宽带网上找邻居

俗话说“远亲不近邻”,意在强调邻居的重要性。可是我们今天要谈论的可不是近邻,而是建立在宽带网上的来自Internet的远方“邻居”。软件名称:Internet网上邻居(INN)最新版本:2.0软件大小:439KB软件性质:免费运行环境:Win9x/2000/XP/2003下载地址:http://www.goldlimit.com/cn/index.htm如果您是SOHO一族,需要经常与合作伙伴共享资源;或者您因为有特殊需求而希望与远方的朋友互通有无,那么使用INN无疑是一种很便捷的共享方式。使用该工具可通过P2P方式创建架设在Internet上的工作组,从而实现类似于局域网内的“网上邻居”功能。一、筑巢安家在INN的官方站点下载其安装程序,轻轻松松即可完成安装。由于INN是基于P2P方式运行的,每个“邻居”都要有自己的用户号码来作为自己的标识,因此第一次使用INN的朋友需要先进行注册。在“连接设置”对话框中根据自己所使用的网络类型进行相应设置,因为笔者使用的是ADSL虚拟拨号接入方式,所以只需保持默认的“不通过代理”选项,直接点击“确定”按钮即可。在打开的“注册新用户”对话框中,填写个人资料和设置密码,然后点...     

一种基于自然最近邻的离群检测算法

任何涉及k近邻求解问题的算法被应用于处理不同特征的数据集时,参数k值的选择都会明显影响算法的性能和结果。因而,如何选择k近邻算法中敏感参数k值一直是一个研究难点。提出了一种新的近邻关系———自然最近邻,它不需要设置参数k,每个节点的邻居是由算法自适应计算而形成的。针对离群点检测的特殊性,通过确定自然最近邻居搜索算法的终止条件,提出一种基于自然最近邻的新的离群检测算法ODb3N。实验表明,该算法不仅避免了k近邻中参数的选择问题,而且能够更有效地发现离群簇。     

基于熵优化近邻选择的协同过滤推荐算法

协同过滤推荐系统的近邻选择环节中不仅没有考虑目标项目对用户间相似性计算的影响,而且也未考虑邻居用户对目标用户的推荐贡献能力,导致既降低了相似性计算的准确性,也提高了近邻集合中伪近邻的比例。针对这些问题,提出了一种基于熵优化近邻选择的协同过滤推荐算法。算法首先使用巴氏系数计算项目间相似性,并以此为权重加权计算用户间相似性。其次引入熵描述用户评分分布特性,根据评分分布差异性衡量邻居用户的推荐贡献能力。最后,利用双重准则共同计算推荐权重,并构建近邻集合。实验结果表明该算法能够在不牺牲时间复杂度的条件下准确地选取近邻集合,提升推荐准确度。     

基于标签优化的协同过滤推荐算法

传统基于用户的协同过滤推荐算法在计算用户之间的相似度时只考虑了用户的评分,而忽略了不同项目之间的差异。针对传统方法在数据稀疏情况下表现不理想的缺点,提出了结合项目标签信息针对每个目标项为用户选择邻居的协同过滤推荐算法。算法首先基于用户评分矩阵确定最初的近邻,为每个目标项计算目标用户的邻居;当对目标项目评分的近邻数量极小或没有时,则考虑增加由标签信息拓展的近邻;最后根据近邻为目标项目预测评分。实验结果表明,该算法提高了相似性计算的准确性,有效地缓解了用户评分数据稀疏的问题,并提高了预测的准确性。     

融合用户自然最近邻的协同过滤推荐算法

现有的基于近邻的协同过滤推荐方法如基于KNN、基于K-means的协同过滤推荐常用来预测用户评分,但该方法确定邻居个数K非常困难且推荐准确率不高,难以达到理想推荐效果。从选择邻居用户这一角度出发,提出一种融合用户自然最近邻的协同过滤推荐算法（Collaborative Filtering recommendation integrating user-centric Natural Nearest Neighbor,CF3N）,该算法首先自适应地寻找目标用户的自然最近邻居集,再融合目标用户的自然最近邻居集与活动近邻用户集,使用融合后得到的邻居集合预测目标用户评分。实验使用了MovieLens数据集,以RMSE和MAE为评测标准,比较CF3N、CF-KNN与INS-CF算法,结果显示在电影领域该算法的推荐准确率有显著提高。     

