基于模块度和标签传递的推荐算法

针对基于网络信息的商品推荐的问题，提出了在二部网络上基于社区挖掘和标签传递的推荐算法。首先，用带权的二部图来表达用户-项目的评分矩阵，利用标签传递技术对二部网络进行社区挖掘；然后，基于二部网络中的社区结构信息，充分利用用户所在的社区之间的相似性以及项目之间、用户之间的相似性来挖掘用户可能感兴趣的项目；最后，向用户进行项目的推荐。在实际网络上的实验结果表明，与基于双向关联规则项目评分预测的推荐算法（BAR-CF）、基于项目评分预测的推荐算法（IR-CF）、基于网络链接预测的用户偏好预测方法（PLP）和改进的基于用户的协同过滤的方法（MU-CF）相比，该算法的平均绝对差（MAE）低0.1~0.3，准确率高0.2。因此，所提算法可以取得比其他类似方法更高质量的推荐结果。     

基于改进相似性度量的项目协同过滤推荐算法

针对传统协同过滤推荐算法遇到冷启动情况效果不佳的问题,提出一种基于项目相似性度量方法（IPSS）的项目协同过滤推荐算法（ICF_IPSS）,其核心是一种新的项目相似性度量方法,该方法由评分相似性和结构相似性两部分构成：评分相似性部分充分考虑两个项目评分之间的评分差、项目评分与评分中值之差,以及项目评分与其他评分平均值之差;结构相似性部分定义了共同评分项目占所有项目比重,并惩罚活跃用户的逆项目频率（ⅡF）系数。在Movie Lens和Jester数据集下测试算法准确率。在Movie Lens数据集下,当近邻数量为10时,ICF_IPSS的平均绝对偏差（MAE）和均方根误差（RMSE）分别比基于Jaccard系数的均方差异系数的项目协同过滤算法（ICF_JMSD）低3.06%和1.20%;当推荐项目数量为10时,ICF_IPSS的准确率和召回率分别比ICF_JMSD提升67.79%和67.86%。实验结果表明,基于IPSS的项目协同过滤算法在预测准确率和分类准确率方面均优于基于传统相似性度量的项目协同过滤算法,如ICF_JMSD等。     

融合信任信息的欧氏嵌入推荐算法

为了改善推荐系统存在的稀疏性和冷启动问题，提出一种融合信任信息的欧氏嵌入推荐（TREE）算法。首先，利用欧氏嵌入模型将用户和项目嵌入到统一的低维空间中；其次，在用户相似度计算公式中引入项目参与度和用户共同评分因子以度量信任信息；最后，在欧氏嵌入模型中加入社交信任关系正则化项，利用不同偏好的信任用户约束用户的位置向量并生成推荐结果。实验将TREE算法与概率矩阵分解（PMF）、社会正则化（SoReg）模型、社交的矩阵分解（SocialMF）模型、社交信任集成模型（RSTE）四种算法进行对比，当维度为5和10时，在Filmtrust数据集上TREE算法的均方根误差（RMSE）比最优的RSTE算法分别降低了1.60%、5.03%，在Epinions数据集上TREE算法的RMSE比最优的社交矩阵分解模型（SocialMF）算法分别降低了1.12%、1.29%。实验结果表明，TREE算法能进一步缓解稀疏和冷启动问题，提高评分预测的准确性。     

结合概率矩阵分解的混合型推荐算法

针对社交网络推荐系统中存在的数据稀疏、冷启动等问题,提出了一种结合特征传递和概率矩阵分解（TPMF）的社交网络混合型推荐算法。以概率矩阵因式分解（PMF）方法作为推荐框架,不仅考虑了用户信任网络,还结合推荐项目之间的关联关系、用户项目评分矩阵和自适应权重来权衡个人潜在特征和社交潜在特征对用户的影响程度。将社交网络中用户间的信任特征传递引入推荐系统中作为推荐的有效依据。实验结果表明,与基于用户的协同过滤（UBCF）、TidalTrust、PMF和SoRec算法相比,TPMF的平均绝对误差（MAE）直接相减后降低了4.1%到20.8%,均方根误差（RMSE）降低了3.3%到18.5%。在冷启动问题中,与上述四种算法相比,TPMF的平均绝对误差相减后降低了1.6%到14.7%,均方根误差降低了约1.2%到9.7%,能有效缓解冷启动问题,提高算法的鲁棒性。     

