个性化微博推荐算法

微博不同于传统的社会网络和电子商务网站,存在用户活跃程度低,微博数据稀疏和用户兴趣动态变化等特点,将传统推荐算法应用于微博推荐时,效果并不理想。提出了一种基于贝叶斯个性化排序的微博推荐算法,对用户进行个性化微博推荐。该基于贝叶斯个性化排序的微博推荐算法,以微博对的形式提取微博系统中的隐式信息,对这些微博对进行学习,从而得到用户对不同微博的兴趣值。根据每条微博发出的时间,估计每条微博对的可信度。发出时间越接近的微博对,它的可信度就越高,并且对用户的兴趣值影响就越大。在新浪微博的真实数据上进行实验和评测,结果表明该基于贝叶斯个性化排序的微博推荐算法相比于对比算法,在进行微博推荐时有更好的效果。     

基于排序学习的推荐算法研究综述

排序学习技术尝试用机器学习的方法解决排序问题,已被深入研究并广泛应用于不同的领域,如信息检索、文本挖掘、个性化推荐、生物医学等.将排序学习融入推荐算法中,研究如何整合大量用户和物品的特征,构建更加贴合用户偏好需求的用户模型,以提高推荐算法的性能和用户满意度,成为基于排序学习推荐算法的主要任务.对近些年基于排序学习的推荐算法研究进展进行综述,并对其问题定义、关键技术、效用评价、应用进展等进行概括、比较和分析.最后,对基于排序学习的推荐算法的未来发展趋势进行探讨和展望.     

高效快速排序算法研究

快速排序是排序算法中性能较好的一种,但存在对数据有序或者基本有序的情形下的性能瓶颈问题。为此,对比效率同为O(nlbn)的其他排序算法,提出一种新的高效快速排序算法。理论分析和实验数据表明,其性能优于原有的快速排序算法,并且在数据基本有序的状况下依然具有高性能和较强的鲁棒性。     

一种新的基于哈希函数的排序算法

提出一种哈希函数分档的排序算法。根据数组下标递增的特点,针对任意分布整数,建立有效的哈希函数,通过反复映射完成排序。分析算法的时间和空间复杂度,实验验证算法的运行效率。算法分析和实验结果表明：算法的时间和空间复杂度均为O（n）,在问题规模较大时,效率优势明显。     

基于层次隐马尔可夫模型和神经网络的个性化推荐算法

传统推荐系统将推荐准确性作为主要目标,而推荐结果的多样性和个性化有所欠缺.对此,设计一种基于层次隐马尔可夫模型和神经网络的推荐算法.采用层次隐马尔可夫模型建模用户喜好和上下文环境的关系,并通过隐马尔可夫模型预测上下文.设计神经网络结构来解决协同过滤推荐的问题,同时神经网络满足贝叶斯个性化排序的条件,实现对推荐列表的个性...     

基于密度函数的高斯朴素贝叶斯集成算法研究

本文针对数据挖掘算法中的分类问题,针对连续性数据,提出了基于密度函数的高斯朴素贝叶斯集成算法.首先假设各特征值符合正态分布,计算出各特征值的均值和方差,也就是正态分布的密度函数.然后通过定义的密度函数,计算出其概率密度函数,利用高斯朴素贝叶斯分类器得到预测结果.在对某公司实际分类问题中应用该算法,结果表明该算法的预测能...     

基于标签系统中聚类分析的个性化推荐算法

随着YouTube、Flickr和Last．fm等社会化网络的兴起,标签系统在日常生活中扮演着越来越重要的作用．为了给用户提供更优质的推荐,分析用户为不同资源打标签的行为就显得尤为重要．本文将主要的社区发现算法应用到标签系统中的聚类分析中,并比较它们在不同数据集上的表现,设计出针对标签系统的个性化推荐算法．实验结果表明,本文提出的算法能很好的发现不同用户的兴趣,提高推荐系统的质量．     

贝叶斯个性化排序的代码评审员推荐方法

针对如何提高代码评审效率的问题,本文提出了BPR-CR2评审者推荐模型.该模型中结合了评审者与代码Pull请求的专业关联性、与Pull请求提出者的社交关联性、与Pull请求的代码路径相关性以及评审者的积极性因素,基于贝叶斯个性化排序的思想学习每个评审者在进行Pull请求选择时的权重偏好,从而能够对每个Pull请求推荐评审者.在Github平台的5个流行项目的数据集上进行了测试,与目前5个典型算法相比,BPR-CR2的性能优于其他算法.     

一类值函数激励学习的遗忘算法

大状态空间值函数的激励学习是当今国际激励学习领域的一个热点和难点的问题,将记忆心理中有关遗忘的基本原理引入值函数的激励学习,形成了一类适合于值函数激励学习的遗忘算法,首先简要介绍了解决马尔夫决策问题的基本概念,比较了离策略和在策略激励学习算法的差别,概述了标准的ＳＡＲＳＡ（λ）算法,在分析了人类记忆和遗忘的一些特征后,提出了一个智能遗忘准则,进而将ＳＡＲＳＡ（λ）算法改进为具有遗忘功能的Ｆorget-ＳＡＲＳＡ（λ）算法,最后给出了实结果。     

融合行为和遗忘因素的贝叶斯知识追踪模型研究

贝叶斯知识追踪模型(Bayesian knowledge tracing,BKT)被用于智能教学系统中追踪学习者的知识状态并预测其掌握水平和未来表现.由于BKT容易忽视记忆遗忘现象,以及未考虑学习行为对表现结果产生的影响,导致模型预测结果与实际情况出现偏差.针对此问题,提出了一种融合学习者的行为和遗忘因素的贝叶斯知识追踪模型(behavior-forgetting Bayesian knowledge tracing,BF-BKT).首先,采用决策树算法处理学习行为数据,引入行为节点;然后初始化遗忘参数并赋值,更新学习者知识掌握水平的算法;最后,利用ASSISTMENTS提供的公开数据集对相关模型的预测精度进行对比.实验验证,BF-BKT能够达到更好的预测精度.     

