一种有效缓解数据稀疏问题的协同过滤推荐算法

文章针对数据的稀疏会导致传统的协同过滤(collaborative filtering,CF)推荐算法不能准确地查找到最近邻居问题,提出了一种改进的基于用户Tanimoto相似性系数预填充的算法,通过改进的Tanimoto相似性系数得到更加合理的用户相似度,并结合提出的预测公式对目标用户的未评分项进行预测评分和填充,从而降低矩阵的数据稀疏度。实验结果表明,该算法对稀疏数据集具有较好的表现,能够提高推荐的质量。     

一种有效缓解协同过滤推荐评价数据稀疏问题的算法

在采用协同过滤算法构建个性化推荐的系统中,经常面临用户评价数据稀疏问题,这将严重降低个性化推荐的准确度.针对此问题,提出了一种混合加权预测填充算法,从用户访问的资源特征以及该资源在整个用户群体中被访问的热度出发,对用户访过的但未给出评价的数据进行预测并填充,从而降低了由于用户评价数据缺失所造成的评价矩阵稀疏程度,提高推荐准确度.在MoiveLense数据集上的试验结果表明,该算法能够明显地提高推荐准确度.     

针对数据稀疏性的教育平台推荐算法研究

随着"互联网+"时代的来临,在线教育平台推荐系统在大数据技术的帮助下,相较于传统教育有着显著的优势.针对数据稀疏性的教育平台的推荐算法,对推荐系统数据的稀疏性问题及架构进行了分析,并对基于二部图的推荐算法进行了优化,最后对基于改进二部图的推荐算法进行了测试分析.结果显示,虽然二部图优化算法稳定性尚不足,但在整体推荐效果上具有一定的优势,二部图优化算法与协同过滤算法相比,在准确率和召回率上的优势,分别要高25％和23％.     

一种解决稀疏数据和冷启动问题的组合推荐方法

针对传统推荐算法所面临的冷启动与稀疏数据问题以及现有ARM(association rule mining)算法大多用于购物篮顾客行为分析,并不适用于特定用户推荐业务且效率较低等现象,提出一种基于相似度的关联推荐模式,实现一种新的结合关联规则推荐与协同过滤推荐方法.采用基于指定后件项的关联规则推荐,直接对目标用户和目标项目进行关联规则挖掘,并利用兴趣因子对活跃用户(或项目)与非活跃用户(或项目)进行权值均衡,以加权方法推荐最优解(规则).同时,采用相似度测量方法,过滤低相似度的项目,为用户推荐既有高评分又具有较高相似度的项目集合.最后,结合规则推荐与CF(collaborative filter)推荐形成最终推荐结果,实现基于用户(或项目)的协同过滤推荐.在MovieLens数据集上的实验结果表明,同已有成果相比本文方法能够更好地处理稀疏数据和冷启动问题,推荐质量明显提高.     

面向稀疏数据场景的生成对抗网络推荐算法

基于生成对抗网络的协同过滤算法(CFGAN)是生成对抗网络在个性化推荐领域上的重大突破,但CFGAN存在缺乏对用户可能交互物品的关注以及面对稀疏数据场景特征提取能力较弱的问题。另外,结合负采样技术提出的优化CFGAN方案存在无法结合用户属性抽取负样本的缺陷。为此,本文提出一种改进的CFGAN模型,通过引入增强的置换注意力机制强化面向稀疏数据集的特征聚焦能力,同时考虑用户可能交互物品对推荐结果的影响;此外,采用协同用户社交网络从用户反馈中提取的语义好友特征嵌入CFGAN,以实现负样本的个性化抽取,进一步提升模型面向稀疏数据场景的推荐效果。     

一种解决协同过滤数据稀疏性问题的方法

面对信息量过载的问题,为了使用户尽快的从大量的数据中找到自己需要的信息,即运用协同过滤算法解决数据稀疏性问题,本文提出了一种基于径向基函数(RBF)神经网络的解决方法.首先构建RBF神经网络并提出了一种新的确定隐层节点方法.然后利用构建的RBF神经网络预测用户评价矩阵中的空缺值,提高用户相似度计算的准确性.最后通过与经典协同过滤算法的对比实验证明所提算法的实用性,实验结果表明,基于RBF神经网络的协同过滤算法可以有效的解决用户评分数据的稀疏性问题,提高推荐的准确度.     

