基于矩阵分解的不完全偏好值信息双边匹配决策

针对匹配主体没有提供全部偏好值信息的双边匹配问题,提出了一种基于偏差矩阵分解技术解决不完全偏好值信息双边匹配问题的决策方法。给出了基于部分偏好值信息的双边匹配问题的描述,利用偏差矩阵分解技术,充分挖掘用户的潜在偏好,填充缺失偏好值,将匹配双方的不完全偏好值矩阵转化为完全偏好值矩阵并进一步转化为满意度矩阵。建立匹配优化模型并通过模拟退火算法求解,实验结果表明,该决策方法可行。     

基于用户和项目双向聚类的协同过滤推荐算法

针对传统协同过滤算法数据稀疏性问题,提出一种基于用户和项目双向聚类的协同过滤推荐算法CFBC(Collaborative Filtering based on Bidirectional Clustering),将评分矩阵从用户和项目两个方向进行聚类,降低数据稀疏性的影响,提出一种改进的相似度计算方法P-J(Pearson-Jaccard)相关系数,提高相似度计算精度。实验证明,相较于传统协同过滤算法,该算法能有效提高推荐准确度。     

改进状态转移策略的蚁群算法求解TSP问题

针对蚁群算法在求解TSP问题中易出现算法易早熟难收敛的问题,基于历史搜索信息提出了一种改进状态转移策略的蚁群算法,并引入自适应信息素更新机制引导信息素的更新。实验表明,改进的蚁群算法较传统蚁群算法改善了在求解TSP问题上易早熟难收敛的问题,求解效果和求解稳定性上提升显著。