一步一步避域网中找“邻居”

在管理局域网时，常常会发现“网上邻居”窗口中，只有自己计算机的“身影”，而“邻居”主机的“身影”怎么也找不着！面对这种网络现象，你该如何快速应对呢？相信看了本文下面的内容，你就能很快找到“邻居”主机了。     

多维数据的完整性验证方法

为解决在边缘计算环境下多维数据的完整性验证问题,提出一种基于数据间邻居关系的完整性验证方法。该方法通过寻找数据项在多维空间各个象限的最佳近邻建立数据项间的邻居关系。经过加密的数据项和其邻居关系能够保证结果集的数据完整性。实验证明了该方法在多维数据完整性应用中的有效性。     

OHQFS:一种非结构化P2P网络中数据查询搜索新策略

为了提高非结构化P2P网络中数据查询搜索的效率,提出一种新型的一跳查询与转发数据搜索新策略（OHQFS）,它是以非结构化P2P网络中的数据查询请求转发策略和非转发策略为基础,将它们整合、集成后得到的一种新策略.OHQFS策略中的查询源结点直接搜索其自身的所有邻居节点,并将查询请求转发给这些邻居节点,使得这些邻居节点再去搜索它们的相邻节点.该策略在数据查询搜索过程中无须维持一个很大的邻居节点信息集合,系统维护开销较小,通过本策略中固有的一步查询转发,使其邻居节点和邻居的邻居节点处于查询搜索范围内.网络仿真的实验结果表明,OHQFS策略相对于转发搜索策略而言,它提高了查询效率;而相对于非转发策略,它获得了较高的成功率.     

精彩电视寻下来

笔者比较钟情于在P2P网络电视中观看体育和文艺直播，无奈的是由于工作关系常常错过了精彩的节目。因为P2P网络电视特殊的播放方式，我们很难获取真实下载地址来下载电视节目。不过现在好了，有了“P2P TV记示器”，P2P网络电视的录制下载变得十分简单。[编者按]     

一种结合共同邻居和用户评分信息的相似度算法

随着互联网的发展,推荐系统逐步得到广泛应用,协同过滤(CF)是其中运用得最早.最成功的技术之一.CF首先根据用户间的相似度,找出每个用户的近邻;然后根据目标用户近邻的评分预测目标用户的评分;最后把预测评分较高的项目推荐给目标用户.因此相似度计算方法直接关系到预测结果的准确性,对推荐起着至关重要的作用.目前,学者们已从不同的角度提出了各种各样的相似度计算方法,其中共同邻居算法(common-neighbors)是一种简单有效的方法.但此法仅考虑了两用户间的共同邻居数,忽略了用户的具体评分信息.针对这个问题对共同邻居算法进行了改进,同时考虑了共同邻居数和用户的评分信息.实验结果表明,改进的共同邻居算法在一定程度上可提高评分预测的准确性.     

预订节目的网络电视台将随P2P技术的成熟应运而生

电视的播放方式正在悄悄酝酿一场巨大的革命。随着P2P技术的成熟，在无线电视、有线电视、卫星电视、IPTV之后，一个以“预订电视节目”方式进行电视播放的新媒体已经诞生，并日益成长起来。     

谁识图片真面目 揭穿缩略图背后的秘密

有些图片在XP系统任意目录下用缩略图方式查看居然和利用看图工具打开的图不相同，因此故弄玄虚者“忽悠”：只要我稍做手脚，谁还能再用缩略图查看方式识得图片真面目？其实，这并不神秘!下面，笔者为你解开缩略图背后的秘密并手把手教你如何“忽悠”别人。[编者按]     

基于神经网络的k—近邻分类器

设计了一个神经网络结构来执行著名的ｋ－近邻分类器。神经网络的并行计算大大减少了传统ｋ－近邻分类器的特点同样可以继承，三种减少ｋ－近邻分类器结点的修改规则同样可包含在神经网络的学习算法中，另外，本网络采用的ｋ－Ｍａｘｉｍｕｍ子网具有比“赢者独吞”更好的性质。     

