02-在 Kuber SocialBadge 基础上再前进一步

简介:

Kuber 的 SocialBadge 能够根据给出的 Email地址、Twitter用户主页地址、Google User Profile地址等得到:

  • 此人的 Google Reader Shared Items URL(如果有的话);
  • 此人关注哪些人(Twitter、Google Reader等里面的Followings)。

 

测试连接:

1、我的google profile 链接:http://kuber.appspot.com/social/search?q=www.google.com%2Fprofiles%2Fzhengyun

2、我的twitter链接:http://kuber.appspot.com/social/search?q=twitter.com%2Fzhengyun

 

在此基础之上,我希望:

1、给定若干高权重的、社会化媒体重度使用者的 Twitter帐号或Google Profile地址;此用户集合我们称之为:TargetUsers。

2、分别获取每个人的关注列表(此人都关注哪些节点(Node)),此用户集合称为:FollowingNodes。合并重复后,得到一个总的节点集合,称之为:WatchList。

3、针对 WatchList 的每一个Node,遍历之:

检查它对应的Web服务我们是否支持。我们目前暂定支持 Google Reader Shared Items、Twitter、delicious(这些都有链接或短消息)。确定该数据是否有权访问。如果对方未开放权限(访问会得到403状态码),就忽略。

异步收集该Node的数据。如果是GoogleReader就收集它分享的每一篇文章。如果是Twitter,就收集它发布的RT消息和带HTTP链接的消息。如果是delicious,就收集它的收藏链接。

4、针对TargetUsers的每一个用户,逐一计算他关注的世界(FollowingNodes)中:

  • 大家分享最多的文章或链接,仿照SR的算法;
  • 大家转发最多的Twitter消息,仿照锐推榜的算法。

 

目的是:

  • 观察在现有中国社会化媒体使用情况下,个性化计算是否能满足阅读需求。
  • 观察对于收集到的社会化媒体重度使用者,他们所关注的世界的热文和热推是否有价值,对于一般用户来说。
目录
相关文章
|
存储 搜索推荐
知识体系化的必要性及构建通用体系的方法
知识体系化的必要性及构建通用体系的方法
321 0
|
24天前
|
C语言
2.5进一步使用C
该程序首先通过注释说明了文件名及程序目的,展示程序说明的必要性。接着,它在同一行内声明了两个变量`feet`和`fathoms`,简化代码结构。随后,利用C语言中的乘法运算符`*`进行简单数学运算,将`fathoms`变量值乘以6并赋给`feet`。最后,使用`printf()`函数以新颖的方式输出多个值,展示了如何在单次调用中打印不同内容。
34 6
|
2月前
|
自动驾驶 安全 物联网
5G网络:速度之外的优势深度解析
【8月更文挑战第5天】综上所述,5G网络的优势远不止于其惊人的速度。其超低时延、大规模连接能力、高可靠性和稳定性、灵活频谱利用以及创新的网络切片技术等优势共同构建了一个全新的智能世界。在这个世界里,万物皆可互联、实时交互成为可能,关键业务应用得到可靠保障,频谱资源得到高效利用,网络资源实现高度定制化。5G网络正以前所未有的方式改变着我们的生活和工作方式,引领着未来的智能生活与社会创新。
|
3月前
|
机器学习/深度学习 自然语言处理 算法
大模型技术基础
【7月更文挑战第26天】大模型技术基础
86 6
|
3月前
|
敏捷开发 运维 监控
通用研发提效问题之归纳总结软件研发过程中的通用能力,如何解决
通用研发提效问题之归纳总结软件研发过程中的通用能力,如何解决
|
3月前
|
机器学习/深度学习 人工智能 弹性计算
|
4月前
|
安全 前端开发 数据挖掘
电子商务平台的构建与优化:技术与策略的深度融合
【6月更文挑战第23天】构建电子商务平台涉及需求分析、技术选型、架构设计、功能实现及测试部署,而优化则聚焦用户体验、性能、安全和SEO。用户体验优化包括界面布局和交互设计,性能优化涉及代码和数据库优化,安全优化需保障数据传输和防御网络攻击。SEO和移动端优化提升可见性和便捷性,数据分析驱动策略调整,以增强平台竞争力。
|
5月前
|
机器学习/深度学习 缓存 算法
LLM 大模型学习必知必会系列(十二):VLLM性能飞跃部署实践:从推理加速到高效部署的全方位优化[更多内容:XInference/FastChat等框架]
LLM 大模型学习必知必会系列(十二):VLLM性能飞跃部署实践:从推理加速到高效部署的全方位优化[更多内容:XInference/FastChat等框架]
LLM 大模型学习必知必会系列(十二):VLLM性能飞跃部署实践:从推理加速到高效部署的全方位优化[更多内容:XInference/FastChat等框架]
|
5月前
|
数据采集 人工智能 算法
通用基础的AIGC大模型发展重点
【1月更文挑战第23天】通用基础的AIGC大模型发展重点
58 1
通用基础的AIGC大模型发展重点
|
XML 数据格式
进一步了解XPath
进一步了解XPath