基于混合梯度提升决策树和逻辑回归模型的分组密码算法识别方案

针对密码算法识别工作中因密码算法数量增多、密文数据复杂化以及数据间干扰增加,导致单层识别方案的识别准确率和稳定性变差等问题,提出一种基于混合梯度提升决策树和逻辑回归模型,并基于该模型构造分组密码算法识别方案。在该方案中,首先用原始十组特征训练梯度提升决策树模型,然后利用其学习而生成的树来构造新特征,再将新特征做one-hot编码,最后把这些新特征加入到原有特征中,训练逻辑回归模型进行预测。在唯密文情况下,针对AES、3DES、Blowfish、CAST和RC2五种典型的分组密码开展密码算法识别研究。当密文大小及其它实验条件都相同时,其二分类的识别准确率最高可达70%,五分类准确率最高达32%;高于基于单一梯度提升决策树分类方案的52.5%和27.2%分类准确率,以及单一逻辑回归模型分类方案的45%和25.6%分类准确率;显著优于二分类50%以及五分类20%的随机猜测正确率。实验结果表明,在分组密码算法上开展二分类和五分类识别,相较于其它识别方案,当密文长度相同时,该方案具有更高的分类准确率。同时随着密文长度的变化,识别准确率呈波动性变化,该方案波动幅度最小,受影响程度最小,稳定性最高。     

一种改进的协同过滤推荐算法

电子商务的蓬勃发展,使网站中能够提供的商品种类日益繁多,如何迎合客户的兴趣来推荐商品,成为当前电子商务亟待解决的重点问题.协同过滤作为目前推荐系统应用中最为成功的个性化推荐技术,也得到了越来越多研究者的关注.文章在简要介绍传统协同过滤推荐算法的基础上,重点对推荐算法无法适用于用户多兴趣下的推荐问题进行了剖析,提出了一种基于用户多兴趣的协同过滤推荐改进算法.通过实验仿真,验证了该算法的有效性.     

基于用户喜好的个性推荐系统优化

采用协同过滤方式的传统推荐系统具有一定实用性,但也存在未考虑用户个性喜好的问题。为提高推荐精度,特别针对用户个性化特点和需求,提出了采用改进相似度计算和回归分析方法对协同过滤推荐进行系统优化。实验结果表明,优化算法可明显改善系统的推荐效果,并加强基于协同过滤推荐的有效性。     

微博用户推荐模型的研究

微博用户推荐对改善用户体验、促进社交网络长远发展具有重要意义。该文提取了能够充分反映微博用户之间相关性的多个特征,并通过逻辑回归模型对潜在的用户进行评分排序,为目标用户推荐前N个潜在用户。基于新浪微博数据集的实验结果表明,基于逻辑回归方法的用户推荐模型是切实有效的,可以为微博用户提供高性能的个性化用户推荐。     

一种基于Bayesian网络的网页推荐算法

为改善用户的Web页面访问行为、提高访问效率, 设计了一种基于贝叶斯网络的网页推荐模型及推荐算法。通过收集和分析服务器中的描述文件和日志文件,利用Bayesian网络分析页面间的依赖关系,构建了基于贝叶斯网络的网页推荐模型并产生推荐集。通过在Microsoft公司提供的网络日志数据集上做的实验,可以获得超过80％的准确率和覆盖率。理论分析和实验结果表明,算法能够在线实时向用户做出个性化的推荐,与已有的推荐算法相比,算法能较快地给出推荐集,并且可以获得更高的准确率和覆盖率。     

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。     

基于网络用户信息行为的个性化推荐模型

探讨了网络用户信息行为的基本概念和个性化推荐的相关技术。以此为基础,创建了基于网络用户信息行为的个性化推荐模型。对比实验结果表明,此模型在准确率、稳定性、推荐效率方面有一定的优势。     

基于信任关系的资源分配推荐算法改进研究

近年来,一些统计物理学的方法被用于推荐算法的研究中,其中,基于扩散的推荐算法研究成为一个重要方向。然而,这些方法都只关注用户对产品的评分信息,而忽略了用户之间普遍存在的信任关系。该文将用户信任关系引入到基于扩散的推荐算法中,提出了一种基于信任关系的资源分配推荐算法。该算法在资源分配的过程中,对受信任的用户用一个可调参数分配其更多的资源,从而提高受信任用户所选物品的资源值。在Epinions和FriendFeed两个真实数据集上的实验结果显示,该算法在准确性、多样性和新颖性等方面明显优于主流的基准推荐算法。     

一种基于行为集成学习的恶意代码检测方法

为了解决变种恶意代码、未知威胁行为恶意分析等问题,研究了基于梯度提升树的恶意代码分类方法,从大量样本中学习程序行为特征和指令序列特征,实现了智能恶意代码分类功能.将GBDT算法引入恶意代码检测领域,使模型结果行为序列具有可解释性,对恶意代码的检测能力大幅提高.GBDT算法能够客观地反映恶意代码的行为和意图本质,能够准确识别恶意代码.     

