基于信任和图聚类的协同过滤推荐算法

推荐系统的作用是为用户提供个性化的建议或服务,从而帮助用户在大量数据中快速找到感兴趣的项目。在现有的推荐算法中,基于模型的协同过滤推荐算法是推荐系统中一种重要且被广泛使用的方法,它可以解决推荐系统中的冷启动和数据稀疏等部分问题。文中对传统的协同过滤算法进行了改进,将组合了信任信息和图聚类算法的协同过滤技术应用在推荐系统。该方法首先将用户/项目信息表示为图形,然后在图形上使用近似最密集子图查找算法来找到初始集群中心,接着应用迭代方法来更新集群中心直到合并集群。最后将找到的集群作为邻居,对未知项目预测评级并向活跃的用户推荐前N项。在不同的数据集中,对比不同聚类方法的评估结果来表明所改进的方法优于其它推荐方法。     

基于蚁群聚类的二部图网络推荐算法

二部图网络推荐算法是近几年研究较多的推荐算法,但在进行资源分配时都是基于全部用户的资源,大量不相干的用户使得用户间的耦合度下降,影响推荐质量。针对该问题,文中利用蚁群聚类算法基于用户进行聚类,后根据项目一定半径内的项目集合进行二部图网络推荐,实验结果显示在一定条件下该算法相比原来算法有较好的推荐性能,表明该算法在一定的条件下能降低耦合度过低的影响。     

基于项目与用户的组合推荐算法研究

协同过滤技术是当前推荐系统中应用最广泛的推荐技术之一,随着系统用户规模的激增,传统的协同过滤技术存在实时性差、可扩展性差、数据稀疏性等问题。为了解决上述问题,提出了一种基于项目与用户的个性化组合推荐算法。首先,利用项目聚类对未评分项目进行评分预测,并填充用户-项目评分矩阵;再将项目聚类结果与用户行为特征相结合并对其进行用户聚类;最后,根据近邻相似性计算实现TOP-N推荐。实验表明,提出的组合推荐算法显著提高了推荐系统的准确性与实时性。     

基于MI聚类的个性化推荐算法研究

针对传统协同过滤推荐算法推荐效率低下,以及其在数据稀疏性和冷启动方面的不足,文中提出基于MI聚类的个性化推荐算法,该算法在协同过滤推荐的基础上,引入多示例形式的用户评分信息模型,用包来表示用户基本信息与历史行为数据,并通过相似度分层次加权对用户的未知项目评分进行预测,最终得出推荐项。实验仿真表明本文算法的准确度和召回率明显优于已有的算法,并且有效地缓解了冷启动和数据稀疏问题。     

基于用户兴趣模型的个性推荐算法

协同过滤推荐技术和基于商品属性的推荐技术是比较流行的个性化推荐方法,但是前者存在数据稀少和新对象问题,后者也存在无法挖掘用户潜在兴趣的问题.本文采用基于区域用户的相邻用户进行数据评分的矩阵填充,并采用商品之间的关联规则应用和解释来向用户推荐产品.测试表明,本方法解决了新商品的问题,并且在推荐的准确度、新颖性和覆盖度上有了较好的效果.     

网络电视推荐系统框架及协同过滤算法的研究

针对网络电视推荐系统中通常采用的协同过滤推荐算法的不足,提出了一种将聚类、用户相似—信任关系和项目属性关系相组合的协同过滤推荐技术.该组合推荐技术首先通过聚类分析缩小用户的有效搜索范围,其次通过引入信任关系来提高推荐的准确性,从而为目标用户提供更好的推荐结果.经过实验表明,该算法提高了推荐质量.     

