下一代密集WLAN网络干扰管理机制

在密集高效无线局域网部署场景中,针对传统802.11协议造成用户公平性差和吞吐量低的问题,提出一种以用户为中心的资源配置方法。该方法通过对用户进行识别分类,以用户为中心配置信道和功率,在保证用户公平性的前提下,最大化网络吞吐量。提出的功率控制机制和用户识别方法可以很简单的应用于现有无线局域网系统中。仿真结果表明,提出的资源配置方法平均提升单位基本服务集吞吐量47.3%,干扰最严重的基本服务集的吞吐量提升190%,每个基本服务集的边缘用户的吞吐量平均提升约74.3%。     

云计算环境中柔性易扩展的信任协商机制研究

提出了一种云计算环境中柔性易扩展的信任协商机制-基于相似信任度的信任协商机制,在该信任协商机制中,直接信任度计算过程中加入了为用户节点提供服务的服务时刻和服务成本等信任因素,间接信任度计算过程中加入了参与评价的云服务节点个数、评价用户节点的服务总量、评价用户节点所给评价的相似度等信任因素,并且详细讨论了这些信任因素的获取和计算方法.     

云制造系统用户认证和服务间协同高效可信安全技术

针对云制造系统不同安全域之间信任关系孤立导致的用户跨域访问重复进行身份认证和云服务跨域协同被拒绝的问题, 设计了一种面向云制造系统的域间互信过程模型, 提出了基于域间互信的用户认证和服务跨域协同高效可信安全优化技术, 实现了用户可信身份跨域传递和云制造服务跨域协同, 并在企业进行了应用验证, 给出了所提方法与传统方式的对比分析。分析结果表明, 提出的高效可信安全技术能够在提升云制造系统认证和服务跨域协同效率的同时不降低现有安全机制的防护强度。     

主动设计知识服务系统中的用户建模研究

主动设计知识服务系统的设计目标渡江是主动为设计者提供准确及时的设计知识服务，从而提高设计效率，用户模型的性能直接影响到整个服务系统的适应性，响应速度和服务的正确率，为了充分利用设计用户行为的纵向和横向关联，本文将模板和机器学习相结合的方法用于设计用户建模，提出了基于模板的用户建模过程模型，对基于机器学习的模型动态更新方法中关键技术以及用户模型的校验和反馈进行了讨论。     

一种基于会话聚类算法的Web使用挖掘方法

Web使用挖掘作为数据挖掘的一个重要任务,有助于了解用户群体的特征,从而为其提供个性化服务.提出了一种基于用户会话聚类的Wei使用挖掘算法.首先,对Web日志预处理采用基于时间窗的用户会话识别方法,提出了一种基于三元组的用户会话表示方法,并在此基础上给出了基于网页语义相似性的会话处理方法,该方法能够在保持用户兴趣不变的情况下有效降低会话维度;其次,提出了一种基于时间及频次的用户会话相似性度量方法;最后,设计了一种两阶段PS-KM会话聚类算法,先用PSO方法进行全局搜索再转入基于K-means方法的局部聚类过程.仿真表明了算法的有效性.     

基于主体的语义Web服务的Petri网模拟方法

语义web上的服务在执行时可以将其视为一个智能主体的行为执行的过程，并且能够通过智能主体管理语义web上的服务。将语义web上存在的主体分为用户主体，媒介主体和服务主体三类。当一个用户主体需要多个不同的web服务来完成其目标时，这些服务将被组装为一个组合服务。对组合服务的动态执行进行准确的模拟和全面的分析是保证用户目标实现的关键问题，利用Petri网的方法对组合语义web服务进行模拟和动态执行分析是关于此问题的一种实用并且有效的方法。     

依据用户知识水平进行提问

为了使咨询专家系统既方便问题领域知识水平较高的用户,又能够对知识水平较低的用户提供清晰、易懂的服务,模仿领域专家与不同知识水平的咨询者的交互过程,本文提出了一种依据用户领域知识水平进行提问的方法。这种方法可以充分利用用户的知识,向用户提问次数最少,大大提高了问题求解速度,降低了对内存空间的要求。文章对该方法进行了定量分析。     

Web日志挖掘技术进展

用户访问Internet时,服务器、客户机日志会记录下大量的用户访问信息。通过挖掘这些日志信息所得到的用户访问模式,在个性化信息服务、改进门户站点设计和服务、开展有针对性的电子商务、构建智能化Web站点、提高网站的声誉和效益等方面都将起到重要的作用。概述了Web挖掘的概念、分类及其主要应用领域,详细介绍了Web日志挖掘的主要方法和用户访问模式挖掘算法及国内外最新研究进展。最后提出了Web用户访问信息挖掘研究的发展方向和趋势。     

一种新的基于正交波束成型的用户反馈和选择方案

在采用有限反馈的下行多天线多用户系统中,提出一种新的基于正交波束成型的用户反馈和选择方案。根据该正交波束成型方法的特点,推导出信道质量信息（channel quality information, CQI）的表达式,给出相应的反馈策略和用户选择方法。仿真结果表明,在实际系统中激活用户数比较少时,该方案的性能优于基于迫零波束成型（zero- forcing beamforming, ZFBF）有限反馈用户选择方案,为多天线多用户系统的应用提供了更好的参考。     

军事信息服务QoS模型及服务选择方法

在对军事信息服务进行分类的基础上,提出了军事信息服务的三维QoS描述模型并基于不同QoS指标的特点研究了相应的服务选择方法,该方法首先基于QoS模型中的可测性指标建立问题求解的数学模型,求解一组满足用户需求的候选服务集合,在此基础上结合具体作战任务采用建模仿真的方法,综合评价服务集合中服务质量的三维QoS指标,进而构建满足用户需求的服务组合过程。通过实例分析和仿真实验证明所提方法的合理性和有效性。     

