基于关联规则的电子商务推荐系统研究

电子商务网站可以使用推荐系统分析客户的消费偏好,向每个客户具有针对性地推荐商品．推荐系统在帮助了客户的同时也提高了顾客对商务活动的满意度．本文首先对基于关联规则的推荐系统的相关知识进行了讨论,提出基于项目支持度的关联规则推荐算法,并通过实验验证该算法的可行性．在此基础上对基于关联规则推荐系统的结构进行了研究．     

KNN-GWD推荐模型及其应用

为解决传统推荐存在精准性差的问题，构建了一个融合K-最近邻算法（K-nearest neighbor，KNN）、图神经网络（graph neural network，GNN）和深度宽度（Wide&Deep）网络的推荐模型。融入KNN分类方法对数据进行噪声过滤，以提高数据质量；利用GNN提取用户会话图的节点嵌入表示，基于注意力机制加权用户全局特征以捕获用户短期兴趣；调用Wide&Deep以解决稀疏数据时的模型过度泛化问题。为了验证模型的有效性，分别在MovieLens-1M、Bing-News、Book-Crossing数据集与6种传统推荐方法进行对比实验，结果表明所提模型的各项评价指标更佳。为了进一步验证该模型在实际应用领域中的可行性，面向农业领域搭建了农业一体管理App化肥推荐系统，得到推荐结果的准确率为0.721，曲线下面积为0.784，满足了预期的应用需求。     

基于CNN-RSC组合优化算法语音情感分析与研究

提出一种基于深度学习的文本情感分析方法,将整个卷积神经网络的模型作为一种自动学习器,对输入词语的预表达特征进行学习,引入深度学习领域的递归自编码作为输出层情感分类器,实现语义情感信息的深度提取.设置实验对比卷积神经网络和递归自编码模型的参数,找出了实验过程的最佳参数组合,实验对比了CNN、RSC、CNN-RSC三种不同的算法.实验结果表明:基于CNN-RSC的组合优化算法在对文本情感特征的自动学习上有着较好的效果,在准确度和训练时间以及分类性能上均优于其他两种算法.     

一个求简单图中所有Hamilton回路的算法

从Hamilton回路的定义和图的邻接矩阵的定义入手，建立了图中的初级通路的关联关系．利用长度为k的初级通路及其关联关系逐步求长度为k＋1的初级通路及其关联关系的方法，求得图的所有Hamilton回路．通过理论分析，说明该算法比已有的求图的所有的Hamilton回路的算法降低了算法的复杂度，为求解Hamilton回路问题提供了新思路．     

基于图神经网络和随机森林的CircRNA-疾病预测

环状RNA(CircRNA)广泛参与人类疾病的进程,其突变和失调与许多人类疾病密切相关．因此,建立一个高效准确的CircRNA与疾病之间的预测算法对于提前对疾病的发生做出预防以及发病后的治疗方案具有重要意义．提出了一种新的基于图神经网络和随机森林的算法预测CircRNA-疾病关联算法,在分层网络表示嵌入部分通过构建异构网络,根据网络图的邻近性,对网络图的节点和边缘进行分层,递归地合并原始图中的节点和边,得到若干具有相似特征的较小子网络．子网络规模随着分层的深入而递减,直至得到最小子网络后,使用node2vec网络图游走算法对其进行预处理,然后将全部节点的特征向量输入至随机森林分类器来识别潜在的CircRNA-疾病关联,从而进行预测．     

一种基于四叉树划分的改进ORB算法

原ORB （oriented FAST and rotated BRIEF）算法提取的图像特征点经常出现“扎堆重叠”现象，其分布较为密集且缺乏尺度不变性，因而容易造成图像特征点误匹配的问题。为了解决该问题，提出了一种基于四叉树划分的图像特征点提取算法。首先对图像建立尺度金字塔，然后使用四叉树划分图像并限制划分深度。用加速分段测试的特征（features fromaccelerated segment test，FAST）算法通过多个检测阈值对划分后的图像进行特征点检测。检测完毕后，根据划分出的子块总数和提取的特征点总数对划分出来的各个子块设置自适应阈值，提取ORB特征点。操作完成后通过采取非极大值抑制的方法筛选最佳特征点，并使用改良后的二元鲁棒独立基本特征（binary robust independent elementary features，BRIEF）算法计算得出特征点的描述符，最后进行特征点匹配。实验结果表明，本文算法提取的图像特征点较原ORB算法提取的效果在均匀程度上得到了明显地提升，冗余重叠的特征点数量减少，且在特征点提取速度方面较原ORB算法的提取速度提高了30%以上。     