基于云计算的电子商务推荐系统研究

通过对云计算系统架构、平台开发、用户行为分析、电子商务应用等方面的研究,提出了一种新型的分布式存储系统,并在此基础上构建了一种新的智能化电子商务个性化推荐系统。该推荐系统有效解决了大型日志数据存储、无法实时推荐、算法伸缩性低等问题,为用户提供动态、实时的个性化服务,实现了商务推荐引擎的个性化和智能化。     

面向会话型推荐系统的个性化分层循环模型

为了精准地捕捉用户行为模式,引入中期兴趣的概念,提出一个基于循环神经网络（RNN）的个性化分层循环模型,通过在同一框架下联合利用用户的会话、区块和全部行为序列来学习用户的综合兴趣.利用一个捕捉会话内序列模式的会话级RNN建模用户的短期兴趣;设计了一个捕捉区块内相邻会话关联关系的区块级RNN,进一步描述用户的中期兴趣;使用一个用户级RNN追踪长期兴趣的演化;引入带有不同交互机制的融合层,以有效融合不同层次的兴趣信息.在3个真实数据集上进行实验,结果表明,该方法与先进的推荐方法相比,Recall@10提升了18.35%.     

基于回归分析法的改进Duncan-Chang模型研究

改进了Duncan-Chang模型的切线模量,并证明改进模型能克服传统模型应力应变曲线的数学缺陷。在获得多组三轴试验参数的基础上,利用Matlab中的lsqcurvefit函数对Duncan-Chang切线模量和改进切线模量进行回归分析。结果表明:改进切线模量的残差平方和比Duncan-Chang模型切线模量的残差平方和小,因而改进模型能更好地模拟实际情况;试验参数取平均值时改进切线模量的残差平方和比其利用回归分析所得的残差平方和大,说明利用回归分析法拟合试验参数是一种很好的途径,其结果更符合材料客观平均状态。     

一种基于Logistic回归的银行保险消费行为影响因素分析与预测

运用Logistic回归方法分析了银行保险消费行为的影响因素,并构建了预测模型,然后利用保留样本进行了实证检验.通过对样本数据过离散、空单元、多元共线性、特异值、特殊影响案例的诊断,以及对模型的拟合程度和预测效果的检验,验证了所构建的模型具有较好的拟合程度和预测效果.     

一种用于社会化标签推荐的主题模型

社会化标签中普遍存在标签的主题粒度和文档不一致以及部分标签和文档内容无关这两个问题,而现有基于主题模型的社会化标签推荐算法并没有同时对二者进行建模. 针对这两点,提出了一种新的主题模型,该模型不仅允许标签和文档具有各自的主题粒度,而且允许标签来自与文档无关的噪声主题. 在两个不同的社会化标签语料上的实验结果表明,所提出的模型相比内容相关模型和标签的隐含狄利克雷分配模型,在混淆度和平均正确率均值这两个指标上均有所提高.     

一种改进的内网用户行为审计模型研究

目前,安全审计系统多是基于广域网网络数据的审计,对于内网用户行为审计还处于研究的初级阶段.传统的用户行为审计模型智能性低,集中式结构审计负担重,针对这一缺陷,提出了一种分布式内网用户行为审计模型,采用三级Agent结构,并融入了改进的遗传算法（IGA）的神经网络分析,最终实现对用户行为数据的分布采集,过滤传输和智能审计.     

一元线性回归模型的贝叶斯分析

在贝叶斯统计的基础上,给出了一元线性回归模型的贝叶斯分析方法.     

电法测井的四参数反演模型及算法

针对一种新的更符合实际的电法测井侵入模型，提出了四个参数反演的数学模型，并且给出了求这些参数的算法，大量的数值结果表明，此方法是十分有效的。     

农药降解规律模拟的一个回归函数模型

在农药使用过程中,农药降解规律的模拟是一个重要环节,是食品安全的重要保证.根据长期从事该方向研究的积累,给出了一个对农药降解规律进行模拟的回归函数模型,并提供了参数估计方法,以解决对农药降解规律进行模拟时回归函数模型确定的困难.应用实例分析表明,所给回归函数模型适于对农药降解规律的模拟.