基于概率矩阵分解的多指标协同过滤算法

为解决已有关于多指标评分推荐方法中忽略多指标之间存在相关性的问题,提出一种基于概率矩阵分解的多指标协同过滤算法(multi-criteria collaborative filtering algorithm based on probabilistic matrix factorization,M CPM F)。该算法将多指标评分表示成一个对整体用户和产品产生影响的权重矩阵,并假设该矩阵潜在分布服从高斯分布,其概率密度分布与用户和产品特征矩阵的概率密度分布条件相关。通过概率矩阵分解的方法学习得到用户和产品特征矩阵。在两个真实数据集上的试验结果表明,该方法比只考虑单一综合评分的方法能更加精确地预测用户的综合评分,同时能降低数据稀疏对推荐算法的影响。     

基于项目语义相似度的协同过滤推荐算法

协同过滤是个性化推荐系统中最广泛使用的推荐技术.在用户评分矩阵极度稀疏情况下,传统的协同过滤推荐算法中用户相似度的计算建立在用户评分项目交集之上,并且没有考虑不同项目之间存在的语义关系,从而导致推荐准确率低.针对上述问题,文章提出一种新的基于项目语义相似度的协同过滤算法(CFSSI,collaborative filtering basedon semantic similarity between Items):首先利用领域本体计算项目之间的相似性,填充评分矩阵缺失值,而后根据修正的余弦相似度计算用户相似性.实验结果表明:算法可以在用户评分数据极端稀疏的情况下,仍能取得较高的推荐质量.     

融合信任相似度的偏置概率矩阵分解算法

为解决社会化推荐算法推荐效果严重依赖用户信任数据的问题,提出一种融合信任相似度的偏置概率矩阵分解算法(bias probability matrix factorization algorithm fused with trust similarity, TTSPMF)。该算法引入稀疏性更低的信任相似度网络,使用信任关系的相似性弥补用户信任数据的稀疏性。通过用户信任矩阵计算得出信任相似度矩阵,然后将信任相似度矩阵和用户信任矩阵共同进行矩阵分解,同时加入偏置项来表达用户和物品的偏好,从而更好地刻画用户和物品的特征,避免因用户或物品本身因素带来的评分偏差。使用概率矩阵分解模型融合信任矩阵和信任相似度矩阵并迭代求解,得到用户特征矩阵和物品特征矩阵。在多个数据集上的试验证明,在不同评价指标下,该算法的推荐准确度明显高于传统推荐算法,可以有效缓解数据稀疏带来的推荐效果差的问题。     

基于协同过滤的个性化选课模式研究与实践

针对协同过滤算法存在数据稀疏性问题及新用户问题,根据选课系统的具体情况及特殊性,比如,优秀学生可以按相似度高的邻居评价推荐,对于成绩较差的学生应参照优秀学生的选课情况对其推荐。对协同过滤算法进行改进,在学生对课程评价矩阵的基础上,抽取出一部分具有指导意义的信息,称作"优秀学生"评分矩阵,该矩阵由选课系统中所有评分数据过滤生产,代表了系统所有学生的评价信息,并随着系统中评价数据的变化而改变,利用"优秀学生"评分矩阵,根据学生的学院、专业、性别等属性,计算目标学生与"优秀学生"间的相似度;进而生成最近邻居集合;最后根据最近邻居对其生产高质量的推荐。改进后的算法在北京信息科技大学选课系统中进行实验,实验结果表明,改进后的算法在推荐效率及准确度上有明显的提高。     

基于选择性预测策略的协同过滤推荐算法

针对传统协同过滤推荐算法在用户评分数据极端稀疏情况下无法取得令人满意的推荐质量问题,结合User-based 和Item-based 协同过滤算法思想,提出了一种基于选择性预测策略的协同过滤推荐算法,算法利用高相似度阈值来计算用户相似性和项目相似性,并通过形成用户最近邻居集和项目最近邻居集来预测填充评分矩阵。基于Movielens数据集的实验表明,改进的算法有效改善了传统协同过滤推荐算法的数据稀疏性和扩展性问题,明显提高了系统的推荐质量。     

基于用户兴趣评分填充的改进混合推荐方法

针对传统协同过滤推荐方法中的用户项目评分数据稀疏和推荐准确度不高的问题,提出了一种基于用户兴趣评分填充的改进混合推荐方法。首先,分析用户对项目类型的偏好,计算用户兴趣评分并进行矩阵填充;然后,考虑用户主观评分差异化及项目自身质量的影响,对传统皮尔逊相关系数进行改进,并基于已填充评分矩阵进行用户相似性及项目相似性计算;在此基础上分别基于用户和项目两个方面进行评分预测,并将两者的预测评分进行加权求和,进而进行混合推荐;最后,以Movielens100k为数据集进行实验,先分析了用户兴趣评分矩阵的填充效果,再将文中方法和传统协同过滤混合推荐方法以及文献中提出方法进行了对比分析。实验结果表明;提出的评分矩阵填充方法能有效缓解数据稀疏的影响,填充效果优于传统评分矩阵填充方法;提出的改进混合推荐方法（IHRIRF）比传统的混合协同过滤推荐方法HCFR及WPCC方法具有更好地推荐效果。     

