因子分解机算法在基于深度数据包检测的手机应用推荐中的应用

为了从网络数据包中抽取相关特征进行手机应用推荐,使用江苏电信运营商在互联网服务提供商(ISP)机房抽取的网络深度数据包数据,从中抽取运营商所关心的热点手机用户的App访问信息,然后使用基于矩阵分解(包括奇异值分解(SVD)和非负矩阵分解(NMF))的推荐算法、奇异值分解推荐算法以及因子分解机推荐算法进行手机App推荐。实验表明,因子分解机算法取得了较好的推荐效果。这说明因子分解机在手机应用推荐的场景中可以更好地描述用户和物品之间的隐含关联。     

基于手机传感器的智能防盗与用户认证

本文提出一种新的智能手机防盗方案:根据用户掏手机动作过程中手机传感器产生的数据,使用DTW(动态时间规整算法)作为分类算法,然后用Boosting算法进一步提升分类的准确性.该方案不仅可以实时智能防盗,而且还可以进行用户认证.实验结果表明,该方案能达到令人满意的准确率.     

社交、游戏、广告谁是未来？

Facebook、Twitter、MySpace,这些耳熟能详的名字是否会对智能手机领域产生影响呢?iPhone手机上社交应用的火爆、微软推出的Kin手机,似乎都预示着,智能手机领域的争夺已经从App Store、本地搜索,逐渐转移到社交网络。社交网络对实时性的要求给了智能手机发挥的广阔空间,其优势在于随时查看好友的状态和最新消息。     

基于Android的高校招生查询应用设计

随着使用智能手机访问互联网用户比例的增多,而高校又没有设计适合手机访问的WAP类型的招生网站,为满足用户随时随地查询招生信息的需求,提出设计基于Android的招生查询App。该App设计具有友好的用户界面,采用KSOAP技术完成手机端和服务器端的数据交互。     

手机用户网络行为预测方法研究

传统离线方法对手机网络耗电量进行的优化不能准确判断用户网络消耗状态,对用户正常使用手机带来很大影响,针对这个问题,本文提出了基于用户习惯的网络行为在线预测方法。该方法分析用户使用网络的历史数据,建立对用户使用网络行为进行在线预测的数学模型,使用0-1背包算法求该模型的最优解,预测用户使用网络情况。并在此基础上对最优解进行模糊处理,以增强预测方案的适应能力。实验结果表明,所设计的方法能够有效预测手机用户网络的使用状态,为基于用户习惯的手机网络节电研究奠定了坚实的理论基础。     

BYOD时代,企业如何应对?

根据一项调查显示,随着移动互联网持续深入,中国手机网民规模已达到4.5亿,其中智能手机用户则为3.8亿。智能手机不仅在生活中发挥功效,而且在工作环境中的使用量也大为增加。智能设备大量在移动办公中发挥作用,自然对企业业务产生了深刻影响。     

利用iTools找出长久未用的App

笔者喜欢在iPhone智能手机安装安装各种各样的App,其中有一大部分App属于临时体验或头脑发热所安装,之后却又忘记及时卸载,这些App既占据了手机有限的存储空间。时间久了,连自己都忘记了哪些App是很少使用或是根本用不上的,现在我们就用iTools找出那些长久未用的App。
　　将iPhone与计算机进行连接,打开iTools,在首页切换到“一键优化”选项卡,片刻后系统便会完成扫描（如图）,我们可以在“很少使用的APP”列表下查看那些使用频率比较低的A p p,接下来我们便勾选使用率较低的App后,让iTools会批量卸载勾选的App。     

结合概率矩阵分解的混合型推荐算法

针对社交网络推荐系统中存在的数据稀疏、冷启动等问题,提出了一种结合特征传递和概率矩阵分解（TPMF）的社交网络混合型推荐算法。以概率矩阵因式分解（PMF）方法作为推荐框架,不仅考虑了用户信任网络,还结合推荐项目之间的关联关系、用户项目评分矩阵和自适应权重来权衡个人潜在特征和社交潜在特征对用户的影响程度。将社交网络中用户间的信任特征传递引入推荐系统中作为推荐的有效依据。实验结果表明,与基于用户的协同过滤（UBCF）、TidalTrust、PMF和SoRec算法相比,TPMF的平均绝对误差（MAE）直接相减后降低了4.1%到20.8%,均方根误差（RMSE）降低了3.3%到18.5%。在冷启动问题中,与上述四种算法相比,TPMF的平均绝对误差相减后降低了1.6%到14.7%,均方根误差降低了约1.2%到9.7%,能有效缓解冷启动问题,提高算法的鲁棒性。     

云计算环境下手机情景模式智能化学习模型及算法研究

提出云计算环境下手机的情景模式智能化学习模型和一系列的实现算法.在云计算环境下,用户可以定制情景模式智能化服务,从而实现根据用户的时间、地点等信息自动设置手机情景模式.在云中利用社会网络中用户的信息及其相应的情景模式作为训练集合,采用基于关联分类挖掘的规则学习算法学习得到一系列的情景模式规则;利用社会网络中用户之间的社会性和相似性,选择用户相关的规则并将其推荐给定制服务的用户使用;用户可以读取和编辑自己的规则并反馈到云中,利用增量改进策略进一步提高情景模式规则的精确度.实验证明,该模型具有较好的精确性和可行性.     

融合双注意力与深度神经网络的遥感图像配准北大核心

在多视角遥感图像配准中,部分方法在复杂场景下存在配准精度不高或实时性低等问题,针对以上不足,提出融合双注意力机制的网络中网络作为特征提取器的端到端图像配准算法。算法分为特征提取、特征匹配和参数预测三部分,首先使用网络中网络改进模型对于复杂特征的提取能力,同时引入双注意力机制提升对特征的分辨和定位效果;然后在特征匹配层使用双向的相关运算改善特征匹配精度,匹配层输出的匹配图输入参数预测网络,预测从待配准图像到参考图像的变换参数。实验表明,与传统算法对比,配准精度平均提升10%以上,速度至少提升20%,所提方法有效提升了多视角遥感图像配准的效果。