融合项目标签相似性的协同过滤推荐算法

针对传统推荐算法在相似性计算和评分预测方法中存在预测精度和稳定性的不足,为进一步提高算法精确度和稳定性,提出一种新的推荐算法。首先,依据各项目的重要标签的数量,计算出项目间M²相似性,依据该相似性构成该项目的邻近项目集;然后,参考Slope One加权算法思想,定义了新的评分预测方法;最后,使用该评分方法基于邻近项目集对用户评分进行预测。为了验证该算法的准确性和稳定性,在MovieLens数据集上与基于曼哈顿距离的K-最近邻（KNN）算法等传统推荐算法进行了对比,实验结果表明该算法与KNN算法相比平均绝对误差下降7.6%,均方根误差下降7.1%,并且在稳定性方面也更好,能更准确地为用户提供个性化推荐。     

用于股指预测的自适应训练及删剪算法

提出了利用基于自适应训练及删剪算法的抽头延迟神经网络模型对股指这一非线性时间序列进行预测。首先采用基于递归最小方差的自适应学习算法对网络模型进行学习训练，由于该算法的学习步长能够自行调整，初始参数少，所以收敛速度很快；再利用删剪算法对学习后的网络结构进行删剪，优化网络的拓扑结构，降低网络的计算复杂度，提高网络的泛化能力；然后对优化后的网络进行再学习，使优化后的网络具有最佳参数；最后利用优化后的网络对未来的股指（测试样本）进行预测。仿真实验表明，与删剪前的网络结构相比，优化后的网络结构不但降低了计算复杂度而且提高了预测精度，运算复杂度降低到原来的0.0556，预测均方误差达到8.7961e-5。     

融合显/隐式反馈的社会化协同排序推荐算法

传统的基于评分预测的社会化协同过滤推荐算法存在预测值与真实排序不匹配的固有缺陷,而基于排序预测的社会化协同排序推荐算法更符合真实的应用场景。然而,现有的大多数基于排序预测的社会化协同排序推荐算法要么仅仅关注显式反馈数据,要么仅仅关注隐式反馈数据,没有充分挖掘这些数据的价值。为充分挖掘用户的社交网络和推荐对象的显/隐式评分信息,同时克服基于评分预测的社会化协同过滤推荐算法存在的固有缺陷,在xCLiMF模型和TrustSVD模型基础上,提出一种新的融合显/隐式反馈的社会化协同排序推荐算法SPR_SVD++。该算法同时挖掘用户评分矩阵和社交网络矩阵中的显/隐式信息,并优化排序学习的评价指标预期倒数排名（ERR）。在真实数据集上的实验结果表明,采用归一化折损累计增益（NDCG）和ERR作为评价指标,SPR_SVD++算法均优于最新的TrustSVD、MERR_SVD++和SVD++算法。可见SPR_SVD++算法性能好、可扩展性强,在互联网信息推荐领域有很好的应用前景。     

基于模块度和标签传递的推荐算法

针对基于网络信息的商品推荐的问题,提出了在二部网络上基于社区挖掘和标签传递的推荐算法。首先,用带权的二部图来表达用户-项目的评分矩阵,利用标签传递技术对二部网络进行社区挖掘;然后,基于二部网络中的社区结构信息,充分利用用户所在的社区之间的相似性以及项目之间、用户之间的相似性来挖掘用户可能感兴趣的项目;最后,向用户进行项目的推荐。在实际网络上的实验结果表明,与基于双向关联规则项目评分预测的推荐算法（BAR-CF）、基于项目评分预测的推荐算法（IR-CF）、基于网络链接预测的用户偏好预测方法（PLP）和改进的基于用户的协同过滤的方法（MU-CF）相比,该算法的平均绝对差（MAE）低0.1~0.3,准确率高0.2。因此,所提算法可以取得比其他类似方法更高质量的推荐结果。     