K-means聚类个性化推荐算法改进研究

聚类算法是数据挖掘中的重要技术,用于发现数据中未知的分类,是电子商务领域实现个性化推荐的重要方法。个性化推荐服务,是一种针对不同特征的用户推出适合于用户的信息及服务。文章介绍了一种K-means的聚类算法,该算法主要应用于数据挖掘领域,也在推荐系统的研究中占有重要的地位。文章还详细的分析了该算法目前存在的不足,针对该算法对初始值有一定要求这一不足,提出了一种通过预处理初始聚类中心的方法,以此来改进该算法,从实验结果可知,该改进算法能够减少迭代次数,提高计算效率。     

一种改进的基于用户聚类的协同过滤推荐算法

为克服在线视频网站中出现的数据稀疏性和推荐实时性不佳的问题,本文提出一种基于用户聚类的改进算法.首先该算法以商品属性为辅助预填充矩阵空白,然后采用初始聚类中心优化的k-means算法在矩阵上对用户进行离线聚类,将兴趣点相同的用户聚集到同一类别中,最后在线寻找目标用户最近邻并产生推荐.本文采用MovieLens作为测试数据集,实验结果表明,本文算法可以有效缓解数据稀疏性及改善实时性,并在一定程度上提高推荐精度.     

基于蚁群聚类项目评分预测的推荐算法研究

针对数据稀疏性问题,提出基于蚁群聚类的项目评分预测方法.在对Web日志分析基础上将用户聚类,针对目标用户的未评分项目,找到目标用户的若干最近邻类簇,利用类簇内其他用户对目标项目的评分预测未评分项目的评分,从而达到降低数据稀疏性目的.最后,结合协同过滤思想设计了相应的推荐算法,并用从自主开发的旅游电子商务网站上收集的数据进行试验仿真.实验结果表明,与其它缓解数据稀疏性的方法相比,文中的方法显著提高了推荐精度.     

基于聚类算法的二分类问题研究

分类预测是机器学习的基础任务,在机器视觉、文本分析、在线广告等领域均有广泛的应用,对行业发展具有极大的促进作用。随着信息技术的发展,数据规模不断扩大,复杂的高维数据使得传统的分析方法变得困难,以至于现有的深度学习模型在对复杂数据集进行分类预测时,常常出现预测性能不够理想的情况。在广告点击预测领域,通过引入聚类方法,充分利用数据内在的隐式关系,有助于构建更准确、鲁棒性更好的分类模型。     

基于二分图模型的通信信息网络故障联合定位

国家电网信息通信网络依靠两套运维系统,分别实现对信息网络与通信网络的故障定位与分析,然而通信网络故障往往会引发信息网络故障,如何高效精确地进行通信信息网络故障联合定位是亟需解决的问题.针对信息通信网络的联合故障定位问题,提出了基于二分图模型的故障联合定位算法.首先依据通信网网络节点的关联性对网络分簇,并将每一簇作为一个子域.其次在每个子域内建立基于二分图的故障关联影响模型,最终利用目标排序法并行地对多个子域内网络故障进行分析,从而实现通信信息网络关联故障高效精确的联合定位.实验结果表明,该联合故障定位分析方法的故障诊断率达85％～95％.     

An efficient clustering and load balancing of distributed cloud data centers using graph theory

The prime focus of the Cloud Service Providers is enhancing the service delivery performance of the distributed cloud data centers. The clustering and load balancing of distributed cloud data centers have significant impact on its service delivery performance. Hence, this paper models distributed cloud data center environment as a network graph and proposes a two‐phase cluster‐based load balancing (CLB) algorithm based on a graph model. The first phase proposes a Cloud Data Center Clustering algorithm to cluster the distributed cloud data centers based on their proximity. The second phase proposes a Client‐Cluster Assignment algorithm to perform uniform distribution of the client requests across the clusters to enable load balancing. To assess the performance, the proposed algorithms are compared with other K‐constrained graph‐based clustering algorithms namely, graph‐based K‐means and K‐spanning tree algorithms on a simulated distributed cloud data center environment. The experimental results reveal that the proposed CLB algorithm outperforms the compared algorithms in terms of the average clustering time, load distribution, and fairness index and hence improves the service delivery performance of the distributed cloud data centers.     

