LBSN中基于聚类的二分图网络推荐算法

兴趣点推荐是基于位置的社交网络(Location Based Social Network,LBSN)的重要服务,近年来关于兴趣点推荐的算法深受学者关注,然而由于多方面的原因,许多推荐算法仍存在一些不足。该文提出的是在用户聚类的基础上利用二分图网络进行推荐的算法。实验表明,该算法取得了比较良好的推荐效果。     

结合评分和信任的协同推荐算法

针对现有基于信任的推荐系统虽能缓解冷启动和虚假评价但较难获取用户之间的信任关系,难以建立用户彼此之间的偏好关系的问题,提出了基于评分-信任协同的推荐算法并给出了相关数学表达式和实现流程。该算法充分利用推荐系统中的共同评分,协同用户间的信任关系,有策略地选择用户评分的相似度和用户间信任值,建立用户之间的偏好关系,进而实现推荐。随着共同评分数目下限值的增加带来推荐准确度提高的同时将造成覆盖率的下降,因而关键是选取合适的下限值。实验结果表明,这种混合推荐的方法相比传统协作推荐方法与信任推荐方法,在精度损失极小的情况下,较大地提升了覆盖率。评分覆盖率指标分别提高了3%和32.1%,用户覆盖率指标分别提高了8.2%和15.1%,从而获得了精度与覆盖率的良好平衡。     

面向LBSN的k-medoids聚类算法

常用的聚类算法存在诸多不足,为此提出了一种基于初始半径r的k-medoids改进算法,主要针对LBSN中的位置数据进行聚类,改善初始聚类中心敏感对聚类结果的影响,其本质是基于密度聚类,不同之处在于k值的选取是依赖于半径r.通过大量真实签到数据集进行实验,结果显示本文算法聚类结果更稳定.本文算法在基于位置的社交网络应用中获得更好的聚类效果和更快的收敛速度.实验中将距离平方和作为准则函数进行对比,相对于传统k-medoids算法优势明显,对退化的k-medoids算法也能够缩小1.2%到2%.     

结合情景和协同过滤的移动推荐算法

针对移动个性化推荐问题,通过将用户的情景信息引入到协同过滤推荐过程,提出一种结合情景和协同过滤的移动推荐算法。该算法首先通过情景相似度的计算来获得用户当前情景的近似情景集;并对"用户-项目-情景"三维模型采用情景预过滤方法进行降维,得到传统协同过滤"用户-项目"二维模型,然后结合Slope one算法进行项目的偏好预测和推荐。实验表明,该算法与传统协同过滤、Slope one算法相比,具有更高的推荐精确度。     

基于拓扑结构的分水岭算法

从拓扑学的理论出发,重新解释并定义分水岭的相关定义,并在原有的分水岭算法的基础上提出了一种新的分水岭算法.该算法针对纽扣型拓扑结构定义阻碍点,在离散的地貌图中尽可能大地反映连续状态下地貌的拓扑结构.从全局拓扑结构的性质出发,修正了基于Tie-Zone的分水岭算法的初始种子点,使得算法结果不受初始种子点的影响.实验结果表...     

结合用户行为信息和信任传递的推荐算法

通过用户行为信息并结合信任传递推断用户隐式信任关系,提出了基于矩阵分解的PTtrustSVD算法,并在Filmtrust数据集上进行了实验.结果表明,加入隐式信任关系优于仅使用显式信任关系的推荐方法,证明了隐式信任关系对于改进推荐系统性能的有效性.     

结合相似度量和反馈调节的推荐算法

基于信任的推荐算法将社交网络中的信任关系融入到推荐中,但数据的稀疏性迫使基于信任的方法要去考虑间接邻居,有限相似的邻居带来的长尾噪音问题降低了推荐准确度;目前已有的算法都假设用户的评分数据完全客观真实,而忽略了异常评分的存在。为了解决上述问题,文章提出新的用户相似度量方法筛选用户的信任邻居,并通过一次预测结果反馈检测并修正评分数据中的异常评分,然后进行二次预测。在真实的大规模数据集Epinions上进行实验,结果表明相比于传统的基于物品的协同过滤算法,该算法在RMSE上提高了6.0%,在MAE上提高了12.4%,说明该算法能有效缓解数据稀疏带来的上述问题,并提高预测精度。     

