基于人工免疫系统的推荐系统

简要介绍了免疫系统的基本概念,以及人工免疫系统中的独特型网络模型,将其算法思想引入推荐系统中,提出了一种基于人工免疫系统的推荐算法。给出了算法的描述,并对使用该算法前后的结果进行比较。数据实验结果表明,该算法对推荐预测精确度的提高有明显的效果。     

基于人工免疫系统的推荐系统

简要介绍了免疫系统的基本概念，以及人工免疫系统中的独特型网络模型，将其算法思想引入推荐系统中，提出了一种基于人工免疫系统的推荐算法。给出了算法的描述，并对使用该算法前后的结果进行比较。数据实验结果表明，该算法对推荐预测精确度的提高有明显的效果。     

基于独特型人工免疫网络的并行推荐算法的研究

讨论了协同过滤最近邻居用户集缺乏多样性而导致推荐质量降低的问题,提出了并行免疫推荐算法（PINR）,该算法能在保持邻居用户最大多样性的基础上进一步提高算法实时响应速度,实验结果证明了算法的可行性、正确性和并行计算的优势。     

基于Swarm的人工免疫网络算法研究

智能化信息检索是网络时代最重要的应用之一.现有的机器学习理论与方法难以适应网络环境下数据的动态性和用户兴趣的多样性,成为智能化信息检索研究中的一个薄弱环节.本文通过学习和借鉴自然免疫系统的特征和原理,利用Swarm软件平台,设计和实现了一个人工免疫网络算法.该算法建立在对自然免疫系统的现有理解之上,具备自然免疫系统的主要特征,并被成功的应用于解决一个简单的模式识别问题.最后展望了将人工免疫系统这一新的机器学习机制应用到智能化信息检索系统中的前景.     

自适应人工免疫网络在协同过滤推荐中的应用

为解决协同过滤技术中存在的稀疏性、可扩展性问题,提出了一种基于自适应人工免疫网络的协同过滤算法.该算法将协同过滤推荐技术与自适应人工免疫网络相结合,利用人工免疫网络自身的克隆变异机制产生隐式评价来降低数据稀疏性,利用克隆抑制、网络抑制机制减少数据维度来提高可扩展性.实验结果表明,该算法提高了推荐精度,具有一定的实际意义.     

基于自适应人工免疫网络算法的数据挖掘

基于人工免疫网络(Artificial Immune Network:aiNet),提出了一种自适应的人工免疫网络聚类算法。在该算法中,网络抗体间的抑制阀值、抗体的克隆数目、抗体的选择和再选择数目、抗体的变异大小都随网络进化而自适应变化,使最终网络结构更符合原始数据的内在结构,降低了算法对决策者的先验知识的依赖,也提高了算法的泛化能力,很好地解决了算法与问题的相关性。仿真实验结果表明了该算法的有效性和实用性。     

基于人工免疫算法的配电网络重构

提出了一种人工免疫算法，有效地提高了算法的收敛速度，避免了不成熟收敛，将该算法应用于配电网络重构中．取得了较好效果。另外本文提出用支路的开关状态（0或1）作为控制参数，避开了繁琐的编码方法，缩短了编码长度，所有这些都有效地提高了计算效率。     

基于人工免疫网络的盲均衡算法

针对传统常模盲均衡算法存在的收敛到局部极小值点问题,提出一种基于人工免疫网络的盲均衡算法,把均衡器系数向量作为抗体,经过一系列抗体克隆、变异和抑制等操作,搜索到适应度值最高的抗体,即均衡器的最优系数。仿真实验结果表明,该算法是有效的。     

一种基于人工免疫算法的网络入侵检测方法

网络安全问题主要是由互联网缺乏主管性以及自动防守性引起的,促使网络攻击行为极易入侵互联网。为了实现网络入侵检测的高效性,提高入侵检测正确率,笔者提出一种基于人工免疫算法的网络入侵检测算法。该算法通过人工免疫的"自我"和"非自我"识别能力对网络入侵行为进行检测。在Matlab平台上,对KDDCUP99网络入侵数据集进行分析,结果表明运用此算法使得检测正确率得到提高、误报率降低,检测的结果更加可靠,克服了当前网络入侵检测算法的缺陷,是一种有效的网络安全防范工具。     

人工免疫算法及其应用研究

为了有效地解决病态的约束优化问题,提出了一种模拟生物免疫系统自我调节功能的人工免疫算法,介绍了算法的基本步骤,构造了几种人工免疫算子,分析了算法的收敛性.人工免疫算法继承了遗传算法“优胜劣汰”的自我淘汰机制,但新抗体的产生方法比遗传算法中新个体的产生方法灵活得多.在进行抗体选择时若能确保当时的最优抗体可以进入下一代抗体群,则人工免疫算法是全局收敛的.100个城市TSP问题的仿真实例显示人工免疫算法比遗传算法具有更强的全局搜索能力和收敛速度.     

