基于标签的协同过滤推荐方法研究

传统基于物品的协同过滤算法由于物品相似度矩阵稀疏,推荐准确率不高.针对这一问题,提出一种基于标签和改进杰卡德系数的协同过滤算法,进行电视节目个性化推荐.首先,爬取相关信息对原始数据进行扩充,并利用统计学方法对时间特征进行归一化处理,计算用户偏好系数;然后,统计出现次数较高的类别作为推荐类别标签,并利用改进的杰卡德系数构造标签相似度矩阵;最后,根据推荐类别标签的用户偏好系数计算节目的推荐系数.实验结果表明,基于标签的协同过滤算法可以降低稀疏矩阵对推荐准确率的影响,相比基于物品的协同过滤算法,准确率提高了5％,召回率提高了3.1％.另外,使用改进的杰卡德系数计算相似度,减少了热门标签对推荐系统的影响,进一步将准确率提高了5％,召回率提高了2.3％.     

基于轻量化GoogLeNet模型的轨道扣件缺陷状态识别

我国是交通大国，并正在向交通强国迈进。轨道维护至关重要，其中扣件的健康状态对于列车的运行安全不容忽视。然而，由于经典卷积神经网络模型的复杂度较高，尤其在识别速度方面无法满足轨道扣件状态识别任务对实时性的要求。鉴于此，设计了一种轻量化GoogLeNet网络模型，在保障模型精度的同时提升模型的推理速度。实验结果表明，轻量化GoogLeNet网络模型的分类精度为92.7%,FPS达到了254.2。相比于VGG16、VGG19和原始的GoogLeNet模型，其识别精度分别提高了21.7、19.5和8.6个百分点，单张图片的推理速度分别减少了3.637 ms、4.824 7 ms和2.943 2 ms。