基于深度卷积神经网络的遥感图像超分辨率重建

针对基于卷积神经网络(Convolutional Neural Network,CNN)的遥感图像超分辨率重建算法训练时间较长问题,提出了一种超深的卷积神经网络来重建遥感低分辨率图像的方法。卷积神经网络共有20层,每层包含卷积层和非线性层,层与层之间采用级联的网络结构。其过程为从插值的低分辨率图像(Interpolated Low Resolution Image,ILR)中提取特征,将提取出来的特征通过残差学习预测到高频信息,ILR结合预测的高频信息重建出高分辨率图像(High-resolution Images,HR)。在训练过程中,通过梯度裁剪来防止梯度爆破,使训练保持平稳。实验表明,本文算法与其他算法相比较,主观视觉明显改善,客观评价指标显著提升。     

基于FastICA和卷积神经网络的脑电信号分类算法

为了改善传统脑电信号分类时间长、精度不够准确且分类难度较大的问题,利用脑电传感器(Mind Wave传感器)及Real Term软件从串口抓取数据获取脑电波TGAM数据包,并对采集的脑电信号数据进行分解计算处理,得到各个波段数据,使用基于负熵的独立分量分析的固定点算法(FastICA)提取脑电信号特征,并用深度学习分类算法对脑电信号进行分类。传统机器学习算法不能准确分类复杂的脑电信号,运用卷积神经网络(Convolutional Neural Network,CNN)提取数据进行训练,构建分类器,实现了对脑电信号更高效更准确的分类。实验结果表明,与Fisher线性判别、BP神经网络、朴素贝叶斯相比,此算法可以更准确地区分是否清醒的状态,对脑电信号分类的研究具有重大意义。     

基于3D-CNN的高光谱遥感图像分类算法

现有的三维卷积神经网络(Three-dimensional convolutional neural network, 3D-CNN)模型常有参数过多和特征提取不全面的情况，并且对样本标签有限问题的处理存在不足。针对样本标签有限的问题，采用生成式对抗网络模型对原始数据进行数据增强，解决了个别样本标签少导致分类模型出现过拟合的现象；针对3D-CNN网络提取特征不全面的问题，所设计高效的3D-CNN网络模型，在网络中加入纹理信息增强模型，使网络能更好地提取图像的空谱特征。实验表明，算法在小样本数据情况下比原始网络分类精度更高，能自适应提取高光谱图像的空谱联合特征。     

基于概率回归模型和K-最近邻的电子商务个性化推荐方案

针对电子商务中个性化推荐问题,提出一种基于概率回归模型和K-最近邻的电子商务个性化推荐方案.实验结果表明,该方案能够准确为客户推荐所需的商品.     

基于CF面向对象的电子商务推荐系统

在关联规则、协同过滤的基础上提出了面向对象的推荐系统.根据客户特点进行分类,采取不同模式挖掘算法,提出面向对象的协同过滤算法,为客户提供个性化的服务,从而提高电子商务推荐系统的推荐质量.通过设计实验,对算法质量进行度量和分析.     

一种多模特征融合的方面信息情感分类方法

在方面信息情感分类中针对使用循环神经网络编码长距离文本的信息丢失问题,以及使用注意力机制提取情感信息时倾向于关注高频信息偏置问题,提出一种多模特征融合的方面信息情感分类方法,区分单点、多点以及局部三类不同表达模式的情感信息,通过对三类情感信息有侧重的关注、提取与融合,实现各类特征间相互确认与纠错,降低信息丢失与关注偏置问题,达到增强复杂情感表达模式下的方面信息情感分类能力的目的。实验结果表明,使用所提出的方法对三类情感信息进行提取与融合,可以使方面信息情感分类任务在准确率和F1值指标上得到进一步提升。     

人眼视觉注意机制用于伪装效果评价

为客观、准确、便捷地评价目标的伪装效果,利用人眼视觉注意机制建立了伪装效果评价模型.提取输入图像的亮度和朝向特征,融合色差分布图,得到相应的特征显著图.根据竞争机制和禁止返同机制,计算出注意焦点.基于BP神经网络建立了视觉焦点转移特性与目标发现概率的对应关系模型,从而准确地量化目标伪装效果.实验中选用44幅南方林地型图像进行BP神经网络训练和有效性检验,结果表明,该模型能够有效评价目标的伪装效果,并具有可操作性强、量化准确的优点.     

