满足用户的基本需求。从事件的推荐模型的使用场景,有不确定事件的特点和数据特征的差异不同类别的事件。根据不同的竞争需求,有必要调整算法在一个统一的框架下建设的竞争模型,以满足不同输入数据条件下的有效建议,不同的竞争项目推荐需求,不同的使用场景。因此,构造事件推荐模型需要统计基本框架,同时,根据项目目标,它需要满足不同运动特征的推荐需求。的实际功能需求,事件推荐模型的函数应该意识到包括事件的特征提取、相似性计算的事件,和推荐列表的事件。
4所示。经验和结果分析
4.1。数据需求分析
建设的推荐模型需要满足其使用场景和性能要求,这使得模型的建设遵循的目标方向和数据特征维度实体项目。本文构造的事件推荐模型是基于事件的网络数据特征的分析,表明当前网络数据的事件有大量的文本数据的特点和和多样化数据分布不均匀。在这样的特点,推荐模型的建设需要尽可能接近的特点,大多数公共网络数据。在输入数据的选择,我们应该选择特征数据与明确的分类属性和相当大的数量。传统的推荐模型通常需要大量的数据集与标准化结构来支持他们。在过去的研究中,研究体育赛事的信息往往是进行理论框架和数据结构,而事件数据的特点,研究在当前互联网很少被提及。原因在于缺乏有效的分析手段和数据支持。网络数据的特征分析和收集当前马拉松事件作为一个例子可以提供更合适的基本数据事件推荐模型的研究。与相应的基本数据集,事件推荐模型的建设将会更加准确。从技术可行性的角度来看,人工智能和大数据的快速发展提供了更多的可行方向算法的选择和比较模型,如图5。快速进化的自然语言处理技术和机器学习技术促进各种推荐算法的实践更多的工业生产领域。根据数据特点和运动员的需要,推荐技术算法选择本文已经有效地证明了在其他领域如商品推荐,文本的建议,和新闻的建议,以确保该算法中选择事件推荐模型的建设在本研究将紧随其后。
4.2。推荐系统
为了评估各种推荐算法的性能或系统方便、学术界和产业界有一系列的评价指标可用于评估推荐算法或系统的可靠性。不同的评价指标有不同的重点在衡量推荐性能和对应于不同的评价方法。本节总结了一些常用的评价指标在学术界,包括推荐的准确性,建议覆盖和用户满意度。用户的满意度推荐的项目是一个重要的指标来评估推荐模型。然而,用户满意度不能通过离线计算,这需要用户调查和实时收集。与此同时,在网络系统中,用户满意度需要通过收集一些用户行为,并统计分析。
预测精度是最重要的指标来衡量的离线评价推荐系统。其中,主要分为评分预测精度和使用预测精度。根据不同的研究方向,常用的预测精度指标如下:平均绝对误差(MAE)、精度和召回。美使用绝对值计算推荐错误和观察之间的差距的预测评分的项目推荐算法和用户的实际得分来衡量推荐系统的性能。准确率和召回率是广泛应用于前建议。前推荐给用户的推荐列表对应的项的数量 ,这是目前主流的推荐系统的推荐方案。覆盖率是评价推荐系统的挖掘能力或长尾商品推荐算法。最常见的定义是项目的比例推荐系统推荐的总项目的集合。覆盖率通常用于评估推荐性能的书籍,电影和其他物品与复杂的分类。结合上述网络数据集特征的体育赛事马拉松事件作为一个例子,在这项研究中,事件的推荐模型的实际测试将使用的评价方法预测精度测试的结果事件推荐模型基于内容的推荐算法。
根据上述研究类别的推荐模型,本文选择基于内容的推荐模型技术来构建相应的事件推荐模型根据体育赛事在互联网上的数据集。模型基于内容的推荐算法主要采用描述性的内容特征实体推荐和计算的数量标记或标签的相似内容的标签矢量特性。可以看出,基于内容的推荐算法取代实体与功能内容的标签,每个标签都有不同的对应值,从而将实体的特性分布问题转换为矢量值问题的实体标记,实现矢量的计算值与其相似的距离。互联网数据的体育赛事,体育赛事主要非结构化特征的描述性信息数据,即表现为活动名称、活动介绍,事件的位置,和准入要求。这种描述性信息主要分布在文本内容,和文本长度是不同的。通过浏览这类文本信息,用户或游客可以迅速形成一个初步的了解竞争情况,如图6。
