CQDs@MIL-125复合光催化剂的制备及其光生载流子传输特性

将碳量子点(CQDs)引入钛基金属有机框架材料MIL-125中,旨在将MOFs的高比表面积、多催化位点的优势与CQDs优异的光学特性有机结合,发生协同效应,以期有效提高催化剂的光吸收效率和催化效率。对复合光催化剂的形貌与结构及光电性能进行了测试表征,系统研究了其在可见光催化降解有机染料的催化性能,探索了CQDs的引入方式对复合催化剂结构与性能的影响。     

拔伸、点压手法配合针灸治疗颈源性头痛30例临床观察

目的:观察拔伸、点压手法配合针灸治疗颈源性头痛的临床疗效。方法:选取颈源性头痛患者60例随机分为两组,其中对照组30例,予针灸治疗;观察组30例,在对照组治疗基础上配合拔伸、点压手法进行治疗。比较两组治疗后临床疗效、疼痛视觉模拟评分、复发率发生情况。结果:观察组有效率为96.67%,明显高于对照组的80.00%(P<0.05);两组治疗后VAS评分均有下降(P<0.05),观察组明显低于对照组(P<0.05);观察组复发率为13.5%,低于对照组的34.6%(P<0.05)。结论:拔伸、点压手法配合针灸治疗颈源性头痛,疗效确切,复发率低。     

限制失真的网格参数化方法

针对当前网格参数化效率较低、映射失真较严重的问题，提出一种限制失真的网格参数化方法。首先，预处理原始网格模型。输入原3D网格模型，采用Half-Edge数据结构来重新组织网格并切割网格模型产生相应的切缝；构建Tutte映射把3D网格映射到一个2D凸多边形域，即构建2D网格模型。然后，进行限制失真的网格参数化计算。将Tutte映射后的2D网格模型作为限制失真计算的初始数据，建立相对于原3D模型网格的失真度量函数；求得该度量函数的最小值点，即为映射后的网格坐标集合；将映射后的网格作为限制失真映射的输入网格，设定迭代终止条件，循环迭代直至迭代结束，得到收敛的最优网格坐标；在计算映射失真度时，针对等距映射失真采用Dirichlet能量函数度量，针对共形映射失真采用尽可能等距（MIPS）能量函数度量；在求解映射失真度量函数的最小值点时采用代理函数法结合组合牛顿法的最优解方法。最终，实现了该方法并开发了一个原型系统。在原型系统中，分别设计了限制等距失真和限制共形失真的网格参数化实验，对程序执行时间和失真能量下降情况进行了统计和对比，提供了相应的纹理映射效果展示。实验数据表明，所提出的方法执行效率高、映射失真能量下降快，最优值收敛质量稳定；纹理映射时纹理着色均匀、布局紧致、线条均匀，符合实际应用的标准。     

融合时间隐语义填充和子群划分的推荐算法

随着个性化推荐技术的发展，推荐系统面临着越来越多的挑战。传统的推荐算法通常存在数据稀疏性和推荐精度低等问题。针对以上问题，提出了一种融合时间隐语义填充和子群划分的推荐算法[K]-TLFM（Time Based Latent Factor Model Integrated with [k]-means）。该算法利用融合时间因素的隐语义模型对原始用户物品评分矩阵缺失项进行填充，避免了用全局平均值或者用户/物品平均值补全矩阵带来的误差，有效缓解了数据稀疏性问题，同时融合时间因素有效地刻画了用户偏好随时间的变化；完成评分矩阵缺失项填充后，基于二分[k]-means聚类算法将偏好、兴趣特征相似的对象划分到同一个子群中，在目标用户所属的子群中基于选定的协同过滤算法为用户产生推荐列表，提高了推荐效率和准确性。在MovieLens和Netflix数据集上对该算法的推荐性能进行了对比实验，结果表明该算法具有更高的推荐精度。     

基于MUI框架乡村旅游APP的设计与实现

针对农村旅游市场需求,研究了基于MUI框架的农村旅游应用程序的设计与实现。重点介绍了基于用户的旅游信息过滤算法,以推荐用户感兴趣的旅游信息,并通过python编程实现。最后,描述了软件实现的全过程。     

地理分层结构与社会关系的兴趣点推荐

随着基于地理位置的社交网络的兴起,兴趣点(POI)推荐引起了人们的许多关注。POI推荐向用户推荐他们可能感兴趣但没有访问过的地方,从而解决用户"下一步去哪"的问题。本文提出新的用户相似性度量、全局影响力以及热门POI的概念。综合考虑了多个影响因素之间的关系,以地理分层结构的矩阵分解模型(HGMF)为基础,提出新的POI推荐算法HGS-MF。在Yelp和Gowalla社交网络数据集上对HGS-MF进行了评估。实验结果表明,HGS-MF方法的实验表现均优于传统的POI推荐算法。     

融合信任和基于概率矩阵分解的推荐算法

针对推荐精度不准确、数据稀疏、恶意推荐的问题，提出融合信任基于概率矩阵分解（PMF）的新推荐模型。首先，通过建立基于信任的协同过滤模型（CFMTS）将改进的信任机制融入到协同过滤推荐算法中。信任值通过全局信任及局部信任计算获得，其中局部信任利用了信任传播机制计算用户的直接信任值和间接信任值得到，全局信任采用信任有向图的方式计算得到。然后，将信任值与评分相似度融合以解决数据稀疏、恶意推荐的问题。同时，将CFMTS融入到PMF模型中以建立新的推荐模型——融合信任基于概率矩阵分解模型（MPMFFT），通过梯度下降算法对用户特征向量和项目特征向量进行计算以产生预测评分值，进一步提高推荐系统的精准度。通过实验将提出的MPMFFT与经典的PMF、社交信息的矩阵分解（SocialMF）、社交信息的推荐（SoRec）、加权社交信息的推荐（RSTE）等模型进行了结果的对比和分析，在公开的真实数据集Epinions上MPMFFT的平均绝对误差（MAE）和均方根误差（RMSE）比最优的RSTE模型分别降低2.9%和1.5%，同时在公开的真实数据集Ciao上MPMFFT的MAE和RMSE比最优的SocialMF模型分别降低1.1%和1.8%，结果证实了模型能在一定程度上解决数据稀疏、恶意推荐问题，有效提高推荐质量。     

基于多特征融合的电影推荐系统

协同过滤算法（CF）根据用户-物品的评分矩阵做推荐，未考虑物品自身属性。本文将MovieLens数据集上的电影属性，作为影响推荐结果的因素，融合电影的简介、评论、评分、导演和演员等多种因素，进行推荐。使用CNN（卷积神经网络）和Word2Vec（Word to Vector,词向量模型）处理电影简介；使用AFINN（Finn rup Nielsen情感词典）处理评论，并对结果进行映射；对导演和演员数据进行建模，得到该因素下的预测评分，最后将各因素下的结果进行加权融合，通过调整权重，得到最佳效果。经验证，该方法的推荐性能优于传统的CF算法。