基于深度学习的正则化矩阵分解推荐系统

针对当前推荐算法面临的冷启动、数据稀疏以及推荐准确度低等问题,本文提出一种基于深度学习的正则化矩阵分解推荐系统,该系统利用深度自动编码器对基于矩阵分解的用户和项目潜在特征进行初始化,然后使用Node2vec网络嵌入技术在用户信任网络中捕获用户潜在特征,用于计算用户信任度和预测用户对项目的评分.为了使用户的兴趣与可信用户和社区中最具影响力的人兴趣相似,本文算法采用Louvain和超链接诱导主题搜索(HITS)方法寻找社交网络中最具影响力的用户节点,以正则化的方式将约束信息添加到矩阵分解的目标函数中.实验结果表明:本文算法明显优于其他对比推荐算法,不仅可以缓解用户的冷启动问题,还提高了推荐质量.     

一种多流形正则化的多视图非负矩阵分解算法

在大数据时代,多视图数据普遍存在.多视图聚类是分析多视图数据的一种常用方法.基于多流形正则化非负矩阵分解的多视图聚类是一种极具竞争力的多视图聚类算法,但该算法没有考虑非负矩阵分解的簇排列问题,并且在实验中没有考虑每个视图的差异性.基于上述问题,提出一种优化的多流形正则化的多视图非负矩阵分解算法.该算法的关键问题包括如何利用多视图信息聚类以及如何融合多流形.对多视图数据聚类时,令所有视图的数据共享一个低维的子矩阵,并且最小化所有视图的加权目标函数,从而体现每个视图对聚类的重要性并确保所有非负矩阵分解的簇排列的一致性.在融合多流形信息时,使用基于多视图谱聚类的权重计算方法,加权寻找一致的流形,从而体现每个视图中流形的重要性.实验结果表明,提出的优化策略可以提高多视图聚类的效果.     

基于自适应邻域和自表示正则的无监督特征选择算法

为了更好地预处理未标记数据,大多数基于图正则的无监督特征选择算法通过构造样本的相似性矩阵来删除冗余信息并选择具有代表性的特征子集.这些方法中的大多数图都是用固定数量的近邻数来初始化,忽略了数据分布不均匀的问题.为了解决这个问题,提出了一种基于自适应邻域和自表示正则的无监督特征选择算法(Adaptive neighbor...     

正则化的精度矩阵估计的解轨迹

精度矩阵在高斯图模型中具有广泛的应用,许多正则化方法用于精度矩阵的估计问题,然而却很少有对其解轨迹的关注。本文主要利用条件数正则化协方差矩阵估计的方法来探索精度矩阵估计的解轨迹,数值模拟结果表明该轨迹算法可以便捷地描绘出精度矩阵估计的解轨迹。     

对称加权算法对数据矩阵补全的优化研究

数据分析中存在数据集矩阵缺失,可用数据矩阵补全缺失数据元素,高效的补全数据矩阵算法可从算法精度等方面优化提升.为此提出对称加权(SW)算法,首先,根据通用的矩阵补全模型,用正则化方法进行低秩矩阵分解补全;其次,对分解后的矩阵因子用共同的对称矩阵加权,得到新的矩阵补全模型和正则化加权函数;最后,结合块坐标下降和交替最小二乘法优化算法,迭代得到目标函数最优解,获得数据补全的最优补全矩阵.仿真结果表明,与APALM,IRSVF和IRNN算法相比,对称加权算法在数据矩阵补全的精度和算法收敛速度方面均有较好提升.     

L_(3/2)正则化图非负矩阵分解算法

基于图正则化非负矩阵分解算法(GNMF),提出一种基于凸光滑的L3/2范数正则化图非负矩阵分解算法.该算法用非负矩阵分解算法对数据进行低维非负分解时,根据流形学习的图框架理论,构建邻接矩阵保持数据局部几何结构,并对数据的低维表示特征进行凸光滑的L3/2范数稀疏性约束,在给出算法更新迭代规则的同时,从理论上证明了所给算法的收敛性.通过人脸数据库ORL、手写体数据库USPS和图像库COIL20的仿真实验表明,相对于非负矩阵分解算法及其基于稀疏表示的改进算法,所给算法均具有更高的聚类精度.     

