基于云模型重叠度的相似性度量

云模型相似性是用来度量同类概念不同语言值的多个云之间关联程度的方法,相似云及其度量分析方法的提出是对云模型理论的扩展。针对目前相似性度量方法中时间复杂度过高和结果不稳定等不足,提出了一种基于云模型重叠度的相似性度量算法。首先,根据云模型期望、熵、超熵三个数字特征,定义两个云模型的位置关系和逻辑关系;其次,利用两个云的位置和形状特性,计算得到它们间的重叠度;最后,结合云模型重叠度与相似度的关系,将云模型的相似性度量转化为相应重叠部分的定量化描述。通过对时间序列分类实例的应用,验证了该算法在保证结果稳定度和正确率的前提下,与目前时间消耗较低的云模型相似度计算方法(LICM)相比,计算复杂度降低了50%,表明该算法具有可行性和有效性。     

基于多维相似度的利基产品推荐方法

电子商务平台上的产品销售具有长尾特征,但现有以追求精度为目标的推荐方法难以将处于长尾上的利基产品加入推荐列表。为此,从利基产品视角出发提出一种新的推荐方法。基于用户评分、产品属性和隐特征信息分别计算用户之间的评分相似度、偏好相似度和隐特征相似度,并综合这三种相似度挖掘利基产品高评分用户的相似用户,从而得到利基产品的受众并为其进行推荐。实验结果表明,该方法针对利基产品的推荐转化率远高于概率矩阵分解和协同过滤方法,在解决利基产品推荐问题上更有效。     

云模型与用户聚类的个性化推荐

针对传统推荐系统数据稀疏、相似性计算方法导致共同评分用户少的问题,提出利用云模型定性概念与定量数值转换的优势,研究云模型、用户聚类的个性化推荐改进算法。用户对项目属性评价的偏好,转换为用户对加权综合云模型表示的数字特征的偏好。利用改进的聚类算法,对评分数据、原始用户属性标准化后的信息进行聚类;同时考虑用户兴趣的变化,结合用户之间项目属性评价的综合云模型的相似度、用户对项目评分的聚类、用户属性聚类这三种方法产生的邻居用户的并集进行推荐。理论分析和实验结果表明,提出的改进算法不但解决数据稀疏性带来的共同评分用户少的弊端,即使是在新用户的情况下,仍能获得较低的平均绝对误差和平均平方误差     

采用位平面直方图特征向量的图像检索方法

首先将图像分解为8个位平面,选择前4个重要位平面,求出其灰度码表示,根据每个灰度码位平面的颜色直方图,计算均值、标准偏差、偏斜度、能量、熵;综合这些特征构成名为位平面直方图特征向量的组合特征,进行图像检索。实验中采用Tonimoto相似度量函数计算图像间的相似度。该方法计算速度快,避免了图像量化造成的误检。实验结果显示了该方法的检索性能。     

基于用户属性和评分的协同过滤推荐算法

为解决协同过滤推荐系统数据稀疏和冷启动带来的问题,提出一种相似度计算和评分预测算法。结合用户评分相似度、兴趣倾向相似度和置信度3方面,更充分地利用用户评分信息,使得用户相似度的计算更准确、区分度更高;使用sigmoid函数,实现冷启动状态下用户相似度计算时用户属性和用户评分信息的平滑过渡。在MovieLens真实数据集上进行实验,实验结果表明,该算法可有效提高评分预测的准确性,在一定程度上解决冷启动的问题。     

基于云模型的用户双重聚类推荐算法

协同过滤是一种应用广泛的推荐算法,但存在着效率低和数据稀疏等问题。为解决这些问题,提出了一种改进的聚类推荐算法。该算法引用云模型,先从项目属性和用户属性两方面计算云模型期望、熵和超熵,并考虑到评分时间、评分高低和评分习惯等因素的影响,建立用户兴趣模型;接着,采用基于云模型的修正相似度量方法进行用户兴趣相似度比较,并使用K-means算法进行聚类;最后,利用参与预测人数的比例对公共项目进行推荐结果合并。在MovieLens上的实验结果表明,该算法不仅可以解决效率低和数据稀疏等问题,还提高了推荐的准确性。     

