基于情感分析和Word2Vec的图书推荐方法

为能够向广大读者精准推荐所需图书,达到节省搜寻精力和时间的目的,在传统图书推荐方法的基础上,将读者评论中的情感因素考虑在内,提出了一种基于情感分析和Word2Vec的图书推荐方法:抓取豆瓣网上的图书数据,构建专有特征数据集;针对情感词典设计了相应的情感计算规则,利用训练好的Word2Vec模型扩充情感词汇;通过情感词典完成对读者评论的情感分析,并将提取到的情感特征加入特征集内;采用随机森林算法对其进行口碑分类.研究发现,该方法优于基于原始特征集的方法,实验准确率和F值均有一定提升,是向读者实现图书精准推荐的有效途径,具有一定的实用价值和应用前景.     

一种基于层次分析的多维属性混合推荐算法

针对推荐算法的数据稀疏性和冷启动问题,本文基于层次分析法将用户多维属性融入协同过滤推荐算法中,采用非线性拟合方法进行权重分配,混合了基于协同过滤的推荐算法.同时,改进后的算法依据用户评分数量的不同采用不同的推荐策略,实验数据集选用MovieLens公共数据集,根据实验结果来看,本文中主张的混合推荐算法的MAE值比传统推荐算法更小,具有更高的推荐准确率.     

邻域线性最小二乘拟合的推荐支持度模型

针对协同过滤推荐系统在稀疏数据集条件下推荐准确度低的问题,提出了推荐支持度模型以及用于该模型计算的邻域线性最小二乘拟合的推荐支持度评分算法(linear least squares fitting,LLSF)。该模型描述用户对被推荐项目更感兴趣的可能性,通过用高支持度的评分估计取代传统的期望估计法来找出用户更喜欢的项目,从而提高推荐的准确度,并从理论上论述了该算法在稀疏数据集条件下相对其他算法具有更强的抗干扰能力。该模型还易于与其他推荐模型融合,具有很好的可拓展性。实验结果表明:LLSF算法显著提升了推荐的准确性,在MovieLens数据集上,F1分数可达到传统的kNN算法的3倍多,对于越是稀疏的数据集,准确率提升幅度越大,在Book-Crossing数据集上,当稀疏度由91%增加到99%时,F1分数的改进由22%提高到125%。同时该方法不会牺牲推荐覆盖率,可以保证长尾项目的挖掘效果。     

基于室内定位技术的图书馆推荐算法

为解决图书馆推荐系统存在的数据稀疏性问题,帮助读者选择感兴趣的图书,提出基于室内定位的图书馆推荐算法.该算法使用室内定位技术,以书架为定位单元,根据读者在图书馆的活动轨迹,获得读者兴趣偏好,将偏好信息引入基于用户的协同过滤算法,发现兴趣相似读者,进行推荐.实验结果表明,此算法能有效解决图书馆推荐系统中数据稀疏性问题,为读者提供位置相关的个性化图书推荐.     

基于数据过滤Apriori算法的图书推荐模型

可以从读者的图书借阅记录中挖掘有价值的数据,识别读书佦好,提供个性化的图书借阅推荐服务.Apriori算法存在单一用户的单一借阅记录在整体数据集中变成离群点,导致分析时间和内存开销显著增加的问题.通过设定置信度、支持度和过滤度的阈值,对原数据集进行过滤;再使用Apriori算法对新的数据集进行关联规则分析.带有数据过滤...     