基于Pyspark平台的协同过滤推荐算法应用与实现

为解决传统的基于矩阵分解协同过滤推荐算法,在大量数据的情况下,单节点计算速度慢以及特征矩阵稀疏问题,充分对大数据时代下的Pyspark大数据处理平台原理及架构进行研究,并对ALS协同过滤算法原理研究与其在Pyspark平台上的实现推荐系统应用.实验结果表明,基于Pyspark平台的ALS算法,通过调节正则化参数为0.01、增加并行化分块计算的块数、减少隐含语义因子的个数,能使推荐算法的RMSE最小,并能更快速精准有效推荐给用户他们感兴趣的商品.     

基于模拟退火粒子群算法的MIT图像重建方法

为了改善逆问题病态性又能提高图像重建质量,提出了一种基于模拟退火粒子群算法的MIT图像重建方法.根据Hessian矩阵的维度,构建了一种Tikhonov和NOSER型混合多参数正则化算法.将模拟退火算法和粒子群算法进行组合,以广义交叉准则构建目标函数,进行正则化多参数寻优.结果表明,所提方法不仅有效克服了MIT重建图像数值解的不稳定性,增强了抗噪性能,而且所获得的重建图像的质量优于Tikhonov正则化和混合正则化算法,为MIT技术应用提供了理论参考.     

一种变尺度UV-的分解算法

C.Lemarechal等提出的UV-分解算法理论,是在UV-空间分解理论的基础上利用Moreau-Yosida正则化定义了迫近点函数的一种算法,用以解决一般凸函数的最优化问题.基于上述算法理论,通过新的Moreau-Yosida正则化来定义变尺度迫近点函数,并使用拟牛顿法中的SR1校正公式对新的迫近点函数中的矩阵进行校正,使算法中的函数在bundle子程序中有更稳定的下降量.     

基于块对角化的最小均方误差矢量预编码

针对多用户多输入多输出下行链路系统的预编码问题,提出使用块对角化处理获得具有块对角化结构的等价信道矩阵,并基于等价信道推导收发信号的均方误差,通过最小化均方误差分别求解扰动矢量的两个部分,即扩展星座图的扰动矢量和残余干扰矢量,从而获得发射端信号和预编码矩阵.仿真表明,提出方法的误码率性能优于传统的对角化算法、块对角化迫零准则矢量预编码算法、正则块对角化预编码算法及其改进算法.     

单细胞RNA-seq数据缺失元素补全算法

基于非负矩阵分解模型, 提出一种新的数据补全算法. 该算法通过循环遍历确定最佳构造矩阵和rank值, 解决了单细胞转录组测序(RNA-seq)数据中存在缺失值的问题,  避免了由于单细胞测序深度不足对细胞分型分析的影响. 在慢性粒细胞白血病单细胞测序数据上的实验结果表明, 由补全算法恢复缺失值后的细胞分型更清晰, 验证了该算法的有效性.     

单细胞RNA-seq数据缺失元素补全算法

基于非负矩阵分解模型, 提出一种新的数据补全算法. 该算法通过循环遍历确定最佳构造矩阵和rank值, 解决了单细胞转录组测序(RNA-seq)数据中存在缺失值的问题,  避免了由于单细胞测序深度不足对细胞分型分析的影响. 在慢性粒细胞白血病单细胞测序数据上的实验结果表明, 由补全算法恢复缺失值后的细胞分型更清晰, 验证了该算法的有效性.     