基于社团主题的领域相关推荐算法

传统的协同过滤方法假设相似的用户有着相似的偏好,然而在不同的消费领域用户往往表现出不同的特征.此外,由于用户评价矩阵的稀疏性,使得相似用户的寻找极为困难.针对上述问题,该文提出了基于社团主题的领域相关推荐算法.首先,提出了一种包含社会网络,用户对商品的评价记录和项的分类三类信息的推荐框架.然后,分别提出了专家指导的主题模型和社会网络约束的主题模型.最后,对这两种模型进行综合,提出了统一推荐模型.实验表明,该文提出的方法具有较好的预测准确性,其性能明显优于其他相关算法.     

基于LSTM-DNN模型的入侵检测方法

针对基于深度神经网络模型的入侵检测方法存在的梯度减弱或消失问题，提出了一种LSTM(Long-Short Term Memory，长短时记忆)神经网络改进的DNN(Deep Neural Networks，深度神经网络)模型．该模型主要包括LSTM神经网络和DNN2部分，LSTM神经网络通过记忆或遗忘进行数据流量特征提取，然后将其输入DNN进行训练、入侵检测．模型中采用优化算法，加快了网络收敛．实验表明，与LSTM模型相比，LSTM-DNN模型具有较好的性能，准确率更高，运行时间更短．     

基于关联规则的超市购物个性化推荐研究

【目的】优化因消费者需求改变而受到局限的传统方法。【方法】通过收集沃尔玛超市两个时段9 835名顾客的消费数据，使用Apriori算法对数据进行挖掘和分析，得到3种推荐方法，分别为按商品销售排名推荐最畅销的前N件商品、根据Apriori算法挖掘出的关联规则进行商品捆绑销售、根据定义的强关联规则推荐系数来推荐商品。【结果】在运行程序后，发现后两种推荐方式挖掘出的关联规则商品不完全相同，且对相同关联规则商品的推荐度不同。【结论】推荐策略的实施将提高超市商品的销售量，有助于满足顾客的个性化需求。     

融合双聚类技术的新型协同过滤算法

针对传统协同过滤算法因未考虑用户与项目之间的对偶性而产生的数据稀疏问题,提出一种基于双聚类技术和Top-n推荐技术的新型协同过滤算法:通过同时对行之间和列之间进行聚类,可以对用户和项目之间的相似性进行辨识,从而确定二者的分组信息;利用Top-n算法快速、精确地搜索出最佳的服务推荐.为了验证所提方法的有效性,在网络服务数据集上进行了相关实验.实验结果表明提出的方法能够在存在稀疏数据的情况下为用户提供有效的推荐,提高网络服务推荐的搜索精确性,提升CPU的有效利用率,并大幅度增强了算法的鲁棒性.     

基于特征提取的调制识别方法研究

基于特征提取的调制识别是通过分析信号在时域、频域或其他变换域的差异来提取信号的特征并对信号进行识别分类.针对调制信号载有信息的特点,从信号的瞬变信息、缓变信息以及提取方式等方面对特征提取方法进行研究,并对一些经典的信号特征以及基于时频分析的特征进行了分析,最后研究了两种分类器(神经网络和基于支持向量机)在基于特征提取的调制识别领域的应用.     

基于Faster R-CNN的铝型材表面缺陷识别研究

传统铝型材目标检测算法的准确率较低,严重影响铝型材的美观和质量。本文在Faster R-CNN网络的基础上,用ResNeXt105(残差网络)代替原始VGG16(经典卷积神经网络)提取图像特征,设计了Cascade Faster R-CNN的网络结构,采用FPN(特征金字塔网络)提取多尺度特征图并进行特征图融合。实验结果表明,在2722张图像测试集上,Faster R-CNN模型准确率为62.7%,本网络模型测试准确率达到81.4%,提高了18.7%。故相比于其他网络模型,本文的Faster R-CNN模型具有更强的特征提取能力和泛化能力,为类似小目标检测提高了技术参考。     

HOG结合随机森林的新型手势识别框架

针对现有手势识别方法在复杂环境中识别率较低的问题,提出了一种HOG与随机森林结合的新型手势识别框架.首先对输入视频进行帧差分处理,使用n帧累积差分来确定具有最大强度的区域.通过识别感兴趣区域(ROI)来提取动作信息.然后提取梯度方向直方图(HOG)作为特征.最后将提取的特征反馈到基于随机森林的分类器以用于手势识别.使用Jochen Triesch静态手势库作为提出算法的评测标准.实验结果表明,提出的新型手势识别框架取得了良好的识别精度.