基于归因理论用户偏好提取的协同过滤算法

协同过滤算法的用户评分与用户偏好之间可能存在偏差,导致推荐准确度降低。为此,提出一种基于归因理论的用户偏好提取算法。基于用户行为的一致性、区别性和正负偏好信息提取用户偏好。融合偏好相似性与评分相似性以获得更优的最近邻集合,计算用户对未评分项目的预测评分值。在通用数据集Movies Lens-1M上进行实验,结果表明,在10%偏好相似性与60%评分相似性的融合条件下,该算法的推荐准确度取得最优值,且优于传统协同过滤算法以及HU-FCF、BM/CPT-V等改进算法。     

融合信任隐含相似度与评分相似度的社会化推荐

针对现有的社会化推荐算法大都忽略了物品间的关联关系对推荐精度的影响,并且未能将用户评分与信任数据进行有效结合的问题,提出一种融合信任隐含相似度与评分相似度的社会化推荐算法（SocialTS）。首先,将用户间的评分相似度与信任隐含相似度进行线性组合以得到用户间可靠的相似朋友;然后,将信任关系融入到项目的相关性分析中,从而得到修正后的相似项目;最后,将相似用户、项目作为正则项添加到矩阵分解（MF）模型下,从而获取用户、项目更准确的特征表示。实验结果表明,当潜在特征维度为10时,与主流的社会化推荐算法TrustSVD相比,SocialTS在FilmTrust和CiaoDVD数据集上的均方根误差（RMSE）分别降低了4.23%和8.38%,平均绝对误差（MAE）分别降低了4.66%和6.88%。SocialTS不仅可以有效改善用户冷启动问题,还能较为准确地预测不同评分数量下用户的实际评分,且具有良好的鲁棒性。     

结合异构关系增强图神经网络的社交推荐

社交推荐旨在利用用户的社会属性推荐潜在的感兴趣项目,有效缓解了数据稀疏性和冷启动问题。然而现有的社交推荐算法主要面向单一社交关系进行研究,社会属性难以充分参与计算,存在未能合理利用社会异构关系和节点特征表示质量不高的问题,为此提出一种结合异构关系增强图神经网络的社交推荐模型（HR-GNN）。HR-GNN利用图卷积网络（GCN）聚合用户和项目节点信息,生成查询嵌入以查询节点信息;通过将抽样概率与邻居节点之间的一致性分数相结合的邻居抽样策略挖掘社会异构关系;用自注意力机制聚合节点信息以提高用户和项目特征表示的质量。在两个真实数据集上进行的实验结果表明,所提算法在平均绝对误差（MAE）和均方根误差（RMSE）两个指标上相较于基准算法均有明显改进,在Ciao数据集上它们分别至少降低了1.80%和1.35%,在Epinions数据集上则分别至少降低了2.80%和3.18%,验证了HR-GNN的有效性。     

基于评分填充与信任信息的混合推荐算法

针对推荐系统的数据稀疏性导致的推荐效果不佳的问题，提出一种基于评分填充与信任信息的混合推荐的算法RTWSO（Real-value user item restricted Boltzmann machine Trust WSO）。首先，使用改进的受限玻尔兹曼机模型对评分矩阵进行填充，以缓解评分矩阵的稀疏性问题；其次，从信任关系中提取信任与被信任关系，并通过基于矩阵分解的隐含信任关系相似度来解决信任信息稀疏的问题，而且对原有算法进行了包含信任信息的修正，以提高推荐准确度；最后，通过加权Slope One（WSO）算法对矩阵填充与信任相似度信息加以整合，并对评分数据进行预测。在Epinions与Ciao数据集中验证算法性能，可见所提出混合推荐算法较组成算法在推荐准确度上提升3%以上，较现有社会化推荐算法SocialIT（Social recommendation algorithm based on Implict similarity in Trust）在推荐准确度上提升1.2%以上。实验结果表明，所提出的基于评分填充与信任信息的混合推荐算法在一定程度上提高了推荐准确度。     

