K-Means聚类中心最近邻推荐算法

针对KNN算法在处理推荐系统由稀疏性问题所造成的计算复杂度较大以及评分估计值有误差等问题,本文提出了K-Means聚类中心最近邻推荐算法,首先对初始数据集进行聚类运算,然后找出数据集的聚类中心;其次寻找每个用户所属的聚类中心,将聚类中心代替目标用户放入KNN算法中寻找用户的最近邻;最后做出评分预测.同时又考虑到目标用户...     

基于极速学习机和最近邻的回归推荐算法

提出了一种基于极速学习机和最近邻的协同过滤回归推荐算法.该算法首先采用k最近邻法对评分矩阵的缺失值进行填充,然后将极速学习机作为回归器为用户产生推荐.在推荐领域中的标杆数据集上,将该算法与常用推荐算法-LRCF算法进行了比较,验证了该算法的有效性.     

基于欧式距离的最近邻改进算法

依托欧拉距离,使用杂合距离算法改进Minkowski距离公式,使得最近邻算法能够针对不同实际需要计算两事例距离,适用到属性是混合型的情形,也能避免时序列中出现的错误计算问题。     

基于多速率运动模型的多帧最近邻数据关联算法

为了提高标准最近邻数据关联算法的关联效果,提出了基于多速率运动模型的多帧最近邻数据关联算法．改正了Hong提出的多速率运动模型中关于过程噪声的一处错误,然后把该模型应用于最近邻数据关联算法,并推广到多帧情况．新算法使用序列关联量测更新目标状态,有效降低了最近邻算法中误关联对跟踪效果的影响．仿真结果表明,该算法在减少计算量的同时大大减少了跟踪丢失率。     

基于K-最近邻算法的话务智能预测技术

提出基于K-最近邻算法的话务智能预测技术,利用机器学习算法从电信话务信息的历史数据中提取规律,从而预测未来的电信话务信息情况。在算法中根据时间间隔对样例的距离度量进行了特征加权。针对互联互通来话数据的实验表明,该算法具有良好的性能。     

一种新的基于伪最近邻算法的降水预报方法

分析北京地区日降雨量资料,相较于其他降雨事件,大雨或暴雨事件发生的次数较少,因此该地区的降水量预报属于样本不均衡问题。在样本不平衡的情况下,K最近邻(PNN)算法的分类误差率将会大大提高,这也就使传统的基于K最近邻算法的降水量预报方法的应用受到了限制。针对北京地区降水量预报这一样本不均衡问题,应用伪最近邻算法构建了北京市的降水量预报模型。该方法利用北京地区日降雨量资料和美国国家环境预报中心全球格点资料,将降雨量作为类,将美国国家环境预报中心全球格点资料的各种因子场作为天气样本特征,通过决策规则实现最优分类。利用提出的降水预报模型对北京地区2010年6~8月进行了24 h降水预报,实验结果表明,提出的预报方法对于降水等级预报的预报准确率以及晴雨预报的TS评分、正样本概括率和漏报率均优于传统的K最近邻预报方法,该方法具有较好的预报效果。     

一种基于网格的最近邻SVM新算法

支持向量机(SVM)算法往往由于分类面过分复杂或过学习而导致其泛化能力降低,现有的最近邻（NNSVM)或K近邻（KNNSVM）方法解决了这类样本问题,但算法时间复杂度高,处理海量样本的能力有限。在NNSVM算法的基础上引入了网格概念,提出了GNNSVM算法,该算法先对空间进行分块,然后在空间块内计算样本距离,找出最近邻,并结合分块序列最小优化算法(SMO)进行了算法实现。实验表明,该方法降低了计算复杂度,它在保持分类精度的同时,提高了训练和分类的速度,并具有较强的泛化能力,从而提高了原NNSVM算法的海量数据处理能力。     

基于内容和协同过滤加权融合的音乐推荐算法

随着互联网的普及以及音乐库的高速更新换代,用户对音乐的需求变得越来越大,传统的推荐算法已经无法满足用户及时准确地寻找到所喜欢的音乐.因此,针对传统音乐推荐算法的不足,通过对协同过滤推荐算法的分析,提出基于内容和协同过滤加权融合的音乐推荐算法.与传统推荐算法及部分相关推荐算法比较,加权融合推荐算法计算出的推荐结果可以更高效快速地将用户感兴趣的音乐推荐出来.     

基于改进K最近邻算法的中文文本分类

针对文本分类存在的高维文本问题,提出文档频率(DF)-卡方统计量特征提取方式,对特征项进行有效约减,降低文本维度,提高分类精度.在K最近邻(KNN)算法的基础上,针对待分类文本需要和大量训练集样本进行相似度计算的问题,提出一种基于分组中心向量的KNN算法,对类别内的样本集分组求出各组中心向量,使其重新代表训练库计算相似度,降低计算复杂度,提升算法的分类性能.通过实验表明:相较传统KNN算法,改进的算法在准确率、召回率及F值方面都有提升,与其他分类算法相比,具有一定的优势.     

基于共享最近邻密度的演化数据流聚类算法

现有的基于密度的数据流聚类算法难于发现密度不同的簇,难于区分由若干数据对象桥接的簇和离群点.本文提出了一种基于共享最近邻密度的演化数据流聚类算法.在此算法中,基于共享最近邻图定义了共享最近邻密度,结合数据对象被类似的最近邻对象包围的程度和被其周围对象需要的程度这两个环境因素,使聚类结果不受密度变化的影响.定义了数据对象的平均距离和簇密度,以识别离群点和簇间的桥接.设计了滑动窗口模型下数据流更新算法,维护共享最近邻图中簇的更新.理论分析和实验结果验证了算法的聚类效果和聚类质量.     

