基于元学习的航空电子设备特征选择算法推荐方法

为了对航空电子设备的测试数据进行有效约简,去除冗余信息和不相关特征,基于机器学习领域现有的特征选择算法,提出了一种元学习框架下的航空电子设备特征选择算法推荐方法.所提方法旨在根据不同航空电子设备测试数据所蕴含的信息,推荐合适的特征选择算法.首先,分析了数据集特征的描述方法.然后,介绍了采用综合度量指数的算法性能评价方法...     

我国电子商务推荐策略的比较分析

首先评述了国内外电子商务网站常用的各种查找推荐方法,重点比较分析了我国四个典型的B2C网站(Mall.sina.com.cn,Ssreader.com,Dangdang.com,D-library.com.cn)和国外著名电子商务网站Amazon.com所采用的推荐策略,然后指出目前我国B2C网站在推荐策略方面存在的差距和问题,分析了其原因并提出了相应的解决措施.     

基于多维极值参数的飞行风险量化评估方法

数具有和试验数据相同的分布形式,并构建了飞行风险发生的判定条件。在对一维极值参数符合广义极值分布的假设进行证明的基础上,提出了三维极值参数的四参数变权重(four adaptive weight parameters, FAWP),Copula模型利用自适应粒子群算法对一维和三维目标函数中的未知参数进行了辨识,对多种Copula辨识出的三维极值分布进行了拟合优度检验,结果表明FAWP Copula对三维极值参数分布形式的描述最为精确。利用FAWP Copula模型对尾流遭遇情形下的飞行风险概率进行了量化计算,所得指标可用来研究尾流场内的风险规避策略及算法。     

基于协同过滤和网络结构的个性化推荐算法

综合了经典的协同过滤算法和基于网络结构的个性化推荐算法.项目同其他所有项目的相似度之和被认为是项目在个性化推荐系统中的初始推荐资源,然后通过二部图的网络结构将这种资源进行重新分配.同时考虑两个项目之间的相互作用关系,提出了最终的推荐算法.最后,根据用户未曾收集项目最终所获得的资源进行排序,向用户推荐资源最多的项目.通过...     

基于隐式反馈的个性化游戏推荐方法

传统的推荐系统常用显式反馈进行个性化推荐,但显式反馈数据不易获取,质量不好且易引起用户反感,使推荐结果不能满足用户需求.隐式反馈数据更容易获取,可更好地为用户提供其感兴趣的内容.提出一种基于隐式反馈数据的个性化游戏推荐才法.该方法基于游戏时长、游戏次数等隐式反馈数据,构建针对游戏用户数据的隐式反馈推荐模型,通过隐语义推...     

基于读者偏好变化的高校图书个性化推荐方法

提出了一种根据读者借阅行为记录和图书信息来观察高校读者阅读偏好随着时间变化的思路,并借助二分网络结构特性,提出了测量偏好变化特征的计算方式及其作为推荐客体结合传统图书推荐算法的混合推荐方式。同时,使用上海交通大学图书馆图书借阅历史数据展示了偏好变化计算结果和结合偏好变化的混合推荐方法相比传统推荐方法的优越性。     

基于用户兴趣的混合推荐模型

从用户特征描述出发,分析用户兴趣模型的表达机制,提出一种基于用户兴趣的混合模式推荐方法.该方法将内容过滤和协同过滤的预测值进行加权求和,形成最终的综合相似度.实验结果表明,该方法的性能同时优于基于用户协同过滤的推荐方法和基于内容过滤的推荐方法,推荐系统的推荐质量得到显著提高.     

基于情境化用户偏好的协同过滤推荐模型

协同过滤推荐是目前个性化推荐系统中使用最为广泛的方法.然而,传统协同过滤推荐一方面仅根据用户对项目的评分来判断用户之间是否存在共同喜好具有一定的片面性,因而降低了近邻搜索的质量;另一方面忽略了不同情境对用户偏好影响的差异性,进而影响了个性化推荐的效果.为此,提出一种基于情境化用户偏好的协同过滤推荐模型.首先,在模型中采用信息熵理论分析不同情境对用户偏好产生影响的重要程度,并结合用户-商品评分和用户对商品属性的偏好来搜索近邻用户;在此基础上,将情境重要度的权重引入到协同过滤推荐的生成过程中进而产生推荐结果.通过MovieLens数据集对该模型和其它两种协同过滤推荐进行比较的结果表明:本模型具有较低的平均误差,进而表明了考虑情境化用户偏好的协同过滤可明显改善个性化推荐的质量.     

一种基于用户聚类的协同过滤推荐算法

为解决传统协同过滤算法在生成推荐时的速度瓶颈问题,提出了一种基于用户聚类的协同过滤推荐算法。该算法将推荐过程分成了离线和在线两个部分。离线时,算法对基本用户数据进行预处理,并对基本用户聚类;在线时,算法利用已有的用户聚类寻找目标用户最近邻居,并产生推荐。实验表明,基于用户聚类的协同过滤推荐算法不仅加快了推荐生成速度,而且提高了推荐质量。     

时间窗口对个性化推荐算法的影响研究

研究了时间窗口对基于10种用户相似性指标的个性化推荐算法的影响。在标准数据集MovieLens上的实验结果表明,只采用大约12.56%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27.17%,而推荐列表多样性可以平均提高3.28%,极大地降低大规模数据所带来的计算复杂性问题。     

协同过滤推荐算法研究: 考虑在线评论情感倾向

协同过滤推荐算法通常是基于兴趣相似的用户行为来实现个性化推荐, 其核心义用户之间的兴趣相似度. 本文在传统的协同过滤推荐算法基础上, 考虑在线评论对用似度识别的影响. 在混合商品推荐中, 粗粒度识别评论情感极性; 而在同类商品推荐中, 细粒别每个商品特征的情感极性. 如果用户对产品的某个特征评价次数大于平均次数, 表明用户对征较关注; 如果对产品的某个特征评价低于平均评价, 表明用户对该特征较挑剔. 进而根据用户评论来建立用户偏好模型, 用户在评论中反映出来的相似度越高, 表明用户之间的偏好越. 实验表明, 同传统的协同过滤算法相比, 基于在线评论情感分析的用户协同过滤算法在率和召回率指标上有显著提升.     