基于模糊Petri网的个性化运动方案智能生成

为了生成针对不同用户个体的个性化科学运动方案，一个基于模糊Petri网的个性化运动方案智能生成方法被提出。该方法遵循FITT（Frequency-Intensity-Time-Type）原则，依据大规模运动知识构造运动类型、运动时间、运动频率、运动强度模糊Petri网，结合个体的个性化信息，以矩阵运算形式进行智能推理。首先推理生成个性化运动类型，在此基础上进一步推理个性化的运动时间、频率和强度，然后基于个体意愿对不同运动类型的运动方案进行组合，最终形成一套完备且可操作性高的个性化运动方案。     

基于网络浏览行为的小众领域用户画像建模

基于网络浏览行为,研究小众领域的用户画像建模方法.本文提出构造领域文本伪本体的方法,并从用户的网络浏览行为中挖掘用户兴趣,生成了基于领域兴趣的用户画像,随后将构建的用户画像应用于个性化推荐领域,解决了小众领域因用户量少、信息不足而难以精准刻画用户画像的问题.该方法在以下三方面显著不同于其他相关研究工作:1)基于领域文本快速构建领域伪本体,构建基于伪本体的用户画像建模方法;2)采用词向量将网页映射到伪本体,构建画像生成算法;3)基于领域概念间相似度构建画像优化算法.最后,本文使用了交响乐团的售票数据及用户的网络浏览数据,采用多个指标进行实证分析,验证了本文提出的画像建模方法的有效性与合理性.     

信息网络中的信息过滤技术

信息过滤技术针对用户之间不同的兴趣、爱好,为用户提供个性化的信息服务,是连接用户和信息空间的桥梁.描述并讨论了信息过滤系统中的关键技术,主要内容有系统框架、信息空间模型与用户模型、信息过滤算法、信息递送策略以及下一步的工作.     

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.     

基于博弈论的自适应波束成形算法

针对自适应波束成形算法中用户之间的动态相互干扰,提出了一种基于博弈论的自适应波束成形算法,构建了波束成形博弈算法数学模型。该算法将不同用户的发射权值调整描述为一个多用户的博弈过程,通过数学推导论证了基于博弈论的自适应波束成形算法纳什平衡点的存在性和唯一性,设计了收敛的发射权值更新算法。通过仿真实验验证了算法的性能以及讨论了代价因子、可调参数和收敛精度等参数对算法的影响。     

基于情境聚类和用户评级的协同过滤推荐模型

协同过滤是电子商务推荐系统中广泛应用的推荐技术, 但面临着严重的用户评分数据高维化和稀疏性问题. 同时, 传统协同过滤中的相似度度量方法没有考虑用户评分行为对其他用户的影响, 因而对评分预测的精度影响较大. 此外, 在移动环境下, 传统协同过滤未结合情境信息, 导致推荐质量下降. 对此, 提出一种基于情境聚类和用户评级的协同过滤模型. 首先, 根据情境信息对用户进行聚类, 降低用户评分数据维度和稀疏性; 然后, 引入社会网络理论分析用户间关系, 建立用户评级模型用于评价用户推荐能力, 并结合评级指标进行评分预测. 通过MovieLens和NetFlix数据集对基于该模型的SlopeOne算法和其它三种方法的比较验证结果表明: 本模型在所有数据集上都获得了最高的预测精度, 同时还具有最佳的推荐覆盖度, 可显著提高预测精度, 更适用于移动电子商务环境下的个性化推荐问题.     

基于群偏好与用户偏好协同演化的群推荐方法

群推荐系统已经成为社交网络平台的重要工具,为群体用户提供兼顾个性化和整体满意度的产品和服务.现有群推荐方法大多是对个性化推荐方法的集成和聚合,忽略了群体和用户的交互影响以及群偏好和成员偏好的动态变化,从而无法保障群推荐系统的效果.为此,本文提出一种基于群偏好和用户偏好协同演化的群推荐方法,能够建模群体和用户的动态交互.具体而言,本文将用户偏好建模成其历史偏好和群影响的加权聚合结果,将群偏好建模成群历史偏好和新加入成员偏好的加权聚合结果,最终预测群体可能消费的产品列表和成员可能加入的群体列表.实验结果表明,本文所提模型在群体消费行为和用户加群行为的预测表现都优于基准算法,并兼具很好的鲁棒性.     

基于多维特征差异的个性化学习资源推荐方法

协同过滤算法和二进制粒子群算法是目前学习资源推荐领域研究热点.然而,协同过滤算法推荐的学习资源过于随机化,不能满足学习者进行整体知识建构的要求.而基于二进制粒子群算法构建的资源推荐模型,以推荐所有学习者完整的学习资源为目标,且模型数据较难预测,不符合在线智能化学习的趋势.针对以上问题,提出了基于多维特征差异的个性化学习资源推荐算法:首先根据学习者和学习资源多维特征差异建立学习资源推荐模型,并考虑了学习偏好;其次引入协同过滤技术对模型数据进行预测;最后针对推荐模型的多目标优化特征,将协同过滤算法和二进制粒子群算法结合,提出了对惯性权重和种群多样性进行动态协同调整的自适应二进制粒子群算法,实现了个性化学习资源推荐.实验证明,该算法具有较好的准确性,能够满足个性化学习资源推荐的需要.     

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。     

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.