基于情感识别方法的推荐系统(英文)

随着电子商务的高速发展,推荐系统已成为广大客户选择合意商品的重要工具。目前应用的电子商务推荐方法,依赖于客户的购物素养;而客户在购物中,更重要的影响因素是人的情感。针对这种情况,提出了一种新型的、基于客户情感的推荐系统;给出了该系统的模型、数据结构等。该系统的核心是商品和情感二维叠加空间。实验证明,该系统具有较高的推荐精度和检索速度。     

基于Web日志挖掘的网页推荐方法

针对传统单纯聚类算法实现网页推荐精确度欠缺的问题, 提出一种基于Web日志挖掘的个性化网页推荐模型, 并实现了相应的网页推荐算法, 算法结合聚类分析和关联规则挖掘, 能有效实现网页推荐. 实验结果表明, 在保障网页页面推荐覆盖率的条件下, 该方法有较高的精确度、 有效性和实用性.     

基于协同过滤的电子农务推荐系统模型研究

通过阐述传统的协同过滤算法,分析其特点以及存在的不足,提出了一种改进的协同过滤算法.建立了推荐系统模型,并将这个模型应用到一个电子农务平台中.     

基于数据挖掘的自动化推荐系统算法

结合人工神经网络中的自适应共振理论(ART)及数据挖掘(Data Mining)技术来建构一个可自动聚类族群特征且能挖掘出关联特质的自动化在线推荐系统。探讨如何有效地运用数据挖掘技术从大量的数据库中挖掘出完整知识,以推荐适当的信息给使用者,帮助他们在浩大的信息流中找到真正需要、有用的文件或信息。整合ART及数据挖掘技术,并针对推荐系统的特性提出一种改进的ART算法(MART算法)。实例验证了算法的有效性。     

基于改进KNN算法的语音情感识别系统

语音是人类表达情感的重要方式之一,语音中情感信息的识别已然成为人机交互不可或缺的组成部分,目前的语音情感识别技术存在一定的问题,如冗余大、识别率低等,故提出一种改进KNN识别算法。首先提取能够表征音频情感信息的特征参数,并通过优化算法对其进行筛选,然后对优化特征集运用所提算法进行识别验证。实验结果表明,笔者所提的识别算法能够用于基于语音信息的个体情绪识别状态。     

基于用户模型和属性扩散的混合个性化推荐

电子商务的飞速发展,在为人们提供了更加方便快捷的购物途径同时,如何给用户提供更加人性化的推荐服务,是电商赢得市场需要解决的关键问题。以淘宝电子商务平台为依托,提出基于用户模型和商品属性扩散的混合个性化推荐系统,研究用户兴趣的时间演化和空间扩散方法,综合运用多种推荐方法,给为用户提供更加精准的推荐服务。实验证明,该方法具有较明显的效果,能够较好地运用于同类电商平台。     

基于聚类的智能网页推荐系统研究

设计了一种智能网页推荐系统的架构,其中包括数据预处理、聚类分析和网页推荐3个子系统,可以根据网站的访问日志来对用户进行自动分类,进而对网站的新用户在线提供网页推荐。提出了路径间距离的计算方法,进而研究了聚类子系统的结构,并通过对微软网站中用户访问日志的仿真实验,说明了所述方法的有效性。     

基于Logistic函数的社会化矩阵分解推荐算法

持续指数增长的互联网逐渐带来了信息过载问题,使得推荐系统提供的信息过滤服务尤为重要. 协同过滤是推荐系统领域最为成功的技术,但依然存在数据稀疏性等问题. 社会关系信息能够有效提高推荐系统的预测准确性. 为解决数据稀疏性问题,本文提出了一种利用Logistic函数的社会化矩阵分解推荐算法. 在3组真实数据结合上的实验结果表明,本文提出的算法能够提供更准确的推荐结果,特别是在数据稀疏的情况下,显著缓解了数据稀疏性问题.      

基于弹性模板和K近邻结合的表情识别算法

视频流中检测到的关键帧图像包含了足够的表情信息,为了将这些表情信息进行分类和识别,文章提出了一种新的弹性模板匹配算法,它首先针对经Gabor小波变换后的表情模板,运用模板图像中表情关键点的检测算法,根据表情关键点的特征信息,构造表情弹性图,通过改变表情模板弹性图中关键点的位置,将表情模板与被测表情弹性图进行非刚性匹配,进而得到两者之间的相似程度,最后通过改进的K-近邻分类策略,实现被测图像表情的有效分类与识别.     

基于Bandit反馈的分布式在线对偶平均算法

为解决梯度信息难以获取的分布式在线优化问题,提出了一种基于Bandit反馈的分布式在线对偶平均(DODA-B)算法。首先,该算法对原始梯度信息反馈进行了改进,提出了一种新的梯度估计,即Bandit反馈,利用函数值信息去近似原损失函数的梯度信息,克服了求解复杂函数梯度存在的计算量大等问题。然后,给出了该算法的收敛性分析,结果表明,Regret界的收敛速度为O(T~(max{k,1-k})),其中T是最大迭代次数。最后,利用传感器网络的一个特例进行了数值模拟计算,计算结果表明,所提算法的收敛速度与现有的分布式在线对偶平均(DODA)算法的收敛速度接近。与DODA算法相比,所提出算法的优点在于只考虑了函数值信息,使其更适用于梯度信息获取困难的实际问题。