因此,对于这种非结构化文本功能,通常需要使用相应的文本处理算法特性内容转换成空间向量。同时,通过观察事件数据集和数据特征,我们可以发现有大量的用户输入序列分析数据记录在体育赛事的互联网数据。这种数据属于非结构化数据类型,但其序列的文本主要是事件的名称,内容和功能是隐藏在入境记录。因此,对于这种数据集的应用,有必要从序列中提取隐藏的特性由算法和将它们附加到事件记录实体或用户实体。这事件的特征相似性问题转换成藏事件序列的特性分布问题。在当前的研究中,常用的文本内容特征提取算法在基于内容的推荐模型包括LDA的话题模型算法,TF-IDF文本权重模型和Word2vec模型。这三种算法实现了文本特征的提取句子片段通过不同的概念和取得了成功在大量的实验和实际应用。同时,Word2vec模型的算法思想也广泛应用于序列数据或行为记录的数据集,从而得到向量空间序列中的每个实体的价值观。在以下这三个内容的文本特征提取算法进行了描述和分析。
向量化的事件介绍向量空间模型(VSM)的概念,它的定义是将传统的文本内容转换为向量空间维向量,从而使相应值计算,这样类似的文档或段落有类似的向量空间。矢量变换使得数字信息实体内容从文本信息,这使得它更容易进行实体内容的统计属性。例如,在马拉松事件,“上海国际马拉松,”“北京国际马拉松,”和“北京国际越野挑战”都是顶尖马拉松事件目前,但很难判断相似强度的分类属性的两个事件的事件。例如,“上海国际马拉松赛”和“北京国际马拉松赛”都是常规铺马拉松事件,但他们的场地属于不同的城市。“北京国际马拉松赛”和“北京国际越野跑步挑战”都是在北京举行,这是地理上类似的事件,但他们的分类是不同的,和合适的参与者也不同。然而,随着向量化的事件名称如图所示7基于词频,向量空间模型转换(词频越大,较弱的功能性能和较小的值)可以从文本中提取类似文本的价值属性,给这三个事件的有效空间矢量值。可以构造相应的事件向量模型下大量的训练数据。
事件相似度计算是一个必要的步骤来实现事件的建议,这将事件之间的相似性问题转化为空间的距离问题的价值观,它方便使用数学和物理计算形式实现事件的相似性判断实体。和推荐列表可以输出方便根据排名事件之间的相似度。目前,有很多方法来计算相似性的特点向量空间模型。常见的向量空间相似性算法包括欧几里得距离,余弦相似性,皮尔森相关系数。同时,当使用不同的算法来构建向量模型、实体相似度的计算也需要特定的适应性的相似度计算方法。例如,LDA在使用主题模型构建“event-theme分布矩阵”在这项研究中,有必要使用相应的主题相似比例计算方法实现主题的相似性计算比例。因此,在接下来的研究中,本文将比较和分析了常用的向量相似度计算方法和研究他们的适用性,以便选择合适的相似度计算方法并应用到每个事件的推荐模型的建模。作为主流主题生成和主题向量化模型在文本内容分析中,LDA模型认为文档对应多个主题,和每一个主题对应一个不同的词汇表文档中。
根据词汇分布概率主题内,相应的内容范围可以概括的话题。根据文件的比例在不同的话题,占更大比例的主题可以被视为文档的主题。三维“document-topic-vocabulary”构成的必要条件的比例文档生成向量。当输入原文,LDA主题采用基本词袋模型表示和将每个输入文档内容转换成相应的词频向量。在LDA建模网络事件数据,有必要模型所有事件分词后的文本内容。为了有效地表达事件的特点,特征的事件文本内容一般包括名称的事件,事件的地点和事件的简要介绍。这些数据指标反映事件主题的内容特点、地区倾向性和总体特征。文本分词等预处理后,输入原始事件内容文本变成了矩阵建模功能条目。所示event-theme组合内容基于LDA主题模型图8,建模时event-theme通过LDA模型,特征的内容事件,是输入,和可能的主题一个给定的事件 。训练后的模型代码,event-theme矩阵和theme-content词汇矩阵可以最终获得。
