使用轨迹指纹和地点相似性的地点推荐

针对传统的时空轨迹相似性度量算法中存在的计算复杂度高且不适于增量计算的问题,提出了基于相似哈希计算用户时空轨迹相似度的方法,同时使用逆轨迹频率(ITF)度量位置流行度对轨迹相似性的影响,将用户的历史轨迹编码为二进制轨迹指纹,并根据海明距离判断轨迹指纹之间的相似性,使得相似性计算可以在线性时间内完成;此外,改进了地点相似性算法,并将轨迹相似度和地点相似度相结合提出了基于地点和轨迹相似性的地点推荐算法。实验结果表明,本文的推荐方法在准确率、召回率和覆盖率方面能够取得较好的推荐效果,验证了所提方法的有效性。     

一种改进的链路预测好友推荐方法

为从海量用户中筛选出与目标用户相似度最高的用户作为好友进行精确推荐,提出一种链路预测好友推荐算法。通过用户之间的链路关系推荐出与目标用户相似性最高的Top-N个用户;分别计算目标用户与这Top-N个用户之间的标签相似性以及共同好友相似性,并对其分别赋予相应的权值;根据权值计算目标用户与其他用户之间的综合相似度;对综合相似度进行排序,为目标用户推荐出与其相似度最高的用户。以腾讯微博用户推荐为例进行实验,结果表明,该推荐算法的精确率比单一链路预测算法高8%。该算法能在一定程度上提高好友推荐的准确率。     

一种基于模糊信息熵的协同过滤推荐方法

针对评分数据的稀疏性制约协同过滤推荐性能的情况,提出一种新的相似性度量方法。首先,定义了用户的模糊信息熵以反映用户评分偏好的不确定程度;其次,利用两两用户的模糊互信息衡量用户之间的相似程度;最后,同时考虑用户之间的模糊互信息和用户的模糊信息熵,并设计一种基于模糊信息熵的相似性度量方法以计算用户之间的相似性。在两个公开数据集上的试验结果表明:基于模糊信息熵的相似性度量方法能够降低数据稀疏性的影响,并能显著提高推荐系统的推荐性能。     

基于流形排序的社会化推荐方法

提出一种基于流形排序和社会化矩阵分解的推荐方法,采用流形排序方法度量用户间的社会相似度,利用正则化技术构建用于评分矩阵因式分解的目标函数,将用户之间的偏好差异作为目标函数的惩罚项,从而将用户之间的社会相似性融入评分矩阵的低阶矩阵分解过程. 实验结果表明,在大型的数据集上,该方法获得了比当前同类方法更好的推荐精度和更低的评分预测均方根误差/评分预测平均绝对误差（RMSE/MAE）值.     

一种改进相似度的协同过滤算法

传统的相似度计算方法通过评分信息得出用户之间的相关关系,这些方法仅仅从用户评价信息考虑用户之间的相似度,使计算结果过于片面,在稀疏数据集中受较大影响,导致推荐结果的准确性有所降低。针对一般的协同过滤推荐算法中存在的数据稀疏性问题,通过引入用户相似度权重系数,将Pearson相关系数进行加权处理后与Jaccard相似性方法相结合,提出一种新的计算方案,改进算法考虑了用户对共同评分项目所占的比率和用户对项目的评分取值大小,优化了协同过滤算法中相似度量的关键性能。在MovieLens和Book-Crossing两个公共数据集中进行试验,结果表明,改进算法使平均绝对误差值最大程度上降低了5. 2%,从而有效降低稀疏数据集对推荐结果的影响,显著提升了推荐系统的准确度。     

基于树形结构的评论文本相似度计算算法

文本相似度度量对于促进信息处理领域的发展具有重要意义。针对评论文本提出了一种基于树形结构的内容相似性度量方法。该方法利用评论文本的内容组织特征,将其分解为对应树各层之间的相似性度量,从而使得每层相似度的度量对象都为同类型的词语,进而分别采用合适的相似性度量方法,最后再对各层相似度赋予不同的权重,并通过融合树各层的相似度最终得到整体的相似度。在Amazon数据集上的实验结果表明文章方法较之于其它常见度量方法更加有效,准确率更高。     

基于项目语义相似度的协同过滤推荐算法

协同过滤是个性化推荐系统中最广泛使用的推荐技术.在用户评分矩阵极度稀疏情况下,传统的协同过滤推荐算法中用户相似度的计算建立在用户评分项目交集之上,并且没有考虑不同项目之间存在的语义关系,从而导致推荐准确率低.针对上述问题,文章提出一种新的基于项目语义相似度的协同过滤算法(CFSSI,collaborative filtering basedon semantic similarity between Items):首先利用领域本体计算项目之间的相似性,填充评分矩阵缺失值,而后根据修正的余弦相似度计算用户相似性.实验结果表明:算法可以在用户评分数据极端稀疏的情况下,仍能取得较高的推荐质量.     

考虑相似度和可信度的模糊自适应Web服务选择

提出了一种基于模糊方法并考虑用户评价属性(相似度和可信度)的Web选择算法,从web服务质量数据来源角度对服务质量的属性进行了分类和计算.对非功能质量属性,使用模糊控制的度量方法,将非功能属性值转换成0～1之间的实数值.使用反馈相似度和可信度相结合的方法,将最终的推荐权值推荐给用户.该方法的提出有助于提高web服务选择结果的准确性.     

