一种基于3因素概率图模型的长尾推荐方法

互联网时代,数据呈爆炸式增长,前所未有的数据量远远超过受众的接收和处理能力,因此,从海量复杂数据中有效获取关键性有用信息成为必须解决的问题.面对信息过载问题,人们迫切需要一种高效的信息过滤系统,“推荐系统”应运而生.在现实的推荐场景中,用户给予项目的评分或者选择项目的频次是一个典型的长尾现象.事实上,长尾现象的深入分析,不仅有助于挖掘用户的个性化偏好,更有助于电商场景中相关利益主体的业绩提升.因此,长尾推荐研究日益受到重视.针对长尾推荐的可解释性问题,提出了基于3因素概率图模型的长尾推荐方法.面对长尾推荐过程中推荐系统、用户对“具有可解释性的长尾项目推荐”的现实需求,着眼于概率图模型在因果关系方面的可解释性优势,立足于“新颖性+准确性”综合考量的方法设计目标,建立了基于用户活跃度、项目非流行度和用户-项目偏好水平的3因素概率图推荐方法.实验比较结果表明,具有可解释性优势的3因素概率图推荐方法在保证一定预测精度的前提下具有更好的新颖性推荐效果.     

概率粗糙集模型

1.引言原始的RS模型(常称为Pawlak RS模型)是建立在二元等价关系的基础上的,但由于实际问题的需要,PawlakRS模型的应用受到了限制,因此人们将二元等价关系推广成一般的二元关系,得到了一般关系下的RS模型,Yao还在文[4]中讨论了基于邻域算子的RS模型。另一方面Pawlak粗糙集模型是基于可利用信息的完全性的,因而忽视了可利用信息的不完全性和可能存在的统计和随机信息,这类模型对于不协调的决策表的规则提取往往显得无能为力。本文我们从概率论的观点出发来研究粗糙集理论,为研究不确定信息系统提供了新的粗糙集模型。     

一种基于用户交易行为的隐语义模型推荐算法

通过分析目前推荐技术在电子商务系统中的应用优势,并针对当前产品交易系统的无评分、产品量大和难以分类等现状与问题,设计了一种基于用户交易行为的隐语义模型推荐算法。该算法从用户的隐式交易行为出发,采用隐语义模型推荐算法,构建用户-产品兴趣模型,并加入K均值算法划分隐式特征聚类。实验验证表明,该算法在满足用户的个性化需求的同时,可提高电子商务系统的产品推荐效率。     

概率图模型研究进展综述

概率图模型作为一类有力的工具,能够简洁地表示复杂的概率分布,有效地(近似)计算边缘分布和条件分布,方便地学习概率模型中的参数和超参数.因此,它作为一种处理不确定性的形式化方法,被广泛应用于需要进行自动的概率推理的场合,例如计算机视觉、自然语言处理.回顾了有关概率图模型的表示、推理和学习的基本概念和主要结果,并详细介绍了这些方法在两种重要的概率模型中的应用.还回顾了在加速经典近似推理算法方面的新进展.最后讨论了相关方向的研究前景.     

基于概率的类MYCIN确定因子模型

人们分析了MYcIN确定因子的定义川之后,发现了它的一些缺点,并给出了如下一些新定义:     

概率逻辑模型与学习研究进展

近年来,概率逻辑学习研究取得了很大进展,已经提出各种不同的形式化方法和学习方法,包括概率关系模（PRMs）、贝叶斯逻辑程序（BLPs）、逻辑贝叶斯网络（LBNs）和随机逻辑程序（SLPs）等。文章重点介绍了贝叶斯网络与一阶逻辑的结合,并以PRMs、BLPs和LBNs为例,描述了基于贝叶斯网络的概率逻辑模型（PLMs）的知识表示方法,给出了此类PLMs一般使用的参数估计方法和结构学习方法,并给出了建议的研究方向。     

分布对象管理的联邦交易模型

分布对象管理是实现分布对象互操作的一个重点。该文通过扩展ODP中的基本交易模型，实现了对象服务的局部管理，提出了一种新的联邦交易模型，使用联邦交易空间和信任度的概念实现了大规模互操作环境中的对象服务的全局管理，给出了分布对象服务的联邦搜索过程和联邦搜索规则，以及联邦查询的最佳搜索路径选择算法，研究并提出了联邦交易的实现结构模型和建立联邦和约的协商协议。     

基于词汇吸引与排斥模型的共现词提取

共现词提取在信息挖掘和自然语言处理中有着十分重要的地位。而传统的共现词提取方法仅仅局限在单一的一种统计量上,其结果十分不精确,需要人工再进行整理。本文提出了一种基于词汇吸引与排斥模型的共现词提取算法,并通过将多种常用统计量进行组合,改进了算法的效果。在开放测试环境下,所提取的共现词其用户感兴趣度为60.87%。将该算法应用于基于Web的共现词检索系统,在速度和共现词的提取精度上均取得了比较好的效果。     