融合社交网络和图像内容的兴趣点推荐

基于位置的社交网络（LBSN）蓬勃发展，带来了大量的兴趣点（POI）数据，加速了兴趣点推荐的研究。针对用户-兴趣点矩阵极端稀疏造成的推荐精度低和兴趣点特征缺失问题，通过融合兴趣点的标签、地理、社交、评分以及图像等信息，提出了一种融合社交网络和图像内容的兴趣点推荐方法（SVPOI）。首先分析兴趣点数据集，针对地理信息，利用幂律概率分布构造距离因子；针对标签信息，利用检索词频率构造标签因子；融合已有的历史评分数据，构造新的用户-兴趣点评分矩阵。其次利用VGG16深度卷积神经网络模型（DCNN）识别兴趣点图像内容，构造兴趣点图像内容矩阵。然后根据兴趣点数据的社交网络信息，构造用户社交矩阵。最后，利用概率矩阵分解（PMF）模型，融合用户-兴趣点评分矩阵、图像内容矩阵、用户社交矩阵，构成SVPOI兴趣点推荐模型，生成兴趣点推荐列表。大量的真实数据集上的实验结果表明，与PMF、SoRec、TrustMF、TrustSVD推荐算法相比，SVPOI推荐的准确度均有较大提升，其平均绝对误差（MAE）和均方根误差（RMSE）两项指标比最优的TrustMF算法分别降低了5.5%和7.82%，表明SVPOI具有更好的推荐效果。     

基于巴氏系数和Jaccard系数的协同过滤算法

针对传统基于邻域的协同过滤推荐算法存在数据稀疏性及相似性度量只能利用用户共同评分的问题,提出一种基于巴氏系数和Jaccard系数的协同过滤算法（CFBJ）。在项目相似性度量中,该算法引入巴氏系数和Jaccard系数,巴氏系数利用用户所有评分信息克服共同评分的限制,Jaccard系数可以增加相似性度量中共同评分项所占的比重。该算法通过提高项目相似度准确率来选取最近邻,优化了对目标用户的偏好预测和个性化推荐。实验结果表明,该算法比平均值-杰卡德差分（MJD）算法、皮尔森系数（PC）算法、杰卡德均方差（JMSD）算法、PIP算法误差更小,分类准确率更高,有效缓解了用户评分数据稀疏所带来的问题,提高了推荐系统的预测准确率。     

基于实用拜占庭容错的物联网入侵检测方法

物联网入侵的检测率虽高，但面临节点能力消耗过大的问题，为此提出一种基于共识的实用拜占庭容错（PBFT）算法的入侵检测方法。首先，使用支持向量机（SVM）进行预训练得到入侵检测判定规则，并将训练规则应用于物联网中的每个节点；然后，选举出部分节点对网络中其他节点进行主动入侵检测，同时将自身的检测结果向其他节点公布；最后，每个节点依据PBFT算法判断其他节点的状态，使检测结果在系统内达到一致性。在NSL-KDD数据集上使用TinyOS进行仿真的实验结果表明，所提方法与集成入侵检测系统（ⅡDS）和双重降维双重检测（TDTC）方法相比，能量消耗平均降低12.2%和7.6%，能够有效地降低物联网的能量消耗。     

CG-DRR:数字重建放射影像循环一致性生成对抗算法

目的 当前数字重建放射影像（digitally reconstructed radiograph,DRR）生成算法难以同时保证影像生成效率和质量。为此,提出一种基于循环一致性生成对抗网络（generative adversarial network, GAN）的新型DRR生成算法（cycle-GAN-DRR, CG-DRR）,在保证生成效率的同时,兼顾生成影像与真实X射线影像的灰度和结构一致性。方法CG-DRR算法包含数据预处理、网络训练和网络应用3个阶段。数据预处理阶段准备后续网络训练需要的图像数据;网络训练阶段使用预处理后的数据训练循环一致性生成对抗网络;在应用阶段,训练后网络输入光线跟踪法生成的DRR图像实现DRR图像灰度校正。结果 使用4个常用图像相似性指标和2个梯度相似性指标分别评估原始DRR图像与灰度校正后的DRR图像的灰度和几何结构一致性。与传统光线跟踪法相比,盆腔和胸腔数据平均峰值信噪比分别提高18.22 dB和8.82 dB,平均绝对误差分别减少0.18和0.07,归一化均方根误差分别减少0.23和0.10,结构相似度指数分别提高23.5%和13.5%,与当前最新Re...     

