支持向量机优化基于K-means的蚁群聚类算法

基于K-means算法思想改进蚁群聚类算法聚类规则,提出一种新的K-means蚁群聚类算法,并通过实验验证其聚类效果;引入具有全局最优性的支持向量机SVM,取各类中心附近适当数据训练支持向量机,然后利用已获模型对整个数据集进行重新分类,进一步优化聚类结果,使聚类结果达到全局最优。UCI数据集实验结果表明,新的算法可以明显提高聚类质量。     

协同推荐系统检测模型的一种优化方法

研究表明协同推荐技术容易受到攻击。由于现有的检测模型对低填充规模攻击的检测效果不理想,本文结合检测模型特点,改进Pearson相似度计算方法。其思想是,降低共同评分项目对用户相似度程度的影响,从而降低填充规模较小的攻击数据与真实用户之间的相似度。实验结果表明该方法对低填充规模攻击有较好的抗攻击性。