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.     

一种快速交叠组合稀疏全变分图像去噪方法

交叠组合稀疏全变分(Overlapping Group Sparsity Total Variation, OGSTV)是一种能够比较有效地克服图像去噪过程中产生"阶梯伪影"问题的模型,但其求解方法在图像去噪性能和处理时间上仍存在一定的提升空间.本文在OGSTV模型基础上,提出一种利用快速傅里叶变换(Fast Fourier Transform, FFT)方法对Split Bregman求解算法进行优化的快速OGSTV图像去噪方法.实验结果表明:在采用Split Bregman优化算法的OGSTV模型中引入FFT后,不仅绝大部分提高了OSGSTV的图像去噪性能,而且明显减少了OGSTV对图像进行去噪所需的时间.     

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。     

一种缓解互惠推荐系统中数据稀疏性的算法

为解决以在线交友为代表的互惠推荐系统中数据稀疏性问题,根据LMa Fit算法提出一种改进评分矩阵的互惠推荐算法,该算法改进了传统评分矩阵填充的单向性与融合相似度计算。结果表明,与基于项目的协同过滤推荐算法和基于内容和协同过滤的混合算法相比,改进评分矩阵的互惠推荐算法在准确率、召回率和调和平均数值方面有明显改进,该算法不仅改善了数据稀疏性的问题,而且推荐质量也明显优于其他算法。     

音乐推荐系统中的用户冷启动问题

利用新用户使用音乐时的上下文环境信息来解决冷启动问题.当用户播放音乐时,提取用户当时场景的时间、天气、状态等信息,利用这些信息构建决策树分类模型.当新用户使用音乐推荐系统时,提取当前情景的上下文信息,根据决策树分支和上下文信息判断新用户的兴趣,向新用户推荐音乐.实验结果表明,当采用上下文相关音乐推荐算法,推荐数目不超过6项时,新用户对推荐结果的满意度超过TopN算法.     

推荐一种加快科技创新的方法——发明问题解决理论

科技创新是一项艰巨的工作,需要付出创造性的劳动.从实践来看,有许多科技创新由于缺乏正确的创新理念与科学的理论方法的指导,致使创新带有很大的偶然性与随机性,结果是创新效率低下,"核心技术"的创造能力难以提升.     

一种面向稀疏数据的比率相似度计算方法

针对传统协同过滤方法存在数据稀疏问题,该文提出了一种面向稀疏数据的比率相似度计算方法,该方法在相似度计算过程中仅基于用户全部的显式评分数据,并且不依赖于共同评分项。用户的未评分项目通过相似度计算结果和最近邻的评分数据进行预测,并将预测评分较高的项目推荐给用户,实现个性化推荐。实验在两个公开的数据集上进行,结果表明,在数据稀疏的情况,该方法下仍然能够实现较高的推荐精度。     

一种基于遗传算法的数据预处理组合方法

在数据挖掘的众多数据预处理方法中，要根据不同的数据背景及特征准确的选用不同的处理方法是非常困难的。为此，提出了一种基于最小二乘法原理和遗传算法的数据预处理组合方法，该方法综合了各种算法的估计结果。实践证明，这种方法大多数情况下通用并且可靠性很高。     

一种基于组合神经网络的数据分类方法

为了克服单一Kohonen网络和BP网络用于数据挖掘的缺点,提出了一种基于Kohonen和BP组合神经网络的数据分类方法,并给出了该分类方法的基本思想和算法描述.电力变压器故障诊断的仿真实验结果表明,利用该分类方法可以提高数据分类的精确性.     

活动社交网络EBSNs上冷启动推荐方法

活动社交网络(event-based social networks,EBSNs)为用户提供了方便的组织、参加和分享社交活动的平台,由于冷启动用户/活动缺少丰富的历史数据,EBSNs上冷启动用户/活动的推荐是难点问题.面向EBSNs给出了包含活动、主办方和用户的表示模型,提出了向冷启动用户推荐活动,以及将冷启动活动推荐给用户的模型和基于随机游走的节点重要度计算方法.在分析用户参加活动行为模式的基础上,使用真实的EBSNs平台-豆瓣同城验证所提方法的有效性.提出的向冷启动用户推荐活动方案与群组活动推荐相比,评价指标有了明显的提升.该研究构建的向冷启动用户推荐活动,以及将冷启动活动推荐给用户的模型能有效解决活动社交网络上冷启动用户/活动的推荐问题.     