基于PCA降维协同过滤算法的改进

随着电子商务网站用户与商品数目的增加,使用户一项目评分矩阵成为高维稀疏矩阵,使协同过滤算法的质量降低。为此,采用主成分分析法对用户一项目评分矩阵进行降维处理,改善输入数据的稀疏性。实验结果表明,与几种典型的协同过滤算法比较,改进后的算法推荐质量有明显提高。     

基于社会信任正则化的排名推荐算法

随着在线商品交易额逐年增大和社交网络不断深入发展,推荐系统已成为解决信息过载的重要工具之一。当评分矩阵数据稀疏性较大时推荐精度就会显著下降,特别是用户冷启动的时候这个问题更加明显。因此,本文提出一种新的基于隐式反馈信息的社会化排序推荐算法。该算法首先利用矩阵分解方法计算不同项目间的用户偏好。其次将用户偏好信息融入Bayesian Personalized Ranking (BPR)算法中。然后挖掘用户之间相似关系以及信任用户直接和间接关系,并量化它们之间的信任关系,从而研究不同项目之间用户偏好差异。最后将以上这些信任关系和BPR算法进行融合,进而构建出社会化排序推荐模型。为了验证所提出的社会化排序推荐算法,在DouBan数据集和FilmTrust数据集上,进行该算法的有效性验证。主要通过Precision、MAP和NGCD这三种排序评估指标分别在全数据集和用户冷启动中验证本文所提算法与SBPR、TBPR、BPRMF和MostPopular等算法之间排序推荐的优劣性。实验结果证明本文所提算法明显优于其他排序推荐算法,并可以获得更好的推荐准确率。可见该算法可以有效改善由于数据稀疏性和用户冷启动所带来推荐效果差的问题。     

一种改进的协同过滤推荐算法

针对User-based协同过滤推荐和Item-based协同过滤推荐算法的不足,提出了一种改进的推荐算法。该算法融合User-based协同过滤推荐和Item-based协同过滤推荐算法思想,通过形成项目相似集来填充用户评分矩阵,并利用高评分阈值来计算用户相似性,有效改善了传统协同过滤推荐算法的数据稀疏性和实时性。实验结果表明,该算法可以显著提高推荐系统的推荐质量。     

基于非负矩阵分解的Slope One算法

针对协同过滤推荐算法中Slope One算法在稀疏数据集中推荐精度低的问题,利用矩阵分解在解决矩阵稀疏性方面的优势,将非负矩阵分解技术引入到用户-项目评分矩阵的降维处理中,将原有的稀疏评分矩阵进行非负分解,改善了矩阵的稀疏性,优化Slope One算法. 从实验数据可以看出,与原始的CF算法进行比较,NMF-Slope One算法有较好的推荐效果. 在数据稀疏的条件下,确定参数进行实验. 实验结果表明,该方法提高了Slope One算法在数据稀疏下的精度和推荐质量.     

基于矩阵正态分布似然比测试的矩阵度量学习算法

本研究基于KISS(keep it simple and stupid)算法,利用似然比测试直接为矩阵模式定义度量,解决了现有大多数度量学习算法需要经过复杂优化过程的问题。通过在似然比测试中有目的地引入矩阵正态分布,该度量无需将矩阵模式通过向量化的方法变成向量模式,因而具有如下优点:(1)能够避免维数灾难;(2)比KISS更鲁棒;(3)无需计算大矩阵的逆和特征值分解,因此计算远快于KISS算法。最终的实验验证了该算法的优势。     

基于低秩矩阵补全的单幅图像去雨算法

提出一种基于低秩矩阵补全的单幅图像去雨算法, 该算法采用检测、修补、优化的三阶段策略。在检测雨阶段, 利用雨的亮度先验信息构建检测雨模型; 在修补阶段, 先采用相似块匹配算法构造相似块矩阵, 再利用其具有低秩属性的特点, 将去雨问题转化为低秩矩阵补全问题; 在优化阶段, 提出修正策略进一步提升去雨效果和客观度量值。在合成雨图和真实雨图上验证算法, 实验结果表明, 该算法表现出较好的去雨效果, 且对大雨图像的处理也较为满意, 相比其他方法在客观度量值和主观视觉上均有一定的优势。     

Improved nonconvex optimization model for low-rank matrix recovery

Low-rank matrix recovery is an important problem extensively studied in machine learning, data mining and computer vision communities. A novel method is proposed for low-rank matrix recovery, targeting at higher recovery accuracy and stronger theoretical guarantee. Specifically, the proposed method is based on a nonconvex optimization model, by solving the low-rank matrix which can be recovered from the noisy observation. To solve the model, an effective algorithm is derived by minimizing over the variables alternately. It is proved theoretically that this algorithm has stronger theoretical guarantee than the existing work. In natural image denoising experiments, the proposed method achieves lower recovery error than the two compared methods. The proposed low-rank matrix recovery method is also applied to solve two real-world problems, i.e., removing noise from verification code and removing watermark from images, in which the images recovered by the proposed method are less noisy than those of the two compared methods.     