一种基于概率训练的病毒检测模型*

特征代码反病毒系统已经不能适应当前计算机病毒的检测要求,行为检测法将取代特征代码法。在对病毒恶意行为进行简要分析后,将状态跳转法应用到病毒的行为监测,提出基于概率训练的病毒检测模型。给出单个恶意行为和连续恶意行为病毒概率训练的具体方法,分析病毒概率阈值训练的过程,以此实现病毒判断算法。通过实例分析、检测结果验证基于概率训练的病毒检测模型的有效性。     

融合人格特征的概率推荐模型

以模型为基础的协同过滤推荐算法需分析提取“用户-项目”特征矩阵以进行用户推荐。用户特征不同直接导致用户偏好不同,但以模型为基础的协同过滤推荐算法仅考虑分析提取影响项目特征的关键因素而未考虑分析提取影响用户特征的重要因素,这类传统模型往往将用户潜在特征向量随机初始化,并赋予一个假定的正态分布,导致这些推荐系统模型中没有任何一项数据变化可以对用户潜在特征建模结果产生直接影响。另外基于用户的推荐系统模型往往将用户的评论、评分的信息直接近似作为用户特征,传统推荐系统中这些数据引用方式和这些数据本身不足以支撑获取用户的本质特征。这些特征的近似也不能满足个性化推荐的需求。针对现有推荐算法所面临的没有分析提取用户本质特征以及项目本质特征提取不充分进而推荐结果难以体现用户个性的问题,提出一种融合人格特征的推荐模型。首先根据推荐平台中用户的非结构化评论文本信息,将人格特征作为用户特征的直接影响因素,设计一个神经网络模型计算评论用户的BIG FIVE人格得分,并将人格得分向量化作为用户特征;然后通过项目的评论文本信息获得项目特征;设计人格感知的协同学习框架,定义损失函数获取用户、项目的特征向量;最后根据用...     

面向Web服务组合的pivot事务嵌套模型??

Web服务组合中的事务具有执行周期长的特性,一个全局事务会被划分为多个分布的子事务。各个子事务对全局事务而言具有不同的重要程度,关键子事务执行的成功与否,直接影响到全局事务执行的成败。另一方面,对某些出现故障的事务需要进行补偿,而执行过多的补偿事务会带来巨大的补偿开销。针对这些问题,提出了一个基于pivot事务的嵌套事务模型,模型中的事务分为pivot事务和非pivot事务,且含有至少一个pivot事务。同时基于该模型,给出了一个pivot事务优先调度（pivot transaction priority scheduling,PTPS）算法,通过优先执行pivot事务,来减少在pivot事务失败时执行的补偿事务数目,降低补偿开销。     

一种基于隐语义概率模型的个性化Web服务推荐方法

为了满足Web服务使用者的个性化需求,提出了一种基于隐语义概率模型的用户指标偏好预测方法,用于个性化Web服务推荐.首先,引入两个决定用户指标偏好的关键因素：用户以及用户所处的服务情境,隐语义概率模型借助隐含类别建立用户指标偏好、用户及服务情境三者之间的隐含语义依赖关系,并且为描述用户、服务情境、指标偏好多方面的特征,允许这三者可同时以不同的概率隶属于多个隐含类别;然后,将期望极大(expectation maximization, EM)算法运用于由层次分析法获得的训练数据,以估计隐语义概率模型的参数;最后,使用该模型预测用户在特定服务情境下的指标偏好.隐语义概率模型与标准的基于内存的协同过滤以及基于聚类改进的协同过滤相比,不仅具有明确的数学模型,而且实验结果表明,隐语义概率模型对用户个性化指标偏好的预测精度最高,同时可以缓解数据稀疏性带来的不良影响.     

基于动态卷积概率矩阵分解的潜在群组推荐

近年来,群组推荐由于其良好的实用价值得到了广泛关注.然而,已有的群组推荐方法大多都是根据分析用户对服务的评分矩阵直接将个体用户的推荐结果或个体用户偏好进行聚合,没有综合地考虑用户-群组-服务这三者间的联系,导致群组推荐效果欠佳.受潜在因子模型与状态空间模型启发,结合评分矩阵、服务描述文档以及时间因素,共同分析用户-群组-服务间的联系,提出了一种基于动态卷积概率矩阵分解的群组推荐方法.该方法首先利用基于卷积神经网络的文本表示方法获取服务潜在特征模型的先验分布;然后,将状态空间模型与概率矩阵分解模型相结合,获得用户潜在偏好向量与服务特征向量;之后,对用户偏好向量运用聚类算法来发现潜在的群组;最终,对群组中的用户偏好采取均值策略融合成群组偏好向量,并与服务特征向量共同生成群组对服务的评分,实现群组推荐.通过在MovieLens数据集上与同类方法进行对比实验,发现所提方法的推荐有效性与精确性上更具有优势.     

