一种基于因子图的搜索广告转化预测模型

基于转化的广告方式在应用和研究中逐渐得到重视,采用该方式的搜索广告在广告排序时需要对候选广告的转化概率进行预测,以提高广告的转化率,优化搜索引擎的广告收益。该文在对搜索广告中影响转化的各特征进行提取与分析的基础上,提出了描述广告、查询、用户三个因素与转化事件关系的概率因子图模型,并基于该模型对广告转化进行预测。最后我们使用从某商业搜索引擎采集的实际数据对预测模型进行评价并与朴素贝叶斯方法进行对比,实验结果表明,三类因素对转化具有不同程度的影响,我们提出的因子图模型可以较好地预测广告的转化。     

基于网页查询结果的广告查询扩展研究

在计算广告学中,为用户查询返回相关的广告一直是研究的热点。然而用户的查询一般比较简短,广告的表示也局限在简短的创意和一些竞价词上,返回符合用户查询意图的广告十分困难。为了解决这个问题,该文提出利用多特征融合的方法进行广告查询扩展,先将查询输入到搜索引擎中,获得Top-k网页查询结果,将它们作为获取扩展词的外部资源,由于采用一般的特征选取方法获取扩展词采用的特征比较单一,缺乏语义信息,容易产生主题漂移现象,该文通过计算扩展词和查询词在网页查询结果中的共现度,并融合传统的TF特征和词性信息,获得与原始查询语义相关的扩展词。在真实的广告语料上的实验结果显示,基于多特征融合的选择广告扩展词的方法能有效地提高返回广告的相关性。     

搜索引擎广告中广告商状态建模

搜索引擎广告是目前互联网上一种非常成功的商业模式,它已成为搜索引擎公司的主要收入来源并为广告商们提供了许多商机.搜索引擎、广告商和搜索用户构成了搜索引擎广告的3个主要组成部分——搜索引擎提供技术和服务、广告商提供广告内容、用户浏览并点击广告.其中搜索引擎相关技术以及用户行为都有比较多的研究和成型的技术,但对广告商尤其是广告商状态的研究却并不多见.基于此背景,对搜索引擎广告中广告商的状态进行了深入的研究.在方法上按照广告商相关广告的展示次数、点击次数以及广告费用来对其潜在状态进行描述和划分,并使用隐Markov模型对广告商的时序状态进行建模.重点在于将机器学习和数据挖掘的方法应用于广告商的建模之中,并取得了不错的预测正确率.     

基于用户日志挖掘的搜索引擎广告效果分析

随着搜索引擎市场的飞速发展,竞价排名广告以其有效、低风险、灵活等特点逐渐受到中小企业用户的青睐,成为搜索引擎稳定的收益增长点。然而竞价排名广告是否会影响用户体验,从而削弱其宣传效果并且影响用户对于搜索引擎的忠实度成为了企业及搜索引擎所担忧的问题。该文从网络用户日志中挖掘出网络用户对于广告的实际交互行为,并给出了各大搜索引擎竞价排名广告方面的统计数据。对于企业用户如何更有效地利用竞价排名广告以及搜索引擎如何平衡广告的经济效益和用户体验之间的关系都有较高的指导意义。     

求解函数优化问题的改进布谷鸟搜索算法

在工程优化中,大多问题是连续优化问题,即函数优化问题。针对布谷鸟算法求解函数优化问题时存在的收敛速度慢、求解精度不高和易陷入局部最优等问题,文中提出非线性惯性权重对数递减和随机调整发现概率的布谷鸟搜索算法(Cuc-koo Search Algorithm with Logarithmic Decline of Nonlinear Inertial Weights and Random Adjustment Discovery Probability,DWCS)。首先,在布谷鸟寻窝的路径和位置更新公式中,设计一种随进化迭代次数非线性递减的惯性权重来改进鸟巢位置的更新方式,以协调布谷鸟算法的探索和开发能力;其次,引入随机调整发现概率代替固定值发现概率,使较大和较小的发现概率随机出现,从而有利于平衡算法的全局探索和局部开发能力,加快算法收敛速度,增加种群多样性;最后,分析对数递减参数和随机调整发现概率,选取对数递减最佳参数组合和随机调整发现概率的最佳取值范围,此时,函数的优化效果最好。与BA,CS,PSO,ICS算法相比,所提算法极大地提高了寻优精度,显著地减少了迭代次数,有效地提高了收敛速度和鲁棒性。在16个测试函数中,DWCS均能收敛到全局最优解,证明了DWCS在求解连续复杂函数优化问题上具有较强的竞争力。     

元搜索中成员搜索引擎的选择问题研究

随着网络的普及,网上检索成为了人们获取信息的主要方式。目前的搜索引擎相对独立,覆盖范围比较有限。相比之下,元搜索能够更好地满足用户的检索需求。当用户在元搜索提供的统一界面中输入一个查询时,元搜索会将处理后的用户请求发送给相关的成员搜索引擎。但是一个重要的问题是如何识别出潜在的搜索引擎以便更好地处理用户的请求。鉴于此提出了一种基于遗传算法的选择机制,该方法将各个成员搜索引擎的权重考虑在内。实验结果表明,该方法确实能够提高引擎选择中的效率和精度。     

