融合热门度因子基于标签的个性化图书推荐算法

依照Web2.0的"社会化标注"思想,针对基于内容的推荐算法(CBR)和协同过滤推荐算法(CF)存在的不足,提出了基于读者标签(Tags)的、融合图书"热门度"因子的个性化图书推荐的两个改进算法。利用统计分析软件R,重点对改进后的CBR算法进行实验分析和验证,结果表明,改进算法的图书个性化推荐效果有明显改善。     

基于多标签机器学习的环境适老化改造应用研究

针对环境适老化改造推荐方案中改造项具有先后顺序的情形,将校准标签排序与多标签k近邻算法相结合,提出适于适老化改造推荐的多标签学习算法。首先引入校准标签约束不相关项,文章将多标签排序问题进行转化为标签成对比较的多分类问题,然后利用ML-k NN进行多标签分类,最后重构标签对关系矩阵,取统计票数大于校准标签的标签项为相关标签并根据票数进行排序。通过实际老人数据集进行测试,与传统的成对比较排序法与校准标签法进行比较,结果表明校准标签排序与多标签k近邻算法相结合汉明损失更小,平均精度更高,且保持较低的错误率,更适合于适老化改造方案推荐。     

面向信用评级的有决策树算法研究

决策树是数据挖掘领域的经典算法,应用领域非常广泛。在信用评价任务中,数据之间存在关系,而传统的决策树算法无法解决这类问题。有决策树的提出有效地解决此类问题,能够从中发现新的知识,然而很多任务中属性与决策存在单调关系,并且样本之间无法比较,这影响有分类器的性能。因此,文章提出一种改进的有决策树算法(Rank-DT)并应用于信用评价任务中,实验证明提出的算法改进传统决策树算法的性能,获得较好的效果。     

基于物品的协同过滤算法在ACM在线评测推荐系统中的改进及应用

针对ACM在线评测平台中练习题目数量较多,新用户选题盲目的问题,文章主要研究了基于物品(item-based)的协同过滤算法,根据在线评测推荐系统的特性采用了余弦相似性来计算题目之间的相似程度,并且在此基础上加入时间权重和难度权重。实验结果表明,改进后的算法比原有推荐算法的推荐质量和准确度有显著提高。最后将改进后的推荐算法部署到在线评测平台上,帮助用户选到合适的题目练习,提高用户编写程序解决问题的能力。     

改进的基于动态帧时隙ALOHA防碰撞算法

在RFID系统中,存在阅读器与多个标签同时通信的碰撞问题,标签防碰撞技术是解决标签防碰撞问题和提高标签识别率的关键。在分析动态帧时隙ALOHA算法的基础之上,提出了一种改进的基于随机数重新分组的动态帧时隙ALOHA算法。该算法证明了当引入一个随机数的时候,系统的吞吐率是最大的,并且同时利用标签唯一的ID号中的第一位的取值不同,进行重新分组,从而减少了标签碰撞的次数。仿真实验结果表明,所提出的改进算法执行效率更高,碰撞次数更少,识别成功所需的时隙数更少,有效地提高了标签的识别速度。     

移动RFID自适应多叉树防碰撞算法

文章在一种改进的四叉树RFID防碰撞算法(QTS)基础上,提出一种适用于移动场景的RFID自适应多叉树防碰撞算法。该算法采用可变概率分组排队的原则,先进入识别区的标签被优先识别,后进入的标签则排队等待。已进入识别区的标签组,标签应答概率随阅读器命令而动态调整;通过改进阅读器问询命令,探明碰撞位串的实际存在而自动调整搜索树的叉数,既避免了空闲时隙,又减少了碰撞时隙。对比分析和仿真实验表明,该算法减少了平均时隙与平均通信量,随着标签数的增多,效果越明显,有效提高阅读器的识别效率,适于移动场景的RFID碰撞识别。     

基于长尾理论的物品协同过滤Top-N推荐算法

传统的基于物品的协同过滤算法在计算物品相似度时,热门商品难以与冷门商品相似,从而冷门商品的推广就更为困难。针对上述问题,在传统的物品协同过滤算法基础上,提出一种改进的类TF-IDF物品相似度算法,同时考虑并排除刷分现象对物品推荐产生的负面影响,使冷门商品在基于长尾理论的推荐系统中有更高的覆盖率和准确率。以MovieLens上的数据集作为实验数据进行实验,实验结果表明,改进后的算法在保持甚至提高准确率的前提下,有效地提高在推荐冷门商品时系统的覆盖率。     

一种基于用户信任机制的个性化协同过滤推荐算法研究

传统的协同过滤推荐算法产生的数据稀疏性和冷启动问题存在潜在安全危机,不利于个性化推荐质量的提高。文章引入基于用户兴趣度和满意度的信任机制,改进传统用户信任度,通过信任度权重因子ωi,j,优化用户综合信任度,以提升预测评分质量。仿真实验分别从算法的推荐准确率和推荐覆盖率展开分析,实验结果表明,当ωi,j取值在0.5时,推荐准确率和覆盖率较RTCR算法、Trust Impact MF算法、A&I-Based算法明显占优。     

基于知识图谱的兴趣点推荐算法

本文通过介绍基于知识图谱的兴趣点领域推荐算法并通过实验验证,证明使用基于知识图谱的推荐方法在兴趣点推荐领域切实有效。     

基于改进粒子群算法的LM神经网络模型预测爆破块度

矿岩爆破块度是对爆破效果进行定量评价的重要指标,它直接影响到矿山各后续生产工序的效率和采矿生产的总成本。在解决这类动态非线性问题时,需要考虑爆破效果与影响参数之间的复杂关系。论文提出了一种改进粒子群算法的LM(Levenberg-Marquardt,莱文贝格-马夸特)神经网络模型,通过改进粒子群算法可提高LM神经网络对缺陷属性识别的计算精度,从而实现对爆破效果的预测。通过临江冷堡子硅石矿现场爆破实验实例,验证了该神经网络模型及计算方法的可行性及实用性。