TF-IDF模型的基本假设是,语料库包含多个文档。如果一个词在文档中出现很多次的文档,标明TF价值同时,但这个词出现在整个语料库和标有IDF价值,那么大 马克的价值这个词可以是关键字或词的文档。根据TF-IDF算法规则,词的对应TF-IDF价值可以计算每个事件的名字。通过观察TF-IDF向量的值在语料库,我们可以发现,“上海”的主题是“上海国际马拉松赛事。”“越野跑步”和“挑战”的主题是“北京国际越野赛跑的挑战。“这也表明TF-IDF算法可以有效地分离特性的主题每个事件在事件文本语料库和赋予事件一定向量维数。在实践中,改进后的模型与基本Word2vec模型算法原理,但选择的输入数据集是改变从事件功能文本数据的序列数据在互联网用户参与活动。然后从向量输出内容更改的价值构造特征词汇的矢量值输入事件序列中的每个事件集。这个变换更适合构建相应的事件实体和空间向量计算事件向量的相似性。同时,在数据的使用,它可以避免使用单个事件功能文本数据,不能有效地验证建议推荐模型的准确性,并将使用用户竞争序列数据在互联网。最后,它可以比较和分析推荐模型的性能时使用不同的数据集。
上面的描述后,可以看出,体育赛事的互联网数据集大量和许多类型的特点,和一个基于内容的推荐算法建模方法很容易实现更好的推荐结果在特定网络事件数据输入样本。然而,从用户的角度选择的实体,它缺乏普遍适用性。例如,LDA主题模型需要大量的功能文本的输入数据集,和选择对象的数量会影响最后的数值大小主题向量空间的每个实体。基于TF-IDF事件推荐模型可以构造每个事件的空间矢量根据事件的文本特征。然而,如果样本事件的功能文本描述太少或采用不同的语言描述方法,在特征空间矢量偏差的现象很容易发生,这将使具有类似的事件类型或属性有很长的空间距离在向量空间,影响最终的推荐效率。同样,如果推荐基于Word2vec序列模型建模,用户的条目记录的样本容量不足或不确定的条目类型在网络很容易影响事件空间向量的一代。如果一个用户只多年参与同一种族或职业运动员参与比赛太宽类型或地区和大跨度,很容易有较低的现象,两个马拉松事件相关性密切在向量空间。因此,为了降低单一算法的影响和输入样本马拉松事件的建议,作者认为TF-IDF模型结合Word2vec序列模型,这样他们就可以融合并计算事件相似矩阵事件并提出一个全面的事件向量化后的推荐模型和比较全面的推荐模型之间的性能差异和其他单一算法模型在测试样本数据,以提高性能和精度的事件的建议。同时,当综合模型进行事件向量化的步骤,它可以直接调用该事件由一个TF-IDF向量矩阵生成模型和Word2vec序列模型,以节省计算资源,提高容错空间的综合模型。
5。结论
在燃烧马拉松事件数据网络为例,论述了算法选择和模型建设事件推荐模型,并确定了基于内容的推荐技术和三个关键算法通常用于实现事件推荐模型的目标建设。在上述的基础上,本文进一步研究事件推荐模型的建设框架下三个关键算法,关注事件向量化和事件的相似性计算的步骤,并使实验比较的马拉松收集事件数据集。结果,构造事件推荐模型具有良好的性能在马拉松比赛中事件的建议,验证基于内容的推荐技术的可行性的事件信息的建议。这可以有效地满足现有的需要人们为马拉松事件还推荐和提供技术支持和理论依据的研究建立一个有效的网络数据处理机制和事件推荐模型的体育赛事。本文研究当前体育赛事的互联网数据,数量庞大的特点,各种类型,分裂,和较低的相关性,构建一个通用事件数据收集框架和收集方法。采取群众中流行的马拉松事件为例,探讨并分析其网络信息的类似的和独特的特征。通过马拉松的收集和统计数据,验证数据多样性的特点,提供基本的数据支持事件推荐模型的建设。
在未来,它给集成的可能性和发展体育赛事信息和相关信息技术从技术的角度来看,它提供了一个更广泛的观点对体育信息化研究和丰富体育研究的技术手段。
数据可用性
使用的数据来支持本研究的发现可以从相应的作者。
的利益冲突
作者宣称他们没有竞争的经济利益或个人关系可能出现影响工作报告。