一种面向稀疏数据基于间接评分的协同过滤算法

针对数据稀疏性问题,从提高稀疏数据矩阵利用效率这个角度,提出了一种基于间接评分的协同过滤算法,在基于用户和基于项目的协同过滤算法基础上,将2种算法的预测评分进行动态地混合加权作为直接预测评分,同时引入"相似用户"对"相似物品"的评分作为间接预测评分,最后把间接预测和直接预测2种评分加权形成用户对项目的最终评分.为证明该方法的有效性,使用MovieLens电影评分数据集对算法进行验证,结果表明该方法的平均绝对误差要比传统的基于用户和基于项目的协同过滤算法低,表明了在稀疏数据上该文提出的基于间接评分的协同过滤算法效果更佳.     

一种优化的推荐算法

对个性化推荐系统算法进行改进,首先,不仅考虑用户所选的商品,而且考虑用户的打分,从而将资源分配法扩展为含权资源分配;其次,考虑用户的同有相似性.把这两方面相结合,发展了新的算法.数值试验表明,改进后的方法显著提高了推荐的精度和个性化程度.     

一种用于OFDM系统信道估计的稀疏重构算法

针对在正交频分复用(OFDM)系统稀疏信道估计中,经典正交匹配追踪(OMP)算法存在计算量大且需要已知稀疏度的问题,提出一种基于搜索空间预处理的自适应正交匹配追踪算法.使用正态分布来拟合多径信道抽头位置在相邻码元时刻的变化,依概率将搜索空间分成优先集和补充集,并将最近两次迭代后的残差比值作为搜索空间变换和迭代终止的判定依据.在多径数量未知且抽头位置变化的情况下,仿真验证所提算法的有效性.理论分析及仿真结果表明:新算法的计算复杂度低于经典OMP,前者的信道估计性能明显优于稀疏度未知时的后者以及线性估计法和最小均方误差估计法的性能.     

解大型稀疏线性方程组的一种算法

设A=(?)是一m×n阶矩阵,A_1是m阶方阵.当perC[G_c(A_1)]=,2,3,4时,本文给出了解线方程组AX=C的一种算法.G_c(A)是矩阵A的伴随有向图(Coates图),C[G_C(A)]是图G_C(A)的邻接矩阵.此算法将高斯消元过程直接在G_C(A)上进行,省去了化A为某种标准形的麻烦.此算法显示了对大型稀疏方程是有效的,因此时C[G_C(A)]的积和式perC[G_C(A)]往往较小.Bengt Aspall和Yossi Shiloach对系数矩阵A的每行仅含至多两个非零元时的情形给出了解AX=C的一个特殊的图算法.本文给出的算法包容了这一特殊情况.     

稀疏矩阵带宽减小的一种算法

分析了用分层的方法减小稀疏矩阵带宽的不足。产生这些不足的原因主要是分层的学术工不一定为最大,而且层之间的宽度相差太大,为此对算法的分层进行了细化,把宽度大的分层上的节点移到宽度小的分层上去,使得分层之间的节点数更加均匀,改进后的算法稳定性增强。     

稀疏矩阵带宽减小的一种算法

分析了用分层的方法减小稀疏矩阵带宽的不足,产生这些不足的原因主要是分层的深度不一定为最大,而且层之间的宽度相差太大,为此对算法的分层进行了细化,把宽度大的分层上的节点移到宽度小的分层上去,使得分层之间的节点数更加均匀．改进后的算法稳定性增强．     

一种改进的混合推荐算法

基于用户的近期行为能够更好地反映其潜在的兴趣偏好的思想,提出了一种基于有限时间窗口的改进混合推荐算法.在标准数据集Netflix上的实验结果表明,只采用大约31.11%的用户近期历史记录,所得到的推荐结果准确性可以平均提高4.22%,而推荐列表多样性可以提高13.74%.另外还发现新提出的算法适用于不同活跃程度的用户,这可以极大地降低大规模数据所引发的计算复杂性问题.     

稀疏数据立方的一种快速计算方法

提出了一种新的稀疏数据立方计算方法CFD(Computation by Functional Dependencies),它采用自底向上的顺序划分数据立方的各个维,同时按自顶向下的顺序计算聚集,从而充分利用了数据立方的各个group-by之间的共性。CFD和以前所有的立方计算方法不同:一是既能避免计算冰山数据立方中不满足最小支持度的grorp-by,同时也利用了聚集函数的特征来加速聚集计算;二是利用维之间的依赖关系能有效减少划分时间。实验表明,和以前的算法相比CFD的性能明显提高。     