基于重要性排名的协同过滤推荐算法

传统的协同过滤忽略系统中不同用户和条目的重要性对推荐结果的影响.针对此问题,提出了一种基于用户和条目重要性的改进协同过滤算法,该算法将条目的重要性融合到用户相似性的度量方法中,将用户的重要性融入到预测评分的计算方法中;为度量系统中每个条目和用户的重要性,提出了ItemRank和UserRank算法.在MovieLens数据集上的实验结果表明,提出的算法可以显著提高推荐系统的推荐质量.     

基于活动的社交网络中的群组推荐算法设计

在基于活动的社交网络（EBSN）中,群组中聚集了具有相似兴趣的用户,并为用户组织并举办线下活动,在社区的发展中起到了至关重要的作用,因而理解用户加入群组的原因和群组形成的过程在社交网络的研究中是一个重要的议题.本文通过基于活动的社交网络中的一些相关内容信息,比如社交网络中的标签信息和地理位置信息,来辅助推荐系统更好地为用户预测对于群组的偏好.本文提出了SEGELER （pair-wiSE Geo-social Event-based LatEnt factoR）模型,并使用这些社交网络中的信息,来为用户的兴趣进行预测.通过在真实的EBSN数据集上进行实验与验证,本文的模型不仅可以有效提升对于用户偏好的预测,也可以缓解冷启动问题.     

一种融合社会化标注系统中主题域相似的个性化排序方法

随着网络技术的发展,互联网中越来越多的资源被应用于信息检索中,大量的研究表明,社会化标注可以用于改善信息检索。现有个性化排序的方法中,用户之间的相似度大多通过其共同使用过的标签集来计算。然而,现实中用户标注数据存在稀疏性和标签同义词等问题,导致相似度计算并不准确。在前人研究的基础上,提出了一种融合主题域相似的个性化排序方法。该方法首先通过主题域的划分,将不同主题含义的网页及标签分开,通过构建的标签相似网络找出标签同义词。然后结合用户标签和主题偏好找出兴趣相近的用户,并对用户的标注信息进行扩展,从而能够有效地改善个性化信息检索的效果。在真实数据上的实验结果表明,该方法能有效缓解标注稀疏性和标签同义词问题,有助于改善用户检索体验。     

基于贝叶斯的垃圾邮件过滤算法的研究

基于内容的垃圾邮件过滤问题是Internet安全技术研究的一个重点问题,而基于贝叶斯的分类方法在垃圾邮件处理上表现出了很高的准确度,因此受到了广泛的关注。在朴素贝叶斯算法的基础上,提出了一种基于最小风险贝叶斯方法同Boosting算法相结合的邮件过滤改进算法,提高了分类的精确度。实验证明,算法在邮件过滤中有更好的表现。     

Robust optimization using Bayesian optimization algorithm: Early detection of non-robust solutions

Probabilistic robustness evaluation is a promising approach to evolutionary robust optimization; however, high computational time arises. In this paper, we apply this approach to the Bayesian optimization algorithm (BOA) with a view to improving its computational time. To this end, we analyze the Bayesian networks constructed in BOA in order to extract the patterns of non-robust solutions. In each generation, the solutions that match the extracted patterns are detected and then discarded from the process of evaluation; therefore, the computational time in discovering the robust solutions decreases. The experimental results demonstrate that our proposed method reduces computational time, while increasing the robustness of solutions.     

基于朴素贝叶斯算法的改进遗传算法分类研究

针对标准遗传算法的不稳定性、准确性低等问题,为了提高遗传分类算法的稳定性和准确性,基于贝叶斯算法的有关理论,提出一种新的遗传算法分类方法.将初始样本集随机的分成数量相等的几组,通过朴素贝叶斯算法从初始样本集中选出部分“区分度”比较高的样本作为新的样本集,通过改进的遗传算法对选出的新样本集进行处理,从而得到最优分类规则.通过两种算法的组合对数据分类时,使分类的稳定性和准确性得到了明显的改善.仿真实验结果表明,该算法有较高的稳定性和准确性.     

基于PageRank的页面排序改进算法

首先对PageRank算法进行了一般性介绍,研究了现有的基于链接结构的改进算法.在此基础上,指出PageRank算法给不同网页分配相同的Pagegank值影响了网页的排序质量,提出了一种基于多层分类技术的改进算法HCPR,并对PageRank和HCPR算法进行了相应测试和比较.实验结果表明,HCPR的排序结果比PageRank提高了约15.3%的相关度.     

基于网络结构的节点中心性排序优化算法﹡

针对社交网络中节点中心性排序算法存在的不足,本文从网络结构的角度提出了一种准确有效的节点中心性排序算法(CentraRank)。算法不仅克服原中心性排序算法的缺陷,也在精度和收敛速度方面均有所提升。最后根据佩龙-佛罗贝尼乌斯定理证明算法的收敛性,然后运用新浪微博和随机数据的模拟实验从三个方面证明了该算法的可行性和有效性。在该算法的基础上提出了一种基于网络结构的边中心性排序优化算法(EdgeRank),并验证算法的正确性。