一种可解释性泛化矩阵分解推荐算法

可解释性矩阵分解解决了概率矩阵分解缺乏可解释性的问题,然而概率矩阵分解假设评分数据是服从正态分布的,这与实际场景有一定的偏差.针对该问题,提出一种可解释性泛化矩阵分解推荐算法.首先采用一种新型的变换函数使原始评分近似服从正态分布,然后通过可解释性矩阵分解获得预测评分,最后利用对应的逆变换函数将预测评分映射回原始评分区间...     

加密流量分类的特征回放集成学习方法

针对加密流量特征稀疏与难以通过单一方法进行表征的问题，文章提出一种基于特征回放的集成学习方法，包括预特征提取、特征回放、集成学习三个阶段。首先，收集报文的到达平均时间间隔、最大长度等常用统计信息作为数据集的原始特征，其次，训练多个预分类器并将这些分类器的预测结果作为新的特征加入数据集中，最后，借鉴Stacked Generalization的集成思想训练最终的决策分类器。利用Cyberflood构建多种类别的加密流量数据并进行相关实验，结果表明本文方法在准确率上比已有分类方法提高了近5%。     

抽油机井参数优化的粒计算方法

针对油气生产中的抽油机井参数优化问题，开展了一种基于抽油机井生产调控、维护措施数据的抽油机井生产参数优化的粒计算方法研究，研究中采用了粒计算、代价敏感粗糙集及推荐系统等机器学习方法。首先，利用决策树建立基于时间、空间及业务层次等抽油机井数据的多粒度融合模型；然后，利用代价敏感粗糙集定义与抽油机井业务相适应的代价敏感评价模型；最后，在代价约束条件下，设计基于域感知因子分解机的抽油机井生产核心参数及维护措施推荐模型。在实际的油气生产数据上进行不同粒度的对比实验，可以发现由粗粒度到细粒度调整抽油机井的生产参数，其生产核心参数优化的推荐准确度先是逐渐增加，后逐渐下降。说明在参数优化中，需要进行合适的粒度选择。     

融合标签局部相关性的标签分布学习

提出了一种融合标签局部相关性的标签分布学习(label distribution learning, LDL)算法,该算法分为3个阶段。初始预测阶段构建多层神经网络模型,将样本的原始特征作为输入、初始预测的标签分布作为输出;局部矫正阶段首先利用k-means聚类算法获得不同类所描述的局部信息,然后针对不同类计算对应的协方差矩阵,利用该矩阵来矫正初始预测的标签分布,获得每个类对应的矫正标签分布;标签融合阶段对矫正后的标签分布进行加权,再与初始预测的标签分布进行融合,得到最终的预测分布。在8个公开数据集上与9种常用的LDL算法进行对比实验,结果表明本文的算法能较好地描述标签局部相关性,在多个主流评估指标上排名靠前。