基于用户分簇的认知超密集网络资源分配

针对5G时代小基站的密集部署带来的复杂干扰问题,对下行的认知无线电超密集网络下的资源分配进行了研究。为减小网络干扰,提高次用户吞吐量,提出了一种改进的基于用户分簇的资源分配算法。基于基站的覆盖范围,选出用户的强干扰基站,以用户-基站干扰关系建立用户-用户干扰图,按用户受到的平均弱干扰划分优先级对用户分簇,再为簇集群预分配频段,为每个簇分配对应频段中效用最大的信道。该资源分配算法能准确反映用户间的干扰关系,保障资源分配公平性。仿真结果表明,当用户密度与基站密度均较大时,与相同场景的已有算法相比,该改进算法有较好的抗干扰能力,能有效提高次用户的吞吐量。     

基于置信用户偏好模型的电视推荐系统

基于用户偏好的电视节目个性化推荐是一种内容的推荐算法。其中用户偏好的不确定性和描述上的模糊性是用户模型建立的难点。在此首先通过对样本用户过往观看记录数据进行分析,发现用户偏好存在一定的时不变性。把偏好在一定时间内不发生变化的用户称作置信用户,在这个基础上,建立基于节目特征向量空间的用户偏好模型,并提出基于用户偏好度模型的推荐算法。该算法通过用户观看视频的历史记录得到用户的偏好模型,并基于该偏好模型向用户推荐节目。仿真实验证明了算法的收敛性和有效性。     

基于概率图模型的音乐推荐方法

提出了一种基于概率图模型的音乐推荐方法。该方法利用歌曲相似度确定歌曲间的关系,从而建立歌曲网络,在此基础上利用主题模型得到的歌曲主题概率分布,建立包含局部属性（主题概率分布）和全局结构（歌曲网络）的概率图模型,转化为因子图后,再利用推理算法对概率图模型进行计算,最终获得歌曲在不同主题下的推荐列表。实验表明,本方法能够获得较好的推荐效果,是对音乐推荐方法的有益探索。     

基于MapReduce的SimRank算法在图聚类中的应用

由Jeh和Widom提出的SimRank算法是一种普适"结构相似度"计算模型。由于SimRank算法采用迭代方式计算图节点间相似性,因此时间复杂度和空间复杂度都非常高。随着数据量的激增,单机运算能力不能满足大规模数据的计算要求。本文提出了基于MapReduce计算模型的分布式SimRank算法,利用该算法对RDF图进行相似度度量,然后利用分布式的AP聚类算法对图节点进行聚类分析。实验结果表明,该方法能够高效的完成图节点的相似度度量,实现图的有效聚类。     

基于Beta分布的无线传感器网络分簇路由信任管理机制研究

信任管理机制为保障无线传感器网络安全提供了一种有效方案,通过对节点的行为进行评价,建立整个网络的信任管理机制,对判断的恶意节点采用相应的限制措施来保障安全。文章以Beta概率密度分布函数的期望值作为信任值,优化网络分簇路由协议,可在保障网络能量高效利用的同时,有效提升整个网络的安全性。     

一种利用多主体领域系统进行数据聚类的新方法

提出一种数据聚类方法:MATS,该方法受蚁群算法启发,同时应用存在性技术,例如密度概念和聚类有效性指数(DB-指数)。MATS可以自动根据一些与数据集不直接相关的参数找到簇。实验结果证明了MATS可以识别不规则簇并能有效应用于图像分割,在图像分割速度和效果方面比传统聚类算法(如FCM算法)有明显提高。     

基于大数据的电子商务商品推荐系统研究

随着现代电子商务的不断发展,如何在琳琅满目的商品中给客户推荐针对性的商品,从而提高商品成交率成为当前的思考的重点。本文结合当前的大数据技术,提出一种基于数据挖掘的电子商务推荐系统,并对其实现进行了详细的探讨,从而为当前电子商务的发展提供参考。     

基于隐私保护的聚类研究

数据挖掘技术在发现规律和知识的同时也暴露了一些隐私信息,隐私保护因此成为数据挖掘过程中需要研究的重要问题,其目标是在不访问真实原始数据的条件下,能得到正确的数据挖掘结果.介绍聚类分析过程中的隐私保护问题,讨论了基于隐私保护的聚类分析基本思想.