全局调距和声特征选择算法

特征选择技术能有效解决维数灾难问题，许多搜索策略已经被应用到特征选择问题中。针对和声特征选择算法搜索能力低下的问题，提出了一种基于全局自适应调距的和声特征选择算法（HSFS-GPA）。将特征集的距离定义引入到特征选择问题中，在算法搜索过程中结合全局信息对随机产生的新和声进行调整，以一定概率减小候选和声与当前最优和声的距离来加快算法搜索速度，或减少候选和声与最差和声的距离以避免陷入局部最优；同时，采用竞争选择方案随时更新和声库全局信息，改进和声库的更新机制提高算法搜索质量。将HSFS-GPA与原始和声特征选择算法、粒子群算法和遗传算法进行对比实验，HSFS-GPA所选特征子集的大小比原始和声算法减少15%，子集评价值平均提高到0.98。实验结果表明，HSFS-GPA能在相同的条件下搜索到更优质的特征子集。     

Local Search Techniques for Constrained Portfolio Selection Problems

We consider the problem of selecting a portfolio of assets that provides theinvestor a suitable balance of expected return and risk. With respect to theseminal mean-variance model of Markowitz, we consider additionalconstraints on the cardinality of the portfolio and on the quantity ofindividual shares. Such constraints better capture the real-world tradingsystem, but make the problem more difficult to be solved with exact methods.We explore the use of local search techniques, mainly tabu search, for theportfolio selection problem. We compare the combine previous work on portfolioselection that makes use of the local search approach and we propose newalgorithms that combine different neighborhood relations. In addition, we showhow the use of randomization and of a simple form of adaptiveness simplifiesthe setting of a large number of critical parameters. Finally, we show how ourtechniques perform on public benchmarks.     

全局优化的混合禁忌搜索算法

针对多峰函数的全局优化问题,提出了混合禁忌搜索的全局优化方法,通过实例验证了所提出的算法的可行性、有效性并且收敛速度较快.     

基于粒子群算法和序贯搜索的高光谱波段选择

波段选择是降低高光谱数据量,克服地物分类中Hughes现象的有效手段。子集生成方式和评价准则是选择算法的两要素。提出一种混合随机搜索与启发式搜索的子集生成方法。该方法在随机搜索中嵌入启发式搜索,对由离散粒子群优化算法每次迭代更新的种群利用序贯搜索进行局部微调,提高了随机搜索的精度。这种嵌入微调也保证了优化算法解的有效性。高光谱波段选择与分类实验比较了该方法与混合遗传算法、标准遗传算法和顺序前向浮动选择算法的性能,表明算法能选择出评价准则意义下更好的子集。     

XML关键字检索系统的数据源选择

随着互联网数据爆炸式的增长,信息检索系统逐步采用分布式多数据源架构存储数据,在关键字检索时,选择与用户查询的关键字相关度大的数据源进行查询对提高检索效率显得格为重要.提出一种基于关键字检索的XML数据源选择方法,针对XML文档结构的层次特性,提出一种递归定义的结果评分模型,将结点的关键字频率与路径长度递归地加入到评分模型中,使得评分模型能够准确地评判结果的优劣.同时,利用评分模型定义并提取了XML数据源的摘要,并给出了摘要存储中涉及的压缩、优化、更新等问题的解决方案及算法.根据摘要信息,提出4种数据源选择的方案,并使用DBLP数据集来验证了文章所提出的数据源选择算法的有效性.     

面向车辆目的地推测的时空搜索优化

在仅有车辆起始位置信息的情况下,车辆目的地推测的准确率通常较低。针对该问题,通过在城市道路摄像头的视频录像数据中进行时空搜索,获取目标车辆更多的途经信息,以更准确地推测出其目的地。为在相同的时空搜索次数下最大化目标车辆目的地推测的准确率,设计基于概率的单一指标、基于概率和基尼指数的复合指标以及基于概率和信息增益的复合指标,以评估不同时空搜索对于车辆目的地推测的效用,并基于3种指标分别提出CFMM-MidQuery、CFMM-UtilityQuery-Gini和CFMM-UtilityQuery-Info算法。实验结果表明,时空搜索有助于提高车辆目的地推测的准确率,基于效益的复合指标较基于概率的单一指标评估效果更好,在时空搜索次数相同的条件下,两者目的地推测的准确率相差最高达11.4%。     