基于堆栈降噪自编码器改进的混合推荐算法

针对传统协同过滤算法仅利用评分信息作为推荐依据,没有利用用户评论和标签信息,无法准确反映用户对项目特征的偏好,推荐精确度低且容易过拟合等问题,提出一种基于堆栈降噪自编码（SDAE）改进的混合推荐（SDHR）算法。首先利用深度学习模型SDAE从用户自由文本标签中抽取项目的显式特征信息;然后,改进隐因子模型（LFM）算法,使用显式项目特征信息替换LFM中的抽象特征,进行矩阵分解训练;最后通过用户-项目偏好矩阵为用户提供推荐。在公开数据集MovieLens上的实验测试,与三组推荐模型（基于标签权重及协同过滤、基于SDAE和极限学习机、基于循环神经网络）比较,该算法推荐精确度分别提高了45.2%、38.4%和16.1%。实验结果表明,所提算法可以充分利用项目自由文本标签信息提高推荐性能。     

类型相似性与品味影响力的推荐系统评分预测

电影推荐算法依靠计算用户的偏好差异进行推荐,以解决互联网时代的信息过载问题.传统协同过滤等推荐算法主要基于用户间对相同电影的评分差异计算用户偏好的相似性.这类方法忽视了用户的评分行为是一种实际上的选择行为,即便评分不高也体现出用户对该类型电影的兴趣.针对这一问题,本文设计了基于电影类型标签选择概率的用户间相似性计算方法,并建立了以用户为节点,以用户之间的相似性为边的推荐系统的复杂网络模型,并根据上述网络拓扑结构中的节点中心性数据,进一步设计了平衡用户品味影响力函数,调整了用户协同偏好的结果,提出了基于用户偏好相似性和用户品味影响力的电影评分预测方法.在MovieLens数据集上的实验结果表明,本文提出的算法与几种典型的现有方法相比较,可以有效的度量用户偏好的相似性以及抵消用户大众化品味影响力被高估在评分预测中带来的负面影响,与现有算法相比预测误差平均降低了2%至5%.     

雷达目标检测深层自编码器自适应优化算法

研究了现阶段雷达低小慢目标探测技术的难点与方法。分析了深层自编码器基本模型与算法，通过引入自适应学习理论，提出了基于Rumelhart函数的深层自编码器自适应算法（RDAAA），并证明了算法的收敛性。优化算法避免了网络训练过程中出现惩罚过度的现象，克服了学习速率过高导致网络振荡发散，或学习速率过小降低网络收敛速度等缺陷。利用两种数据集对RDAAA、基于交叉熵函数的深层自编码器学习算法（CDAA）与误差反向传播算法（BPA）进行模式识别能力分析，结果表明在确定限定误差与选取最佳学习速率的情况下，RDAAA相对于CDAA与BPA收敛速度最快，正确识别率更高。围绕雷达目标检测与深度学习理论，分析了低小慢目标特性，将目标检测问题转化为模式分类问题，利用上述三种算法进行目标检测仿真实验，结果表明RDAAA与CDAA的性能明显优于BPA，且RDAAA的检测率更高，特别是处于低信噪比阶段，仍可保持较高的发现概率。     

基于改进蝶形反馈型神经网络的海关风险布控方法

针对现阶段我国海关风险布控方法存在效率、准确率较低、人力资源占用过多的问题和智能化分类算法小型化部署需求，提出一种基于改进蝶形反馈型神经网络（BFNet-V2）的海关风险布控方法。首先，运用编码填充（FC）算法实现海关表格数据到模拟图像的语义替换；其次，运用BFNet-V2训练模拟图像数据，由左右两条链路、不同卷积核和块、小块的设计组成规则的神经网络结构，并添加残差短路径干预改善过拟合和梯度消失；最后，提出历史动量自适应矩估计算法（H-Adam）优化梯度下降过程，取得更优的自适应学习率调整方式，并分类海关数据。选取Xception(eXtreme inception)、移动网络（MobileNet）、残差网络（ResNet）和蝶形反馈型神经网络（BF-Net）为基线网络结构进行对比。BFNet-V2的接受者工作特征曲线（ROC）和查准率-查全率曲线（PR）包含了基线网络结构的曲线，与4种基线网络结构相比，基于迁移学习（TL）的BFNet-V2分类准确率分别提高了4.30%、4.34%、4.10%和0.37%。在真实标签数据分类过程中，BFNet-V2的查获误判率分别降低了70.09%、...