一种稀疏数据库设计方法

本文提了一种稀疏数据库设计方法，该方法可降低存储空间提高可读性和运行效率。     

一种基于数据的GitHub项目个性化混合推荐方法

将两种传统基于内存的协同过滤方法相结合, 提出一种基于数据的GitHub项目个性化混合推荐方法. 该方法不仅可动态地计算相似用户以保证推荐的个性化, 且只用很小规模的相似用户便可得到与基于项目的方法相近的推荐质量; 同时, 该方法通过建立倒排表和利用K均值分类, 在一定程度上解决了原方法在面对GitHub用户及项目数量级较大但交叉度较低的数据集时数据稀疏和冷启动问题. 通过与传统方法进行对比实验, 验证了该方法的有效性和优越性.     

一种基于数据的GitHub项目个性化混合推荐方法

将两种传统基于内存的协同过滤方法相结合, 提出一种基于数据的GitHub项目个性化混合推荐方法. 该方法不仅可动态地计算相似用户以保证推荐的个性化, 且只用很小规模的相似用户便可得到与基于项目的方法相近的推荐质量; 同时, 该方法通过建立倒排表和利用K均值分类, 在一定程度上解决了原方法在面对GitHub用户及项目数量级较大但交叉度较低的数据集时数据稀疏和冷启动问题. 通过与传统方法进行对比实验, 验证了该方法的有效性和优越性.     

一种大规模稀疏中国邮递员问题快速求解方法

针对现有中国邮递员问题求解方法在大规模稀疏路网图上求解效率的瓶颈,提出一种在可接受时间范围内求得可行解的基于蚁群优化的快速求解方法.该方法针对Euler回路求解的奇偶点图上作业法的第二阶段,采用蚁群算法进行求解,同时根据大规模稀疏路网图的特性基于密度峰值聚类算法对方法进行改进：首先在蚁群算法求解前对大规模稀疏路网图进行聚类分割;其次根据邻近节点覆盖率对分割后的节点群进行合并;最后通过改变部分节点所属聚类使各节点群内部节点个数均为偶数.实验结果表明：在奇偶点图上作业法所能支持的节点规模下,该方法可求得与确定性算法相同的最优解,并在运算时间上达到约10倍的效率优化;且该方法在大规模稀疏路网图下可有效提高计算效率,并在可控时间范围内得到优化的可行解,针对5 000个节点规模的路网图最快可在60 s内完成求解.     

火电厂开机组合问题的一种优化方法

本文讨论了求解火电厂开机组合问题的Lagrange方法及Lagrange乘子的若干性质。建议了一种修正Lagrange乘子的多项式算法,导出了开机临界点,比次梯度法减少了计算量。火电厂煤耗量有较大下降,可获得较大的经济效益。     

一种解决MDG中连续方法调用问题的方法

提出了一种新的方法,通过改进成员依赖图,有效地解决以前方法未考虑连续方法调用情况而降低修改影响分析精度的问题．     

一种基于语义的组合服务模板推荐算法

为了实现组合服务的查找功能,提出了一种基于语义的组合服务模板推荐算法。用Web服务本体OWL-S和领域本体描述Web服务,将2个服务之间的语义相似度计算转化为加权二部图的最优匹配问题,利用改进的Kuhn-Munkres算法计算服务间的语义相似度;在此语义相似度的基础上提出一种基于语义的组合服务模板推荐算法。实验结果表明,提出的组合服务模板推荐算法可以快速地搜索出满足用户请求的组合服务模板。     

基于NB和DTW组合模型的稀疏浮动车数据填充

利用浮动车数据对交通状态进行挖掘和分析已经是交通领域的重要研究手段之一,而浮动车数据的稀疏性给数据挖掘工作带来了阻碍。对路网数据缺失特性进行分析后,提出了稀疏浮动车数据的填充模型,模型中对缺失小于30%的偶然性数据缺失采用基于朴素贝叶斯(NB)的分类方法进行数据填充,对缺失大于30%的多发性数据缺失采用基于动态时间规整(DTW)的方法进行二次填充,将两种方法结合并应用于路网实例中,对路段缺失的交通流速度数据进行填充,提升了浮动车数据的路网覆盖率,有效降低了浮动车数据缺失对交通流速度信息的采集、发布以及预测工作带来的影响。