基于异质矩阵完全的缺失数据恢复混合集成算法

缺失数据广泛存在于现实世界中，它对后续的数据分析有很大的影响，有可能导致结果完全错误。近年来，很多基于压缩传感理论的矩阵完全算法被提出并用于缺失数据恢复，但不同的算法在不同的数据集上产生的结果有很大不同，都有自己的优缺点和适用场景。为此提出一种基于异质矩阵完全算法和最大多样性的集成策略的混合集成学习算法，实验结果表明，此算法在不同的数据集上优于那些单个算法。     

基于低秩矩阵填充的推荐算法

针对已有协同过滤推荐技术中评分矩阵极度稀疏问题,提出了一种基于低秩矩阵填充技术的推荐算法.该算法从贝叶斯框架出发,提出了能够解决低秩矩阵问题的分层高斯先验模型,并将广义近似消息传递算法嵌入到贝叶斯框架,规避了贝叶斯学习过程中烦琐的矩阵逆运算,提升了算法运算速度,同时在广义近似消息传递算法中施加阻尼运算以促进收敛.在开放数据集上的实验结果表明,所提出的算法与相关的矩阵填充推荐算法相比,有效地提高了推荐准确度.     

基于矩阵填充的肿瘤基因表达谱数据缺失点估计

为解决肿瘤基因表达谱数据后续研究需要完整数据矩阵的问题,针对包含缺失点的数据集。提出基于矩阵填充(matrix completion)与模糊C均值(fuzzy c-means algorithm,FCM)相结合的缺失点估计方法(FCM_MC)。该方法充分利用肿瘤基因表达谱数据的冗余信息,通过模糊C均值聚类得到具有良好的低秩特性的基因语义片段,再利用矩阵填充方法分别对每个语义片段进行缺失点的重建。在不同数据集上进行实验,与传统缺失点估计算法比较。实验表明FCM_MC算法在缺失数据估计准确度和类结构保持度上效果得到有效提升,同时运行效率较高。     

部分逆M矩阵的完备式问题

采用图论的方法研究了任意阶非负位置对称的部分矩阵的逆M矩阵最大化完备式问题，给出了相应的算法。利用此算法可以很方便地求出任意阶非负位置对称的部分矩阵的逆M矩阵的最大化完备式。     

云计算环境下移动大数据合理分流方法研究

采用传统方法对移动大数据进行分流时,结果不合理,对不同处理器的分流均衡性较差。为此,提出一种新的移动大数据合理分流方法。给出云计算环境下移动大数据分流平台整体结构,在云计算环境中每个可编程交换机上安装移动大数据分流单元。将移动大数据分流问题转换成求解最优解问题,通过状态反馈实现分流。将优化分解方法与拉格朗日乘法结合在一起完成分布式计算,获取移动大数据在链路上的均衡分流模型。采用交换机分流单元获取云计算环境下网络的分流状态,求出此时收益函数的偏导数,将两者相加获取最终分流结果。对移动大数据分流延迟进行分析。实验结果表明,所提方法能够保证分流均衡性和合理性。     

基于聚类和随机矩阵理论的用电行为刻画方法

针对配网大数据应用背景下难以建立用户用电行为刻画模型的问题,提出一种基于聚类和随机矩阵理论的电力用户用电行为刻画方法.首先利用K-means聚类法对海量用户用电特征数据进行分析,根据不同用电模式对用户进行群体划分.然后基于随机矩阵理论建立用户用电行为分析模型,利用各用户群体的经济数据、气候数据及电力价格数据等辨识与用户群体用电量相关联的因素,实现对电力用户用电行为的刻画.最后通过甘肃省武威市电网实际用电数据验证所提方法的有效性和准确性,为电力精准营销和制定电力需求侧响应策略提供数据支撑.     

大数据分析中基于 MapReduce 的空间权重创建方法研究

大数据空间分析是 Cyber-GIS 的重要方面。如何利用现有的网络基础设施（比如大规模计算集群）对大数据进行并行分布式空间分析仍然是一大难题。为此,提出一种基于 MapReduce 的空间权重创建方法。该方法依托Hadoop 框架组织计算资源,基于 MapReduce 模式从大规模空间数据集中高效创建出空间权重：大空间数据被分为多个数据块,将映射器分布给计算集群中的不同节点,以便在数据中寻找出空间对象的相邻对象,由约简器从不同节点处收集相关结果并生成权重文件。利用 Amazon 公司弹性 MapReduce 的 Hadoop 框架,从人工空间数据中创建基于邻近概念的权重矩阵进行仿真。实验结果表明,该方法的性能优于传统方法,解决了大数据的空间权重创建问题。