A Cuckoo Search Detector Generation-based Negative Selection Algorithm

The negative selection algorithm (NSA) is an adaptive technique inspired by how the biological immune system discriminates the self from non-self. It asserts itself as one of the most important algorithms of the artificial immune system. A key element of the NSA is its great dependency on the random detectors in monitoring for any abnormalities. However, these detectors have limited performance. Redundant detectors are generated, leading to difficulties for detectors to effectively occupy the non-self space. To alleviate this problem, we propose the nature-inspired metaheuristic cuckoo search (CS), a stochastic global search algorithm, which improves the random generation of detectors in the NSA. Inbuilt characteristics such as mutation, crossover, and selection operators make the CS attain global convergence. With the use of Lévy flight and a distance measure, efficient detectors are produced. Experimental results show that integrating CS into the negative selection algorithm elevated the detection performance of the NSA, with an average increase of 3.52% detection rate on the tested datasets. The proposed method shows superiority over other models, and detection rates of 98% and 99.29% on Fisher’s IRIS and Breast Cancer datasets, respectively. Thus, the generation of highest detection rates and lowest false alarm rates can be achieved.     

全文检索模型的检索性能研究

对比研究了多种全文检索模型,实现了相应的系统原型,并通过实验对模型的检索性能进行了验证,为检索模型的选择与检索性能优化提供参考。     

用于特征选择的乌鸦搜索算法的研究与改进

特征选择是机器学习领域的热点问题.元启发式算法作为特征选择的重要方法之一,其性能会对问题求解产生直接影响.乌鸦搜索算法（CSA）是受乌鸦智能群体行为启发提出的一种元启发式算法,由于其具有简单、高效的特点,广大学者将其用来解决特征选择问题.然而,CSA易陷入局部最优解且收敛速度较慢,严重限制了算法求解能力.针对这一问题,采用logistic混沌映射、反向学习方法和差分进化这3种算子,结合乌鸦搜索算法,提出一种特征选择算法BICSA来选取最优特征子集.实验阶段,使用UCI数据库中的16个数据集来测试BICSA的性能.实验结果表明,与其他特征选择算法相比,BICSA求得的特征子集具有更高的分类准确率和较高的维度压缩能力,这说明BICSA在处理特征选择问题上具有很强的竞争力与足够的优越性.     

CPSO-NP优化算法及其在TE过程中应用

为有效平衡粒子群算法的探索和开发能力,解决粒子群局部最优、收敛速度慢等问题,提出了基于捕食搜索和自然选择的混沌粒子群算法.该算法借鉴自然选择中适者生存的进化机制以提高算法的收敛速度;且捕食搜索策略调节限制级别平衡全局搜索和局部搜索,优化搜索性能;通过函数测试和化工TE的故障诊断,结果表明:所提算法计算精度高、收敛速度快,能准确地对SVM的参数进行寻优,提高了故障诊断的准确性.     

搜索引擎优化初探

搜索引擎是网络中一种必不可少的工具,如何合理地提供网站在搜索引擎中排名成为目前的热点话题。在分析google可能的网站评价策略基础上,提出了一套网站优化方案,并对“高等数学精品课程”网站进行了优化改进,取得令人满意的效果。     

搜索引擎索引网页集合选取方法研究

随着互联网的快速发展,网页数量呈现爆炸式增长,其中充斥着大量内容相似的或低质量的网页.对于搜索引擎来讲,索引这样的网页对于检索效果并没有显著作用,反而增加了搜索引擎索引和检索的负担.提出一种用于海量网页数据中构建搜索引擎的索引网页集合的网页选取算法.一方面使用基于内容签名的聚类算法对网页进行滤重,压缩索引集合的规模;另一方面融合了网页维度和用户维度的多种特征来保证索引集合的网页质量.相关实验表明,使用该选取算法得到的索引网页集合的规模只有整个网页集合的约1/3,并且能够覆盖绝大多数的用户点击,可以满足实际用户需求.     

束搜索算法的精度优化研究

启发式爬山搜索算法能高效地实现搜索剪枝,求解实际问题时,能在庞大的假设空间中,找到最优或近似最优解,束搜索算法保持了爬山搜索算法的高效剪枝特性,同时能有效减小爬山搜索收敛到局部最优解的风险,人工智能领域广泛采用束搜索策略。对于宽度为k的束搜索,由于只维持有限的k条搜索路径,提高束搜索算法的搜索精度,重在这k条路径的选择上,但如何选取这k条路径,作者未见描述相关方法的资料,目前多数算法是在每一搜索步选取具有最大启发式性能量度值的k个候选作为进一步搜索的入口。论文简要讨论了束搜索算法,提出了几种合理的候选选取方法以及避免单亲填满的思想,并在UCI测试数据库上进行了对比实验,给出了实验结果。     

基于用户反馈的搜索引擎选择及结果归并

提出一种基于用户反馈的元搜索引擎模型，通过分析用户对搜索结果的评价，利用用户的反馈信息，分别定义搜索引擎质量分值和用户评价分值。给出一种依据搜索引擎质量分值进行的搜索引擎选择策略，使元搜索引擎可以针对不同查询关键字选择准确度高的搜索引擎进行查询。设计一种主客观影响因子结合的元搜索结果归并方法，使准确率高的搜索结果先返回给用户。