一种乐观嵌套工作流事务模型

为解决目前工作流事务管理的不足和存在的问题,本文基于多数据版本、三阶段执行的并发控制理论提出了一种乐观嵌套工作流事务模型,该事务模型借用时间戳的概念,通过对不同事务中活动类型的分类,较好地解决了长执行事务和协同事务的可靠性和正确性问题,提高了工作流处理的效率。乐观嵌套事务模型把嵌套事务、工作流模型和并发控制协议有机地结合在一起,定义了较为完整的事务操作原语及其语义。本文还给出了乐观事务模型到工作流模型的映射,使得事务工作流执行过程中,其操作原语和乐观事务模型的操作原语是一致的,工作流活动的转移控制与乐观嵌套事务模型的子嵌套事务的生成过程及其表示方式也是一致的。     

覆盖算法的概率模型

要从本质上提高覆盖算法的精度,必须在算法中引入全局的优化计算.为此,先将覆盖算法扩展成核覆盖算法(以高斯函数为核函数),再利用高斯函数的概率意义(高斯分布),为核覆盖算法建立一个有限混合概率模型,在此基础上,利用"最大似然原理"引入全局优化计算,并利用EM(expectation maximization)方法进行求解,完成对覆盖算法的全局优化计算,从而扩大覆盖方法的使用范围并提高算法的精度,且将它从确定的模型扩展成概率的模型,后者更具抗噪声干扰的能力.最后给出模拟实验,实验比较结果表明,经优化后的概率模型确实提高了算法的精度.     

基于规则的软件过程事务模型

事务管理是过程工程环境(PSEE)的一个关键技术.近年来,提出了不少高级事务模型支持长事务.然而,由于软件过程事务处理的特殊性,这些模型只能反映其中一部分需求,而且大多数多层的合作事务模型还不够稳定,无法应用于商业,这对PSEE的事务机制提出了挑战.基于此,提出了一个基于规则的软件过程事务模型E-Process/TM,能够较好地刻画软件过程的特征,即用户交互性、长周期、迭代式过程和数据共享的多用户协作.基于用户可自定义的正确性规则,E-Process/TM提供了良好的灵活性和开放性.目前,该模型已在商业PSEE产品中得以实现,并成功地应用于实践中     

一个概率关系专家数据库模型

该文在关系数据库理论的基础上,针对元组级不确定信息,给出了一种概率知识表示的方法,并以此为基础,首先推广传统关系到概率关系,进而推广关系代数到概率关系代数,建立了一个简单的概率关系数据模型,并给出了该模型的一些基本操作,如选择、投影,笛卡尔积、并、差等。该模型对存储和管理不确定信息的数据库的建立有一定参考价值。     

Mining Skewed and Sparse Transaction Data for Personalized Shopping Recommendation

A good shopping recommender system can boost sales in a retailer store. To provide accurate recommendation, the recommender needs to accurately predict a customer's preference, an ability difficult to acquire. Conventional data mining techniques, such as association rule mining and collaborative filtering, can generally be applied to this problem, but rarely produce satisfying results due to the skewness and sparsity of transaction data. In this paper, we report the lessons that we learned in two real-world data mining applications for personalized shopping recommendation. We learned that extending a collaborative filtering method based on ratings (e.g., GroupLens) to perform personalized shopping recommendation is not trivial and that it is not appropriate to apply association-rule based methods (e.g., the IBM SmartPad system) for large scale prediction of customers' shopping preferences. Instead, a probabilistic graphical model can be more effective in handling skewed and sparse data. By casting collaborative filtering algorithms in a probabilistic framework, we derived HyPAM (Hybrid Poisson Aspect Modelling), a novel probabilistic graphical model for personalized shopping recommendation. Experimental results show that HyPAM outperforms GroupLens and the IBM method by generating much more accurate predictions of what items a customer will actually purchase in the unseen test data. The data sets and the results are made available for download at http://chunnan.iis.sinica.edu.tw/hypam/HyPAM.html.     

一种基于VxWorks平台的实时数据库事务处理模型

提出了一个实时事务处理模型,使得基于该结构的实时数据库能很好地应用当前成熟的实时事务处理研究成果,并分析了VxWorks操作系统对于这一模型提供的支持。