基于极端梯度提升树算法的图像属性标注

提出基于极端梯度提升树(eXtreme gradient boosting,XGBoost)算法的图像属性标注模型,以改善标注性能：提取图像局部二值模式(local binary patterns,LBP)、灰度纹理空间包络特征(Gist)、尺度不变特征变换(scale invariant feature transform,SIFT)、视觉几何组(visual geometry group,VGG)等特征,以准确刻画图像视觉内容;基于图像特征,采用XGBoost算法集成弱分类器为强分类器,完成图像属性标注;深入挖掘图像属性蕴含的深层语义,构建全新的、层次化的属性表示体系,以贴近人类客观认知;设计迁移学习策略并合理组合分类模型,进一步改善标注性能。试验表明：Gist特征能真实刻画图像视觉内容;执行基础迁移学习后,标注精准度比迁移学习前最优指标提升8.69%;执行混合型迁移学习后,合理组合分类模型,标注精准度比基础迁移学习的最优指标提升17.55%。模型有效地改善图像属性标注精度。     

混合分层抽样与协同过滤的旅游景点推荐模型研究

采用问卷调查与自动抓取相结合的方式,采集用户信息、用户评分等旅游数据,对数据做分层抽样,生成包含用户旅游喜好信息的“智慧旅游”数据集。围绕该数据集,预处理用户评分并执行基于用户聚类的协同过滤算法,以计算目标用户与聚类中心的相似性。结合分层抽样模型生成的旅游喜好信息,输出混合推荐列表。实验结果表明：相比基线,混合分层抽样与协同过滤的推荐模型对评分预测的均方根误差（Root mean square error, RMSE）和平均绝对误差（Mean absolute error,MAE）分别降低11.5%~64.9%和18.8%~47.7%。混合推荐的准确率和召回率相比基线也有较大程度提升,旅游景点推荐效果良好。     

基于用户偏好挖掘生成对抗网络的推荐系统

用户偏好挖掘是推荐系统研究中的关键问题,它对于改善推荐质量具有非常重要的作用。提出用户偏好挖掘生成对抗网络(UPM-GAN),从两个角度深入分析用户隐含偏好:基于三元组损失算法对用户评分矩阵进行处理,挖掘难分负样本,以更好地确立正样本,为准确刻画用户偏好奠定基础;基于奇异值分解(SVD++)算法构建UPM-GAN的生成模型,利用SVD++算法中的偏置信息及隐式参数描述用户隐含偏好,以提高评分预测精度。最后使用最新生成对抗网络(GAN)框架完成推荐系统训练,在MovieLens-100K、MovieLens-1M这两个主流数据集上展开实验仿真。实验表明UPM-GAN的Precision@K、均值平均精度(MAP)等多项指标均优于对比基线,且它还具有收敛速度快、训练过程平稳等优点。基于UPM-GAN的推荐系统具有一定实用价值。