考虑用户兴趣和能力的众包任务推荐方法

众包平台的信息过载使工人面临任务选择的困难.针对众包特征,本研究提出一种考虑工人兴趣和能力的任务推荐方法.该方法基于协同过滤推荐思想,首先通过TF-IDF技术构建考虑兴趣偏好的工人模型,然后将基于胜任力理论分析构建的工人KSAO能力集合融入到模型中,构建新的工人模型;在此基础上,利用余弦相似性、Jaccard相似性和改进的余弦相似性公式,计算工人间融合兴趣和能力的综合相似度,依此来选取近邻集并最终生成推荐.利用猪八戒网采集的数据进行实验,结果表明该方法的有效性,并通过对比实验证实该方法比传统协同过滤方法推荐效果更佳.从推荐视角丰富众包任务选择的研究,对于众包中解决信息过载、增进个性化体验等具有一定的现实意义.     

考虑工人参与意愿影响因素的竞争式众包任务推荐方法

竞争式众包中,有效的任务推荐成为亟欲解决的问题.传统任务推荐仅依据工人对任务的投标记录构建任务推荐方法,但工人对任务的投标与否本质上是由工人的参与意愿决定.针对竞争式众包特性,本文提出一种考虑工人参与意愿影响因素的竞争式众包任务推荐方法.该方法基于工人参与意愿影响因素研究,从工人维度和发包方维度将工人的参与意愿影响因素表示为工人的收益偏好、素质能力以及对发包方的信任,并结合工人历史行为记录以及相关描述信息对各维度影响因素进行衡量.在此基础上构建工人模型,并综合各维度影响因素相似度借助协同过滤算法生成推荐列表.通过一品威客众包平台中真实数据的实验表明,本文提出的推荐方法能够更有效地对竞争式众包任务做出推荐.     

基于多维学习的服务扩散模型构建与实证

基于主体认知渠道和多维消费者网络结构的线下线上异构性,构建多阶段时间序列学习（MSTSL）模型和多维网络学习（MNL）模型,探索多维网络融合的服务扩散规律;基于真实的扩散数据,改进消费者网络的服务扩散模型,并克服社会网络分析的仿真方法缺陷. 以图书服务数据样本进行实证研究发现,本文提出服务扩散模型能够较好地拟合现实数据;服务扩散中消费者的多维学习效应可以发挥重要作用;揭示消费者群体服务采纳服务产品的不同学习影响机制,研究结果有益于深入描述服务产品扩散的内在规律及制定恰当的服务策略.     

基于集成学习与特征降维的小样本调制识别方法

针对有标签样本较少条件下的通信信号调制识别问题,提出一种基于集成学习与特征降维的小样本调制方式分类模型.首先,通过集成人工特征与深度学习自动提取特征构成特征集合.然后,设计特征选择算法对特征合集进行优选生成高效特征子集.最后,利用可快速收敛的高性能分类器对信号进行区分,实现在少量有标签样本和大量无标签样本条件下的调制方...     

基于限制型粒子群优化的贝叶斯网络结构学习

贝叶斯网络结构学习是数据挖掘与知识发现领域的主要研究技术之一,在网络结构的搜索空间相对较大的情况下,已提出的相关算法往往都会存在算法收敛速度慢、学习到的结果准确性较差的缺陷。提出一种信息论结合粒子群优化的算法,利用互信息限制粒子的初始化,使得粒子群优化算法能在较短的时间内收敛,应用ASIA网络作为仿真模型,并与K2算法比较。实验结果表明,提出的算法能够快速、准确地得到贝叶斯网络结构。     

基于分群粒子群优化的传感器调度方法

对面向目标跟踪任务的多传感器多任务调度问题进行研究。考虑到探测目标的运动特性,采用扩展卡尔曼滤波法实施目标跟踪,以成功调度任务的综合优先权、目标跟踪精度以及传感器网络的能源消耗为指标,建立了多传感器多任务调度的混合整数规划模型。提出一种基于分群机制的分群粒子群算法对模型进行求解,该方法通过粒子分群,提高对问题域的全局搜索能力,避免算法过快收敛和发生早熟。实验结果表明,该方法用于传感器调度问题,具有较好的求解性能。     

基于改进粒子群优化极限学习机的弹丸参数辨识

针对随机产生输入权重和隐含层神经元阈值导致利用极限学习机辨识弹丸气动参数时会出现辨识结果发散问题,本文将粒子群算法与极限学习机结合,并且引入自适应更新策略以及粒子变异策略,提出了一种自适应变异粒子群优化极限学习机算法。该算法利用自适应变异粒子群算法寻优产生极限学习机的输入权重和隐含层阈值,有效改善算法性能。仿真实验表明,利用自适应变异粒子群优化极限学习机算法辨识弹丸气动参数,精度高、收敛速度快,能够充分满足实际工程需要。