非凸稀疏低秩约束的高光谱解混方法

针对高光谱混合像元的丰度矩阵具有行稀疏特性,提出一种非凸稀疏低秩约束的高光谱解混方法．首先,建立高光谱图像非凸稀疏低秩约束模型,将丰度系数矩阵的非凸p范数作为稀疏约束,并将丰度系数矩阵奇异值的非凸p范数作为低秩约束;其次,构建联合低秩性先验与稀疏性先验的非凸极小化模型,并提出求解的增广拉格朗日交替极小化算法,将复合正则化问题分解成多个单一正则化问题,交替迭代求解．实验仿真结果表明,该算法比贪婪算法和凸优化算法能获得更高的解混精度,并且适用于信噪比较高的高光谱数据．     

矩阵的低秩稀疏表达在视频目标分割中的研究

提出了一种视频目标跟踪与分割的在线算法。该算法将每帧图像中的超级像素作为一个数据点,根据已知的目标和背景建立模板,当前帧中待分割的目标可以看成已知模板的稀疏线性表达。根据此线性表达的系数可以建立描述当前帧与模板的相似性矩阵,即表达子。由于视频图像的连续性,表达子具有低秩和稀疏的特征。因此通过求解矩阵的低秩稀疏的优化问题可以得到当前帧中所有数据点属于目标的概率分布。为了获得基于像素级的分割结果,通过能量最小框架,并利用图分割的方法最终实现目标的分割。实验结果表明该算法具有良好的分割效果。     

联合低秩表示和稀疏约束的双层多视角子空间聚类

多视图子空间聚类是处理高维数据的一种聚类方法,通过分别在每个视图上构造邻接矩阵的方法解决聚类问题,但未考虑到低秩表示和稀疏约束的结合在构造邻接矩阵中的重要性. 针对此问题,提出一种联合低秩表示和稀疏约束的双层多视角子空间聚类方法,使其更全面地描述数据本身,从而实现更有效的聚类,并采用ADMM方法来解决每个视图相关的低秩表示和稀疏性约束优化问题. 在多个数据集上的实验表明,其聚类性能比现有的多视角子空间聚类算法好,低秩表示和稀疏约束的结合可以提高聚类的准确性.     

一种水声传感器网络容错定位算法

针对由于分组冲突和信号噪声造成测距数据包损坏,导致节点间距离测量缺失从而定位性能下降的问题,提出了一种能够容忍测距包损坏的定位算法。首先,设计了一种高效的节点间距离测量值收集机制,并构造具有部分观测值的平方距离矩阵;然后,利用平方距离矩阵固有的低秩结构,将矩阵的恢复补全转化为一个正则化的低秩矩阵分解问题,并设计了一种改进的Newton-Raphson方法进行优化求解;最后,基于恢复矩阵内的距离测量值,应用多维标度技术对所有节点进行定位。仿真结果表明,该算法在定位精度、定位覆盖率和稳定性等方面均优于其他对比算法。     

一种融合社交网络的叠加联合聚类推荐模型

为解决用户冷启动问题并提高推荐算法的评分预测精度,提出一种融合社交网络的叠加联合聚类推荐模型(SN-ACCRec),将用户社交关系融合到对评分矩阵的用户聚类中。根据社交关系理论分析用户社交关系,采用模糊C均值聚类的思想划分用户块,并利用k均值算法对评分矩阵的产品聚类,得到一次联合聚类结果。通过迭代方式获取用户和产品多层联合聚类结果,不断叠加多层聚类结果来近似评分矩阵,预期先后得到用户和产品的泛化和细化类别,实现对评分矩阵中缺失值的预测。采用十重交叉验证法对模型评估,试验结果表明,该模型有效降低了推荐中的平均绝对误差(mean absolute error, MAE)和均方根误差(root mean square error, RMSE),同时在冷启动用户上也表现出了较好地推荐性能。     

一种基于分块的虹膜识别方法（研究生论坛）

为了解决低质量虹膜图片识别效果不好的问题,提出了一种基于分块的虹膜识别算法。该方法并不像常规算法一样对整个图片进行识别,而是首先将虹膜区域均等地分割为无重叠的分块,然后对每一个分块提取低秩矩阵作为特征,接着使用稀疏分类器进行分类,最后依据稀疏浓度指数,将各分块识别结果进行贝叶斯融合,由于虹膜图片不同区域的质量不一样,该方法能够降低质量不好的虹膜区域对最终识别结果的影响。在标准虹膜数据库CASIA-Iris-Interval 和 IIT Delhi V1上的实验结果显示该算法拥有较高的正确识别率,且对于低质量的虹膜图片具有较强的鲁棒性,对分块和训练图片数量的研究表明,将虹膜区域分为8个分块较为合适,使用7张训练图片就能够很好的表示一类。