ESSK:一种计算点击流相似度的新方法

用户点击流信息被广泛应用于Web使用信息挖掘中。点击流相似度常用于用户会话分类和聚类。SSK(String Subsequence Kernel)最初被用于计算字符串相似度,后被引入计算点击流相似度,并成为目前常用方法之一。SSK选择两个字符串所有长度为k的子序列生成特征空间。单一k的选择往往存在特征数不足的问题,从而难以获得足够精确的点击流相似度。因此,提出一种新的点击流相似度计算方法ESSK(Extended String Subsequence Ker-nel)。ESSK采用所有子序列生成特征空间以解决SSK存在的问题。同时提出一种高效计算ESSK的算法,以降低计算复杂度。实验表明,ESSK比SSK更精确,比其它方法具有更高的区分度,因此更适合点击流相似度分析和应用。     

一种云模型相似性度量方法北大核心CSCD

针对现有方法存在的区分度不高、运行时间代价过高等问题,提出一种云模型相似性度量方法。首先采用云模型的扩展模型三角云模型作为研究对象,将三角云模型看作对称三角模糊数,根据EW-型距离公式引入指数贴近度概念,并用其表征云模型的距离相似度;然后通过云模型云滴的方差,计算出云模型的形状相似度;最后将云模型的距离与形状相似度综合起来,共同衡量两云模型的相似度。从仿真实验可以看出,该方法有较高的区分度;对Synthetic control chart data数据集进行的分类实验表明,该方法具有较好的分类精度及较小的运行时间代价。     

基于SIFT特征的低区分度点云数据匹配

针对复杂产品测量视角变化较大、存在测量误差的低区分度点云数据匹配问题,从稳健的特征点识别方法入手,提出基于SIFT特征的低区分度点云数据匹配方法.该方法将反映产品外形及其空间关系的点云数据x表示为受空间位置变化的影响较小的低频部分,以及受到物体自身特性影响较大,随空间位置变化较大的高频部分.设计高斯同态滤波器,在频率域中降低低频分量,增强高频分量,提高点云数据的区分度;然后提取点云数据的SIFT特征向量,以欧氏距离作为相似性度量标准进行SIFT特征向量的匹配,获得点云数据的匹配点对;最后采用四元数法估计点云数据匹配参数,计算旋转矩阵和平移矩阵,实现低区分度点云数据匹配.通过某汽车用刹车壳体零件的点云数据匹配实例,验证了文中方法的有效性.     

基于项目和信任的协同过滤推荐算法

为解决冷启动用户的推荐问题,对TrustWalker算法在相似度计算、可能性项目选择和预测评分等方面进行改进,提出一种基于项目和信任的协同过滤推荐算法CoTrustWalker。采用云模型相似度方法计算项目间的相似度,通过选择最相似的若干个项目的聚合结果作为随机游走的返回结果,从而提高推荐结果的稳定性。实验结果表明,CoTrustWalker算法在小规模数据集上与TrustWalker算法相比,其推荐质量和推荐速度均有较大提高。     

基于项目属性和云填充的协同过滤推荐算法

传统协同过滤推荐算法中经常因用户评分矩阵极端稀疏而导致相似性度量方法不准,推荐质量不高,针对这一问题,提出一种基于项目属性和云填充的协同过滤推荐算法。利用云模型对用户评分矩阵进行填充,在填充矩阵基础上,利用传统的相似性计算方法得到项目之间的评分相似性,同时结合项目属性,计算项目的属性相似性,通过加权因子得到项目的最终相似性,从而形成一种新的相似性度量方法。实验结果表明, 提出的算法可有效解决传统方法中由于数据稀疏所导致的相似性度量不准确的问题, 并显著地提高了算法的推荐精度。     

