排序方式: 共有56条查询结果,搜索用时 15 毫秒
41.
针对弹幕视频网站通常不为用户提供评分功能并且使用弹幕池策略以降低存储压力导致的缺少用户评分和无法准确建模用户主题的问题,提出融合主题模型和协同过滤的弹幕视频推荐算法(DRCFT)。首先根据用户行为构造隐式评分矩阵,并得到项目评分相似度;其次建立LDA主体模型,生成项目主题,计算项目主题相似度;再加权生成综合项目相似度,由此结合评分矩阵计算用户—项目预测评分;然后对项目主题相似度矩阵进行sigmoid惩罚,结合用户历史记录得到用户—项目主题相似度;最后将用户—项目主题相似度作为权重,与预测评分相乘,得到最终的预测评分。对比实验表明,该算法能够得到合理的推荐结果,提高推荐的准确性。 相似文献
42.
针对协同过滤算法仅依赖评分矩阵产生预测,推荐准确度不高的问题,提出一种结合时间加权和LDA聚类的混合推荐算法。先构造时间柱模型,根据用户评分及时刻生成时间加权相似度,采用加权平均偏差法生成时间加权的预测评分;再对项目类型进行LDA聚类生成主题项目簇,经过概率转移生成LDA聚类的预测评分;最后通过调节因子确定两种评分的权重系数,从而线性加权生成最终评分。实验结果表明,新算法能够根据具体的近邻数目给出合理的推荐,提高推荐的准确度。 相似文献
43.
垃圾邮件过滤技术及发展 总被引:3,自引:0,他引:3
首先简单介绍垃圾邮件的定义及其来源,其二从多种角度概述垃圾邮件的分类及其研究应用,并较详细介绍行为识别技术,其三指出过滤技术面临的挑战和发展趋势. 相似文献
44.
生产计划的制订是企业生产的重要一环,往往要受到来自企业内外多种因素的影响.生产计划系统是制造执行系统的一个重要组成部分。通过分析生产计划中零部件生产厂家、库存数量、设备生产能力、人员生产能力等约束和限制,从技术上构造了系统相关数据模型,并提出装配生产计划系统数据结构模型的设计方案。 相似文献
45.
本文介绍了一个在FoxBASE+2.00和FoxPro2.5环境下实现的纵向二维表数据全屏幕编辑处理程序的设计技巧.并介绍了程序实现的具体方法。 相似文献
46.
文本挖掘中采用向量空间模型(VSM)来表达文本特征,表现出巨大的维数,从而导致处理过程计算复杂,为此,需要先对文本特征矩阵进行合理的降维处理。隐含语义分析(LSA)、概念索引(CI)、非负矩阵分解(NMF)和随机映射(RP)是几种有效的降维方法,在分析降维空间的含义和计算复杂度后,通过文本聚类实验比较和分析了这几种降维方法的差异,实验表明,这些方法不仅可以对文本特征空间作有效的降维处理,还能在不同程度上凸现文本和词条之间的语义关系,从而提高文本挖掘的效率和准确率。 相似文献
47.
文本聚类中,存在诸如文本特征空间维数巨大、聚类的数目不能事先确定等问题。隐含语义分析方法可以对文本特征空间作降维处理并有效地凸现出文本和词条之间的语义关系;次胜者受罚竞争学习规则可以进行有效的聚类并自动确定适当的聚类数目。将这两种方法结合进行文本聚类可以在一定程度上解决维数和聚类数的问题,实验表明,这种方法能够收到较好的聚类效果,同时,实验还验证了向量余弦距离比欧氏距离方法更适合于文本相似度的计算。 相似文献
48.
针对传统蚁群算法在处理自主式水下机器人AUV(Autonomous Underwater Vehicle)三维路径规划问题时存在初期寻径能力弱、算法收敛速度慢等问题,提出一种融合粒子群与改进蚁群算法的AUV路径规划算法PSO-ACO(Particle Swarm Optimization-improved Ant Colony Optimization)。基于空间分层思想建立三维栅格模型实现水下环境建模;综合考虑路径长度、崎岖性、危险性等因素建立路径评价模型;先使用粒子群算法预搜索路径来优化蚁群算法的初始信息素;再对蚁群算法改进状态转移规则、信息素更新方式并加入奖惩机制实现全局路径规划。实验表明,算法能有效提高初期寻径能力和全局搜索能力,减少收敛迭代次数并缩短搜索使用时间。 相似文献
49.
针对蚁群算法搜索初期收敛速度慢和容易陷入局部最优的问题,对蚁群算法进行改进。在初始化阶段,采用贪心策略构造次优路径并增加该路径上的信息素浓度,实现不同路径上信息素的初始分配,使信息素在搜索初期就能发挥指导性作用,让蚂蚁更快地趋向于最优解的附近;在迭代寻优过程中,引入遗传变异操作,对每次迭代后的最优路径作变异操作,尝试寻找一条更优的路径,并用找到的更优路径自适应调整信息素增量;当算法不可避免地陷入局部最优时,运用信息素回滚策略,根据回滚次数动态调整挥发因子,加强搜索能力,使算法更容易跳出局部最优。仿真实验结果表明,改进算法能有效地加快收敛速度和增强跳出局部最优的能力。 相似文献
50.
针对协同过滤推荐中由于项目和用户间关联因素的相互影响而存在项目偏差和用户偏好的问题,提出一种融合项目偏差与用户偏好的推荐算法。先进行聚类处理,包括LDA主题建模生成项目簇和K-means聚类生成用户簇;再依次根据项目簇和用户簇的约束生成项目偏差分,同时以用户项目评分及项目类型为基础,经过概率转移得到用户偏好分;最后以项目簇内已有评分的均值为基础,对项目偏差分和用户偏好分进行线性加权生成预测评分。对比实验表明,新算法能够根据不同的近邻得到合理的推荐,提高推荐的准确度。 相似文献