基于用户量化属性的多维相似度的协同过滤推荐算法

针对传统协同过滤推荐算法模型过于粗糙和推荐精度较低的问题,提出了一种新的基于用户量化属性的多维相似度的协同过滤推荐算法.该算法考虑到个别项目对相似度计算的影响,利用最大差值特性进一步描述用户评分相似度,并结合用户量化属性,构建用户兴趣偏好模型,依此阐明了新的相似度计算方法,利用该方法获取目标用户的近邻用户和预测评分,最终实施推荐.实验结果表明该算法可以有效的提高推荐质量.     

数字图书馆中兴趣度推荐算法

个性化推荐技术能够帮助用户更方便地从大量的文本数据中得到感兴趣的文本.数字图书馆中现有的个性化推荐技术都是根据文本相似性为用户推荐感兴趣的文本.该文提出用户对文本的兴趣度的概念,综合考虑了文本之间的相似性、文本的信息量和新颖性3个因素,比相似性能更好地反映用户的兴趣.同时提出基于兴趣度的个性化推荐算法.理论分析和实验结果均表明,基于兴趣度的推荐算法的推荐完全性和准确性比相似性推荐算法和基于图的混合推荐算法均有显著提高.     

基于KL散度的用户相似性协同过滤算法

大多数用户相似性算法在计算用户相似性时只考虑了用户间的共同评分项,而忽略了用户其他评分中可能隐藏的有价值信息.为了准确评估用户间的相似性,提出了一种基于KL散度的用户相似性协同过滤算法.该算法不仅利用了共同评分项,还考虑了其他非共同评分信息的影响.该算法充分利用了用户的所有评分信息,提高了用户相似性度量的可靠性和准确性.实验结果表明,该算法优于当前主流的用户相似性算法,且在没有共同评分信息的条件下,仍能有效地完成用户相似性度量,解决了对共同评分项的完全依赖问题,具有更好的适应性.     

基于监督随机游走的有影响力用户发现算法

基于用户主题偏好的监督随机游走是当前热点研究之一。受微博文本稀疏性的影响,基于微博主题衡量用户影响力的研究较少。为研究某些领域的用户影响力强弱,文章提出一种基于监督随机游走的有影响力用户发现算法(TP-SRW)。通过研究微博用户自身的属性和微博文本的主题特征,构建基于用户交互信息的个体链接关系,并结合代表用户同质性的微博主题兴趣的相似性,构建有向加权网络模型。实验结果分析表明,在不同主题下挖掘高影响力用户,提出的TP-SRW算法和模型具有良好的性能。     

基于NLP技术和相似度计算的智能搜索引擎研究

针对传统的搜索引擎对于自然语言理解方面存在的问题,文章研究了一种新的基于自然语言处理技术和相似度计算的智能搜索引擎的模型.其核心技术是基于自然语言处理的中文分词技术、语义相似度和对立度等理论,将这些概念理论结合起来,从用户习惯的思考角度,结合DotLucene开源全文搜索引擎建立一个智能的搜索引擎.研究表明,该模型在对已经收录的文档有着86.1%的查准率.该智能搜索引擎较好的对查询语句的实现了理解,能够对用户的提问做出正确的回答.     

协同过滤中有影响力近邻的选择

数据稀疏性制约着协同过滤的推荐性能,为此,首先根据用户评分数量定义了用户的影响因子,在计算用户之间的相似性时,增加了影响因子衡量用户关系;其次,根据用户评分质量定义了有影响力用户群体.在此基础上,结合用户的评分数量和评分质量,使选择的有影响力近邻最大程度上作用于推荐过程.实验结果表明,所提方法能显著提高推荐性能.     

一种基于多层语义相似性度量的图像检索方法

图像通常用关键词表示其语义信息,基于关键词的图像检索方式存在因用户理解差异而导致对图像语义理解的歧义问题。文中利用语言学本体WordNet中单词的语义层次,并综合考虑单词之间的同义关系、上下位关系等不同层次的抽象语义信息,通过建立检索词和标注词间的语义关联,统一不同用户对图像语义的理解和描述,再结合单词在不同抽象层次的语义信息计算图像的相似性距离,实现了基于高层语义的图像检索。实验结果表明,上述方法能有效提高图像的检索性能。     

基于直觉模糊集相似度量的多属性决策方法

针对一个特定的由直觉模糊集刻划的决策问题进行研究。基于直觉模糊值的几何意义,提出一种新的直觉模糊值上的相似度量,并基于该度量提出一种直觉模糊集上的多属性决策方法。最后,以实例说明该决策方法的有效性。     

一种改进的新浪微博好友推荐算法

目前新浪微博的好友推荐机制存在一些缺点,通过研究微博社区结构和权威用户对好友推荐的影响,提出了一种改进的基于新浪微博的好友推荐算法。在同一微博社区中,通过查找权威用户,并结合用户之间的兴趣相似度和信任度进行好友推荐,推荐过程中两次计算了用户的兴趣相似度并引入用户间信任度传播模型。选取微博社区中目标用户进行实验的结果表明,权威用户在好友推荐中起了重要作用,提高了好友推荐的效果。同时通过将该算法推荐的好友列表和原新浪微博推荐的好友列表作对比,实验表明该算法具有较好的推荐效果。     

Novel similarity measures for face representation based on local binary pattern

The successful face recognition based on local binary pattern(LBP)relies on the effective extraction of LBP features and the inferring of similarity between the extracted features.In this paper,we focus on the latter and propose two novel similarity measures for the local matching methods and the holistic matching methods respectively.One is Earth Mover’s Distance with Hamming and Lp ground distance(EMD-HammingLp),which is a cross-bin dissimilarity measure for LBP histograms.The other is IMage Hamming Distance(IMHD),which is a dissimilarity measure for the whole LBP images.Experiments on FERET database show that the proposed two similarity measures outperform the state-of-the-art Chi-square similarity measure for extraction of LBP features.