PSDV:一种无结构P2P网络的邻居选择策略

提出一种无结构环境下简单有效的节点间位置的比较方法,以DV（时延统计向量）作为节点在网络中位置的标识和比较peer间位置相近性的依据。给出基于此的节点邻居选择策略PSDV,保证节点的邻居在物理位置上与其是相近的。试验表明本策略能有效缩短节点与邻居间的时延,减少响应时间,证明本策略的合理性和高效性。     

基于蚁群算法的非结构化P2P网络资源搜索策略

针对非结构化P2P网络资源搜索算法中冗余消息数过多、搜索效率低等问题,提出一种基于蚁群算法的非结构化P2P网络资源搜索策略,该策略利用蚂蚁信息素的正反馈原理,同时综合考虑邻居节点度和邻居-邻居节点信息,选择下一条邻居节点路径转发查询消息,有效地指导资源搜索路径的生成。实验结果表明,该算法在一定程度上减少了大量的冗余查询消息,提高了资源搜索的成功率,是一种有效的非结构化P2P网络资源搜索策略。     

一种基于局部近邻Slope One协同过滤推荐算法

经典的Slope One算法采用线性回归模型对目标项目进行预测评分,但在项目评分偏差表构建过程中产生了部分噪声数据,影响了算法的推荐性能。为了解决该问题,建立了一种基于局部近邻Slope One协同过滤推荐算法。算法计算了当前活跃用户针对不同推荐商品的近邻用户集,其邻居用户集根据目标项目的不同而动态变化;根据活跃用户关于不同目标项目的邻居用户数据来进一步优化项目之间的平均偏差,进而产生推荐。对比实验说明,该算法在MovieLens数据集上具有较高推荐精度。     

用户属性加权活跃近邻的协同过滤算法*

针对现有的基于kNN近邻协同过滤技术,在选择最近邻居时过于依赖评分相似度的问题,提出了一种用户属性加权活跃近邻的协同过滤算法。首先,通过引入用户特征属性并融合最小权重相似度,根据所得的最终相似度生成目标用户的kNN近邻集。然后,从对目标项目已有反馈信息的用户中生成目标项目的活跃用户子群体,并筛选出kNN近邻集中的活跃用户子群体作为目标用户的活跃近邻集,最终产生评分预测。在公开数据集上的实验结果表明,该算法能有效的提高推荐算法的推荐准确度,具有更好的稳定性。     

基于Hebbian一致性学习的P2P推荐算法

借鉴社会网络的概念,构建了一个基于信任权值的P2P(peer-to-peer)推荐网络,其中每个对等体作为一个用户代理负责维护其在推荐网络中的信任邻居关系。在此基础上,提出了一种基于Hebbian一致性学习的信任权重学习算法,并且基于相似用户发现机制、信任权重学习规则、潜在邻居调整策略等来自适应地调整用户与邻居用户的信任权重。实验数据证明该算法具有较高的推荐效率、社区构建效率和良好的可扩展性。     

动态环境中连续K近邻查询的边界线方法

通过观察可以发现连续七近邻查询中KNN发生改变的必要条件是第k个邻居发生变化,因此不需要监测所有k近邻,只需要监测第k个邻居即可.该方法采用边界线来监测第k个邻居的变化,不过这需要将原始空间转变为时间-距离(TD)空间后进行操作.在TD空间中每一个对象用一个时间函数来表示,通过监测当前第七个邻居的前视矩形区域来构造边界线.实验结果表明,边界线算法在七非常大的时候是最有效的.     

一种有效的非结构化P2P网络资源搜索策略

针对非结构化P2P网络资源搜索算法中冗余消息数过多、搜索效率低等问题,提出了一种基于邻居-邻居节点的非结构化P2P网络资源搜索策略,该策略可以在一定程度上防止路由环路的产生,同时综合考虑邻居节点的活跃度和资源命中数,选择下一条邻居节点路径转发查询消息,将查询信息发往目标可能存在的区域,因此减少了发往网络的查询信息包数量,节省了网络带宽.实验结果表明,该算法可以减少大量的冗余查询信息,提高资源搜索的成功率,是一种有效的非结构化P2P网络资源搜索策略.