基于云模型熟悉相似度的协同过滤推荐算法

研究了一种新的协同过滤推荐方法。针对推荐算法中相似度存在的不足,提出了兼顾"形状-距离"的云模型综合相似度测算方法;考虑用户之间的兴趣匹配,提出了云模型熟悉相似度的概念;提出了基于云模型熟悉相似度的邻居用户选择方法,进而产生推荐。实验结果表明,本方法提高了推荐准确度。     

基于用户特征属性和云模型的协同过滤推荐算法

随着数据的极端稀疏性,仅仅依赖于传统的协同过滤相似性的度量方法已无法取得精确的推荐结果。针对这一问题,提出基于用户特征属性和云模型的协同过滤算法。首先,算法利用云模型计算用户评分云相似性,结合用户打分偏好对原矩阵进行填充,在此基础上得到用户的评分云相似性;其次,再结合用户特征属性相似性通过加权因子计算用户的最终相似性,得到一种新的相似性度量方法;最后,得到算法的评分预测。实验结果表明,该方法能够提高推荐质量。     

基于云模型和BP神经网络的入侵检测

云模型是进行定性定量转换的有效工具,正态云模型通过期望、熵和超熵构成特定结构发生器,这种特定结构使得正态云模型更具有普遍适用性,更简单、直接地完成了定性与定量之间的相互转换过程.结合 BP 网络局部精确搜索的特性,提出一种基于云模型与 BP 网络的入侵检测方法,将云模型和 BP算法有机结合.通过 KDD99 CUP 数...     

基于项目特征模型的协同过滤推荐算法

提出一种基于项目特征模型的协同过滤推荐算法.首先根据项目特征属性建立项目特征相似模型,在此模型基础上根据特征相似项目和用户评价相似项目,计算项目之间的综合相似度,弥补了以往协同过滤推荐算法在新项目推荐方面的不足.试验结果表明,该方法不但可以有效地改善传统协同过滤算法中新项目的冷启动问题,而且确实提高了推荐系统的推荐精度.     

融合物品信息的社会化推荐算法

大多数社会化推荐算法仅考虑约束用户的特征向量并未限制物品的特征向量对推荐系统性能的影响,针对这一问题,提出了一种融合物品信息的社会化推荐算法。该算法先通过用户与物品的交互图构建物品相似性网络,在此基础上采用随机游走和SkipGram的方法构造出隐性物品相似性网络,再通过图神经网络的方法学习物品隐性相似性网络、社交网络和用户物品交互图,得到用户和物品编码的特征向量,最后在矩阵分解的基础上同时对用户和物品的特征向量做进一步约束,采用迭代更新的方式获取用户和物体最终的特征向量。为验证推荐算法的性能,在FilmTrust、Ciao和Douban数据集上进行实验验证。实验结果表明,所提出的ISGCF算法与经典的推荐算法相比,推荐效果更好,有效地缓解了冷启动问题。     

基于新的空间关系特征的图像检索方法

图像与图像之间没有清晰的空间结构,这样就不能有效利用图像间空间结构上的相关性信息,针对此问题提出一种基于新的空间关系特征的图像检索方法。首先,提取待查询图像在内的全部图像的特征向量。然后,计算特征向量每两个之间的相似性,形成相似性矩阵。将相似性矩阵的列集合作为新特征向量,命名为新的空间关系特征向量,从而将原来的特征向量映射到一个欧氏空间上。最后,在新特征空间上计算相似性,特征向量之间的相似性问题就转化为新的空间关系特征向量之间的相似性问题。在新特征空间上,图像与图像之间的空间结构变得清晰了,有利于图像检索准确度的提高。在Corel数据库上进行实验,所提方法在平均检索查准率、查全率-查准率和可视化评价指标上都优于基于颜色直方图的图像检索方法。结果表明,基于新的空间关系特征的图像检索方法有效利用了图像间空间结构上的相关性信息,具有更好的检索效果。