一种基于信息粒度的高属性维稀疏数据聚类算法

目前的高属性维稀疏数据算法大多面向二态数据，而且没有聚类结果的评价方法，给应用带来很大局限。针对这些问题，给出一种基于信息粒度的高属性维聚类算法。首先通过设计面向数据稀疏特征的半模糊聚类算法对数据进行离散化，并基于此给出稀疏相似度和初始等价关系的定义，然后设计可变精度的二次聚类模型对初始聚类结果进行修正，使算法具有较强抗噪声能力，最后结合应用领域定义一种新的聚类质量的评价模型。实验证明，算法具有更广应用性，可提供多粒度分析结果，准确度更高，得到的聚类结果能真实反映数据的特征。     

一种基于主成分分析的稀疏数据模式分类隐私保护算法

 模式分类过程涉及到对原始训练样本的学习,容易导致用户隐私的泄露。为了避免模式分类过程中的隐私泄露,同时又不影响模式分类算法的性能,提出一种基于主成分分析（PCA）的模式分类隐私保护算法。该算法利用PCA 提取原始训练数据的主成分,并将原始训练样本集合转化为主成分的新样本集合,然后利用新样本集合进行分类学习。选用Adult 数据集和KDDCUP 99 数据集进行仿真实验,并采用正确率和召回率进行性能评价,结果表明,该隐私保护算法通过PCA 提取原始数据特征属性的主成分,可避免原始属性的泄露,同时PCA 在一定程度上可实现去噪,从而使分类器的分类性能优于原始数据集的分类性能。与已有算法比较,该隐私保护算法具有更好的模式分类精度和隐私保护性能。     

一种改进的稀疏性算法在目标跟踪中的应用研究

在复杂场景下,目标物部分遮挡或光照变化会引起跟踪算法效率的降低,而全局模板在目标受到遮挡时不能较好地跟踪。本文结合粒子滤波与稀疏表达,提出一种改进的目标跟踪算法。通过提取目标特征集构造过完备模板集,对该模板集采用分块策略进行多尺度分块,从而提取目标的全局和局部特征直方图,对全局及局部特征直方图进行稀疏表达,并结合粒子滤波算法的粒子后验概率来描述当前目标状态,实现对目标的跟踪。仿真实验结果表明:和经典跟踪算法相比,该算法能够在遮挡环境下高鲁棒性对目标地进行跟踪。     

一种新的模糊稀疏表示人脸识别算法

稀疏表示人脸识别算法的主要思想是:一个未知的测试图像可以近似表示为所有与其隶属同类的训练样本的一个线性组合.然而,人脸之间存在着极大的相似性,同时易受到外部环境的影响,人脸分类的本身存在着一定的不确定性.针对这种不确定性,结合模糊集合理论,提出了一种新的模糊稀疏表示人脸识别算法.首先,引入一个非线性函数描述人脸的相似性程度.然后,基于该相似性度量以及最近邻分类器思想,定义一个自适应的模糊隶属度函数来分配人脸对类的隶属程度.而这一过程恰使得这些隶属度是稀疏化的.最后,将稀疏化的模糊隶属度作为训练样本表示测试样本的权值系数,进而重构测试图像.采用MATLAB在ORL和Yale人脸数据库上进行仿真实验,验证了该算法的有效性和稳定性.     

一种改进K-SVD稀疏表示图像去噪算法

为解决传统K-奇异值分解(K-SVD)算法字典训练耗时过长以及低信噪比情形下去噪效果不佳的问题,提出了一种改进算法。首先将原始含噪图像进行高低频分离,然后对图像的高频部分使用基于残差比阈值的批量正交匹配追踪算法(Batch-OMP)实现稀疏重构,最后将图像的高低频部分叠加完成最终的去噪。实验结果表明,相较于小波变换去噪、DCT稀疏表示去噪以及传统K-SVD稀疏表示去噪,改进的算法能够更好地保留图像的边缘轮廓信息,并且去噪时间明显缩短。     

一种鲁棒的稀疏信号重构算法

针对稀疏信号重构性能不稳定的问题,结合半阈值迭代算法,提出了一种鲁棒的稀疏信号重构算法。该算法首先对随机信号采用半阈值迭代算法进行重构,以获得初步的重构信号,然后改变迭代初值和参数初值进行新的迭代计算,同时增加一个新的循环终止条件,在保证算法稳定性与收敛速度的同时,使迭代结果跳出相对误差较大的局部极小点而收敛于误差较小的点成为可能,提高了重构信号的成功率。对该算法进行了信号重构和图像重构2个方面的实验,结果表明,与半阈值算法及相关算法比较,无论是对高斯信号、符号信号还是自然图像信号,该算法重构信号的成功率都有明显提高,较半阈值算法平均提高了约30%~40%,表现出较强的鲁棒性。