排序方式: 共有58条查询结果,搜索用时 15 毫秒
51.
从高维、稀疏的用户评分数据中构建用户偏好模型,存在迭代计算复杂度高、中间结果规模大和难以实现有效推理等问题。为此,提出一种基于深度信念网(DBN)和贝叶斯网(BN)的用户偏好建模方法。采用DBN对评分数据进行分类,用隐变量表示不能直接观测到的用户偏好,利用含隐变量的BN描述评分数据中蕴含的相关属性间的依赖关系及其不确定性。在MovieLens和大众点评数据集上的实验结果表明,该方法能够有效描述评分数据中与用户偏好相关的各属性间的依赖关系,其精确率和执行效率均高于隐变量模型。 相似文献
52.
53.
本文通过对国内外医疗信息服务平台的调查研究,针对现有产品的缺点和不足,结合新的软件支持系统和人机工程学原理,进行了研究设计,从而使医院的智能信息互动系统更为人性化. 相似文献
54.
电子商务应用中产生了大量用户评分数据,而这些数据中富含了用户观点和偏好信息,为了能够从这些数据中准确地推断出用户偏好,提出一种面向评分数据中用户偏好发现的隐变量模型(即含隐变量的贝叶斯网)构建和推理的方法。首先,针对评分数据的稀疏性,使用带偏置的矩阵分解(BMF)模型对其进行填补;其次,用隐变量表示用户偏好,给出了基于互信息(MI)、最大半团和期望最大化(EM)算法的隐变量模型构建方法;最后,给出了基于Gibbs采样的隐变量模型概率推理和用户偏好发现方法。实验结果表明,与协同过滤的方法相比,该方法能有效地描述评分数据中相关属性之间的依赖关系及其不确定性,从而能够更准确地推断出用户偏好。 相似文献
55.
针对大规模社交网络及其用户发布消息的历史数据,如何快速有效地选取具有较强信息传播能力的关键用户,提出了一种关键用户选取方法。首先,利用社交网络的结构信息,构建以用户为节点的有向图,利用用户发布消息的历史数据,基于Spark计算框架,定量计算由用户活跃度、转发交互度和信息量占比刻画的权重,从而构建社交网络的有向带权图模型;然后,借鉴PageRank算法,建立用户信息传播能力的度量机制,给出基于Spark的大规模社交网络中用户信息传播能力的计算方法;进而,给出基于Spark的d-距选取算法,通过多次迭代,使得所选取的不同关键用户的信息传播范围尽量少地重叠。建立在新浪微博数据上的实验结果表明,所提方法具有高效性、可行性和可扩展性,对于控制不良突发信息传播、社交网络舆情监控具有一定的支撑作用。 相似文献
56.
委托权益证明(Delegate Proof of Stake, DPoS)通过投票选择见证人节点出块,实现了交易的快速认证,但其仍存在选择得到的见证人节点无法满足多数投票节点意愿、投票结果易被恶意节点操纵的问题,影响了DPoS的公平性与安全性.为此,本文将投票节点偏好的一致性作为选择见证人节点的指标,提出一种基于Kendall tau距离的DPoS记账权分配方法-DPoSKD (DPoS with Kendall tau distance).方法首先考虑到投票节点偏好不完整的问题,通过扩展Kendall tau距离定义以衡量不完整偏好间的一致性程度,然后将记账权分配过程建模为一个寻找与所有投票节点偏好一致性最大化的Top-k候选节点排列最优化问题,最后通过遗传算法来求解该优化问题,得到的Top-k候选节点作为见证人节点负责出块.实验结果表明通过该方法选择的见证人节点符合多数投票节点的意愿,提高了DPoS的公平性.同时,该方法具备更强的抗操纵性能,提升了DPoS的安全性. 相似文献
57.
在线服务群体选择能够在多人社交活动中提供适合群体的活动方案.在线服务群体选择中,如不考虑用户的服务属性偏好,则难以对未体验服务的偏好进行推理,导致对未体验服务的预测偏好与用户真实偏好存在差异,使得聚合个体用户偏好得到的群体选择结果难以真实反映群体对服务的偏好.为此,提出一种利用属性条件偏好推理的在线服务群体选择方法.首先根据用户对服务属性的偏好建立条件偏好表和属性之间的依赖关系;然后根据条件偏好网络(Condition Preference networks, CP-nets)的性质推理偏好导出图,偏好导出图的拓扑排序对应用户对服务属性值组合的偏好关系,得到个体用户的服务选择结果;最后使用社会选择函数Ranked Pairs对个体用户的服务选择结果进行聚合,得到群体的服务选择结果.通过实验验证了该方法的合理性和有效性.实验结果表明方法得到的群体结果与个体用户选择结果的平均nDCG(Normalized Discounted Cumulative Gain)比对比方法分别高11.4%、2.2%和11.1%,方法还满足多数准则、孔多赛性、抗操纵性等性质. 相似文献
58.
为了有效发现实体间隐含的关联关系并对其进行量化,以全面准确地进行知识图谱(KG)链接预测,提出基于概率推理KG链接预测方法。该方法以描述实体间隐含关联关系并度量链接存在的可能性为目标,基于AMIE算法挖掘KG中的规则并将其转换为Horn子句,进一步构建描述不同实体依赖关系的规则链接贝叶斯网(RLBN),将KG的链接预测任务转换为RLBN的概率推理任务来计算实体间的关联度,从而预测实体间的链接关系。实验结果表明,基于RLBN的KG链接预测精确率和召回率优于其他方法,验证了所提模型的有效性与高效性。 相似文献