基于免疫算法的个性化推荐系统

针对个性化推荐系统中用户的多个不同需求,提出一种基于免疫算法的求解方法。该算法将要求解的个性化 推荐列表建模成一个最大化推荐准确性和多样性的多目标优化问题,采用基于用户的协同过滤技术对用户进行分类,设计了 适合推荐问题求解的抗体编码方式、克隆、变异算子。仿真实验结果表明,所提算法能够有效求得个性化推荐的最佳解,达到 可以同时为多个用户提供多个不同推荐的需求。     

基于人工智能推荐算法的智能家庭社会服务机制

随着社交网络时代的来临,社交网络的类型逐渐覆盖到不同的用户群体,对不同用户群体进行社交网络需求的潜力挖掘是目前的研究热点.本文研究基于人工智能推荐算法构建家庭社交网络的多级圈层结构,并以此提出家庭和亲属的智能推荐算法,以智能算法和家庭这一特殊群体的社交模式设计由个人信息模块、基本功能模块、家庭信息模块、应用服务模块和开...     

基于注意力门控神经网络的社会化推荐算法

针对社会化推荐算法中存在的推荐准确率不高的问题,提出了一种多头注意力门控神经网络(MAGN)算法.具体来说,采用门控神经网络对输入的用户和用户-朋友对进行融合得到联合嵌入,利用注意力记忆网络来获取不同朋友在不同方面对用户的影响,利用多头注意力来获取在不同方面对用户影响程度偏高的几位朋友.采用门控神经网络将朋友影响和用户...     

基于情境感知的个性化推荐算法

随着互联网的快速发展,只涉及用户和项目的传统个性化推荐已不能满足推荐要求的效率和准确率.因此,情景感知个性化推荐服务引起了广泛关注,成为新的研究热点.本文分析了情境的定义、情景感知个性化推荐模型,并提出了一种基于情境信息降低维度的关联规则推荐模型.最后,以视频网站的web日志为数据源,融合时间情境因素,实现了基于时间情境划分的关联规则推荐算法,并和传统推荐算法进行对比分析,实验证明,情境感知推荐算法具有更高的准确率和召回率.     

基于改进位置社交的近邻知识推荐算法

信息过载是当前各类网络中存在的普遍问题,社交网络中通过推荐算法为用户推荐感兴趣的内容,但该类算法并不适用于学习网络中存在特定逻辑联系的知识点推荐。结合社交网络及LBSN网络中的兴趣点推荐算法,提出了一种面向学习网络相关知识点的改进LBSN推荐算法,通过学习网络中的相似用户计算及知识路径发现,为用户推荐当前学习相关的近邻知识点,并通过实验数据证明了学习网络中加入学习推荐对学习者效率及学习质量提升的效果。     

基于增加相似度系数的加权二部图推荐算法

基于二部图的推荐算法是个性化推荐领域的一个研究热点,其中,如何科学地利用用户的评分资源,在评分数据不全的情况下对目标用户进行准确高效的推荐是研究难点,也因此受到众多学者的关注。因此,提出了一种以单调饱和函数为权,利用目标用户和其他项目共同评分个数相对用户总数均值的正切值作为传统相似度系数的推荐算法;同时,对调整系数后的相似度进行降序排列,利用前K个最近邻居集对目标用户进行推荐。实验结果表明,改进后的算法提高了推荐的准确性,降低了复杂度。     

基于循环时间卷积网络的序列流推荐算法

针对循环神经网络(Recurrent Neural Network,RNN)模型在序列流推荐中只能从宏观上捕捉序列的演变模式,忽略了物品(Item)间内部的微观联系,无法长程建模序列数据的变化规律的问题,提出了多维度序列建模算法循环时间卷积网络(Recurrent Temporal Convolutional Network,RTCN)。首先,将每个物品表示成定长向量,采用多层因果卷积和扩张卷积操作扩大感受野范围,建立序列元素间的长程依赖关系。利用残差连接网络提取不同层次的特征信息,解决反向传播中梯度衰减甚至消失的问题。综合设计时间卷积网络(Temporal Convolutional Network,TCN)提取序列流中前后物品间的局部特征,将物品信息映射到隐藏空间,得到细粒度的特征向量。为进一步建立元素间的宏观联系,将特征向量依次输入门限循环单元(Gated Recurrent Unit,GRU),迭代更新现有隐藏状态并预测下一时刻的输出。RTCN通过时间卷积网络,从输入序列流提取出长时间、多维度、细粒度的局部关联特征;经过门限循环网络,建模序列间的长距离依赖关系,捕捉序列元素的演变模式,并预测下一个出现的物品。利用网站、手机应用和音乐3个不同场景中的数据对模型进行了实验。实验结果显示,RTCN模型在召回率(Recall)和平均排序倒数(MRR)两个指标上比RNN模型高出6%~13%,比传统推荐算法高出9%~59%。通过对比不同的损失函数,模型在交叉熵损失函数下表现最优。此外,由于TCN中的卷积层具有多通道的结构,当数据维度丰富时,该模型对物品和用户的上下文信息具有很强的综合能力。     

基于多示例学习的对象图像推荐算法

用户评分矩阵稀疏问题影响协同过滤的推荐性能。为此,提出一种基于多示例学习的对象图像推荐算法。将分割区域的视觉特征作为图像中的示例,利用多样性密度函数求得最大多样性密度点,使用正负图像内容评价不同用户间的相似性,将其与传统余弦相似性进行组合,从而实现推荐。实验结果表明,该算法提高了推荐性能。