桁架结构拓扑优化设计的模拟退火算法

研究了平面桁架结构拓扑优化设计的模拟退火算法．构造了一个双重控制Ｍｅｔｒｏｐｏｌｉｓ准则处理应力约束,提出了一个基于力平衡的启发式准则,以实现优化过程中单元的自动增删．算例表明,该方法能够克服桁架结构拓扑优化中因存在非凸星形可行域而造成的拓扑优化求解困难．     

结合时间上下文和兴趣模型协同过滤推荐算法

针对传统协同过滤UserCF推荐算法,用户相似度计算数据维度单一、精确率低、用户兴趣动态漂移等问题,提出一种结合时间上下文和用户兴趣动态衰减模型的协同过滤推荐算法.在传统协同过滤算法中结合时间上下文优化用户相似度的计算,引入用户收敛兴趣衰减模型,动态评估用户兴趣变化.算法通过MovieLends-1M数据集进行实验验证,按照F_β值、准确率、召回率与传统UserCF、UserCF-IIF算法进行对比分析.实验结果表明：本文算法精确率最高可达25.6%、召回率最高可达12.2%,相比UserCF、UserCF-IIF算法,在F_β值方面本文算法具有明显提升.     

前馈神经网络权值和拓扑结构的一个学习算法

从三层前馈神经网络作为样本分类器时隐结点常常起着聚类作用的想法出发，提出一种在权值学习过程中调整网络拓扑结构的学习算法．实验结果表明，该法能在网络的权值学习过程中比较有效地选择网络的拓扑结构，同时又具有较快的学习收敛速度     

结合站点拓扑结构的页面视图分析

在介绍用途数据挖掘预处理过程的基础上，结合站点的拓扑结构，详细分析了页面视图的识别过程，给出了站点结构的形式化表述和页面视图识别的算法，为Web用途挖掘找到了合适的挖掘粒度。最后总结了结构数据对用途挖掘的作用。     

复杂拓扑结构的树木枝干重建算法

具有复杂拓扑结构的树木枝干重建问题是国内外研究的一个热点和难点.本文提出了一种有效且鲁棒的树木枝干重建算法.首先在原始树木点云上建立基于黎曼流形的Delaunay邻域关系,然后将所有顶点当作位置约束加Laplace方程,再迭代地解Laplace方程将点云收缩到我们预想的程度,然后利用聚类和连接算法得到一个初步的树木枝干,最后再通过修复得到最终的树木枝干.本文的算法在对含笑树和樱花树上进行了验证,实验结果表明该算法有很好的重建效果.     

约束阻尼结构拓扑优化设计的进化算法

约束阻尼结构的阻尼材料优化布局是约束阻尼结构振动控制设计中的关键问题,它直接影响到振动能量耗散与全局能量流分布。在约束阻尼结构设计中引入拓扑优化渐进优化算法,以约束阻尼胞单元为设计变量,建立以模态阻尼比为目标函数,约束阻尼材料用量为约束条件的拓扑优化模型。分析结构模态阻尼比相对于阻尼胞单元位置的敏度,导出灵敏度计算表达式。提出基于渐进优化算法的优化准则,通过逐步删除利用率低的材料,使目标模态阻尼比达到最大化,给出了数值计算的例子,理论计算结果验证了拓扑优化方法的正确性和有效性。     

离散变量桁架结构拓扑优化的杂交算法

为了加快遗传算法的进化过程,提出了遗传算法和拟满应力算法相结合的杂交算法,并将它应用于离散变量桁架结构的拓扑优化问题·在对桁架结构受力分析的基础上,提出一种启发式方法对随机生成的拓扑结构形式作必要修正,以快速产生符合机动性要求的拓扑结构形式·利用遗传算法进行桁架结构拓扑优化,用拟满应力算法进行截面优化,并将截面优化的结果传递给遗传算法作为拓扑优化中遗传操作的根据,这样大大减少单纯用遗传算法进行优化的解空间,从而加快搜索进程·算例的结果表明,该方法用于桁架结构拓扑优化是简单、快速和有效的·     