基于HMM与张量分解的两阶段个性化推荐模型与应用*

针对个性化推荐系统中用户偏好的进化学习与高维稀疏数据处理的问题。受隐马尔科夫模型(HMM)结构特征启发,提出了一种考虑上下文感知的两阶段用户偏好集推理策略的个性化推荐算法(HHRA算法)。通过对系统历史评分信息的处理,将用户偏好的提取过程抽象为一个HMM模型,来进行第一阶段的用户偏好集学习与推理。然后在此基础上,引入用户的实时上下文信息,构建了一种融入用户实时偏好的张量模型,并基于一种改进的高阶奇异值分解算法来处理高维稀疏的数据集,对模型进行优化求解,生成最优推荐集合。实验设计在3个具有不同特征的真实数据集上将HHRA算法与传统经典推荐算法进行对比分析,结果显示HHRA算法具有较好的适应性和推荐质量。     

基于两阶段计数的用户关联挖掘

基于规则的推荐技术在数据集上挖掘项目关联和用户关联为当前用户做推荐．用户关联挖掘是使用用户关联进行推荐的关键．首先证明在整个数据集上挖掘到的关于当前用户的用户关联集是只在包含当前用户评价的数据集上挖掘到的关于当前用户的用户关联集的子集,提出基于两阶段计数的用户关联挖掘框架,然后应用概念格技术实现了基于两阶段计数的用户关联挖掘算法,并通过实验表明该算法具有更好的性能．     

基于隐马尔科夫模型(HMM)与张量分解的两阶段个性化推荐模型与应用

针对个性化推荐系统中用户偏好的进化学习与高维稀疏数据处理的问题。受隐马尔科夫模型(HMM)结构特征启发,提出了一种考虑上下文感知的两阶段用户偏好集推理策略的个性化推荐算法(HHRA算法)。通过对系统历史评分信息的处理,将用户偏好的提取过程抽象为一个HMM模型,来进行第一阶段的用户偏好集学习与推理。然后在此基础上,引入用户的实时上下文信息,构建了一种融入用户实时偏好的张量模型,并基于一种改进的高阶奇异值分解算法来处理高维稀疏的数据集,对模型进行优化求解,生成最优推荐集合。实验设计在3个具有不同特征的真实数据集上将HHRA算法与传统经典推荐算法进行对比分析,结果显示HHRA算法具有较好的适应性和推荐质量。     

Linked Data数据集的主题模型建立方法

提出了建立Linked Data数据集主题模型的方法.首先,将数据集中的RDF陈述三元组转换成主谓宾结构的语句,从而将Linked Data数据集转化为文本文档;然后,使用LDA算法对所有数据集的文本文档进行主题建模,即可得到每个数据集的主题向量,该向量就是描述数据集内容主题的特征.在Linked Data数据集链接目标推荐问题上,引入数据集的主题特征进行实验.使用数据集主题向量的余弦相似度替换基于记忆的协同过滤推荐算法中的相似度计算模块.结果表明,推荐效果比原始的协同过滤算法有很大提升.     

融合信任传播和混合相似性度量的推荐算法

针对传统推荐算法中存在的冷启动及稀疏性问题,提出一种融合信任传播和混合相似性度量的推荐算法TPHS。首先,在社交网络推荐算法的基础上,融入信任传播机制,计算用户之间的显性和隐性信任度,进一步挖掘用户之间的信任关系;其次,在衡量用户相似性时,采用混合相似性度量,更好地描述用户之间的相似性;最后,综合考虑用户之间的信任关系和相似性关系,采用Top-n方法和相似性阈值法进行预测评分,得出推荐列表。在Epinions数据集和Movielens数据集上的实验结果表明,该文提出的推荐算法在推荐精度和召回率方面具有更好的推荐性能。     

基于数据挖掘算法的电子图书馆智能推荐技术研究

针对电子图书馆的智能推荐服务,提出了一种基于数据挖掘算法的新方法.此方法采用中图分类号索引树计算读者的兴趣倾向程度,采用改进的K-means聚类方法实现兴趣相近的读者聚类,采用改进的Apriori算法实现关联规则挖掘并形成智能推荐建议.此方法在电子图书馆的实际应用中,为读者提供了预期的推荐服务,3个等级的满意度达到了92.8%.     

基于加权数据勘探技术构建图书馆阅读统计与评价体系研究

以读者和图书为勘探目标,利用数据勘探技术挖掘了图书被借阅的内涵规律,通过加权关联规则（The weighted association rules）算法,设计了一个图书馆阅读统计与评价体系,对读者图书借阅进行针对性推荐,提高了读者阅读效率。     

基于改进数据挖掘Apriori算法的软件风险管理分析

因初始项集中的数据特征相关,使关联规则Apriori算法的数据挖掘结果存在误差.为了解决这个问题,结合粗糙集理论(RST),提出一种改进的关联规则数据挖掘算法;然后,将该算法应用到软件工程风险因素和风险缓解因素管理分析中,提出一种新的软件工程适应性结构.仿真结果表明,该改进算法提高了挖掘数据的效率.     

交叉表在市场调查中的应用

针对市场调查收集的分类数据以实现客户定位和交叉销售为目标,以交叉表分析为基础,利用信息论和关联规则分析中的相关理论设计了一套集数据关联性分析和业务规则提取于一体的数据分析方案.并利用该方案完成了从一个实际调查数据中提取有价值业务规则的案例.     

基于有权重超图的离群点检测

基于有权重支持度框架的关联规则挖掘算法和超图分割算法, 给出一种新的基于有权重超图模型的离群点检测算法WHOT(Weighted Hypergraph based Outlier Test). WHOT算法根据有权重支持度的定义, 重新设计了基于有权重支持度框架的关联规则挖掘算法, 并挖掘出数据集中的重要关联规则, 形成超图. 在超图上应用超图分割算法, 得到聚类集合, 再结合项权重和事务权重的定义, 判断一条记录是否为离群数据.     

一种高效关联规则挖掘算法

为了提高关联规则挖掘算法处理数据库的效率,在研究AprioriTid算法的基础上提出一种高效的关联规则挖掘算法AprioriTidD,在计算数据库中的频繁项集时依靠有效的裁剪减少无效项集的产生,并且可减少产生候选项集,从而有效地提高算法的效率.选取程序模拟超市购物产生的3个试验数据集,应用AprioriTidD算法对该...     

一种新的多机动目标跟踪的GMPHD滤波算法

针对多机动目标跟踪的传统数据关联算法约束条件苛刻、估计精度低、计算量大等问题,提出了一种基于随机集理论的非数据关联的多机动目标跟踪算法.该算法将高斯混合概率假设密度(GMPHD)滤波与"当前"统计模型的优点相结合,绕过了棘手的数据关联问题,能高效处理目标数较大的机动跟踪问题.在漏检、虚警、多机动目标交叉杂波复杂环境下进行了仿真实验,结果表明,该算法具有较高的跟踪精度和稳健的跟踪性能.     

改进的关联规则挖掘算法-MIFP-Apriori算法

Apriori算法是关联规则挖掘的经典算法,具有原理简洁、易编程实现等优点,得到广泛应用。针对该算法扫描数据库次数过多,产生大量冗余候选集的缺陷,在现有Apriori算法改进优化思想的基础上,结合矩阵、改进频繁模式树和计算候选集频数优化策略提出了一种改进的关联规则挖掘算法——MIFP-Apriori算法。实验表明,该算法能够将扫描数据库次数降低到一次,有效解决产生大量冗余候选集的缺陷,提高算法效率。     

审计信息系统全覆盖联网数据精准定位方法

针对传统数据定位方法中存在的定位精度较低、时间较长等问题,提出审计信息系统全覆盖联网数据精 准定位方法。采用近邻方法对审计信息系统全覆盖联网数据关联进行分析,引入相关品质函数理论,将传感器 获取的多特征数据转入到关联判决过程,计算关联测度。在此基础上,根据关联测度的计算结果,通过改进的 KCF 算法组建目标跟踪器,利用跟踪器获取目标具体的运行状态,采用数据关联算法得到目标相对应的跟踪集 以及检测集,根据加权融合三特征的跟踪结果,准确获取审计信息系统中各个目标数据的具体位置,实现数据 精准定位。仿真实验结果表明,所提方法能快速准确获取审计信息系统全覆盖联网数据的具体位置。