蛋白质拓扑结构Alignment与相似性打分的算法

蛋白质结构分类是当今“后基因组”研究的热点,是探索蛋白质折叠／功能关系的有效方法。创立一种新型的分类体系就意味着对复杂的蛋白质的有了进一步的理解。本文基于蛋白质域的拓扑结构,将拓扑量化,以Ａｌｉｇｎｍｅｎｔ矩阵方法对结构域进行比较,并按拓扑结构相似性对任意２个蛋白质进行打分。上述算法已经实现了程序化。依此算法可将一组蛋白质进行新的分类,并可望将结构分类与生物功能的关系进行分析。     

蛋白质拓扑结构Alignment与相似性打分的算法

蛋白质结构分类是当今“后基因组”研究的热点 ,是探索蛋白质折叠 /功能关系的有效方法 .创立一种新型的分类体系就意味着对复杂的蛋白质结构的有了进一步的理解 .本文基于蛋白质结构域的拓扑结构 ,将拓扑量化 ,以Alignment矩阵方法对结构域进行比较 ,并按拓扑结构相似性对任意 2个蛋白质进行打分 .上述算法已经实现了程序化 .依此算法可将一组蛋白质进行新的分类 ,并可望将结构分类与生物功能的关系进行分析 .     

MANET中基于位置和拓扑信息的混合路由算法

在移动Ad Hoc网络(MANET)中,基于拓扑的路由协议所建立的路由会发生断链,经常要进行路由维护;而基于位置的路由算法不需建立和维护路由,但是它必须要有位置服务来获得目的节点的位置信息.为此,文中提出了一种基于位置和拓扑信息的混合路由算法,该算法利用链路的建立过程来获得部分节点的位置信息,不需要专门的位置服务.当所建立的链路断开时,如果有目的节点的位置信息,则源节点可以用基于位置的策略来直接发送数据包.仿真实验结果表明,该算法减少了路由维护的次数,不仅降低了路由开销,而且提高了路由的性能.     

一种改进的结合标签和评分的协同过滤推荐算法

推荐系统由于其数据量庞大的原因,已经成为大数据领域研究的一个热点.而协同过滤算法是推荐系统中最著名的算法之一.传统协同过滤算法在利用评分矩阵进行推荐时,面临数据稀疏性问题,从而严重影响推荐的质量.同时,推荐系统中存在大量的描述用户和产品属性特征的标签信息,把这些标签信息融入到传统的推荐算法中是解决稀疏性的一个有效方法.因此,针对稀疏性问题,本文提出了一种结合标签和评分的协同过滤推荐算法.该算法结合标签信息和评分数据共同计算用户之间或产品之间的相似性,进而为用户产生推荐.实验结果表明,本文提出的算法可以有效解决数据稀疏性问题,同时可以提高推荐系统的准确性.     

结合用户评论与评分信息的推荐算法

为了提高推荐系统为用户推荐新产品的准确率,挖掘出每位顾客的隐藏喜好以及每个产品的性能十分关键。基于用户反馈技术经常被用于发现产品的潜在特性和用户维度,本文提出了一种将用户评分中的潜在因子和评论中的潜在主题相结合的推荐模型。该模型通过对评论文本进行分析从而实现更精确的评分预测,特别适用于对新产品和新用户的评分预测。通过在公开数据集上的验证实验,证明了该模型较传统推荐系统在性能上有显著提升。     

结合项目类别信息的协同过滤推荐算法

针对个性化推荐系统中协同过滤算法面临的数据稀疏问题以及用户相似性度量的不准确,提出了一种结合类别信息的协同过滤推荐算法。该算法利用用户评分数据计算用户之间对类别关注的相似性,并将用户对类别关注的相似性和用户评分相似性进行组合,得到用户综合相似性,从而提高了最近邻居搜索的准确度,缓解了数据稀疏性问题。实验结果表明,该方法能够有效地避免传统相似性度量方法存在的问题,使得数据稀疏性对最终推荐结果的负面影响变小,在一定程度上提高系统的推荐精度。