基于深度神经向量机自回归的协同过滤算法

为发掘卷积神经网络在协同过滤预测中的潜力,针对神经自回归模型方法和支持向量机在深度学习中的优势,提出基于深度神经向量机自回归的协同过滤方法。通过将神经网络最后一层的激发函数替换为线性支持向量回归函数的方式,学习基于最小边缘的对数损失。在多个公开数据集上的实验结果表明,该算法在深度神经自回归对协同过滤问题实现较好预测的基础上,线性向量回归函数的使用能更好地提升预测效果。     

无线传感器网络中虚假数据过滤方案

传统虚假数据过滤算法不能有效地应用于无线传感器网络,因而需要研究适合无线传感器网络的虚假数据过滤方案。在介绍无线传感器网络与虚假数据过滤的概念和特点后,提出了虚假数据过滤方案的分类方法,探讨了各种虚假数据过滤策略,着重分析了当前一些较为重要的虚假数据过滤策略,并指出了这些策略的优缺点。最后分析了当前亟待解决的问题,展望了其未来的发展趋势。     

透气性指数回归模型的数据挖掘

以有色冶金密闭鼓风炉的生产工艺数据为研究对象,利用SPSS(Statistical Package for the Social Science)软件,从统计分析的角度对数据进行研究;以建立密闭鼓风炉透气指数的回归模型为实例,详细描述了数据挖掘的一般流程,数据抽取、数据过滤(缺失值、异常值的处理)、数据变换(标准化)、数据建模、结果分析评价;利用统计学知识,从相关系数分析、可解释度分析、置信区间分析几个方面对建模正确性进行研究,最终从大量数据中提取出回归分析模型,以此模型,可以定量的了解变量间的相互影响,并用来预测未来因变量的变化.     

融合协同过滤的线性回归推荐算法

针对传统协同过滤算法中存在数据稀疏问题,提出融合协同过滤的线性回归推荐算法。根据用户对项目的评分以及用户和项目自身特征,构建用户间和项目间相似矩阵。基于相似矩阵,选出用户和项目最近邻集合,分别通过基于用户和基于项目的协同过滤算法来预测用户已评分项目的评分,将预测评分与真实评分的差值作为特征,组合在一起生成新的训练数据。把新的训练数据作为线性回归模型的输入,根据训练好的模型预测未知评分,采用Top-N算法产生推荐列表。在MovieLens数据集上进行实验。实验结果表明,新算法的推荐准确性较传统协同过滤算法有显著提高。     

基于动态k近邻的SlopeOne协同过滤推荐算法

协同过滤是个性化推荐系统中的常用技术, 数据稀疏性是影响协同过滤算法预测精度的主要因素。SlopeOne算法利用线性回归模型解决数据稀疏性问题。基于用户相似度的k近邻方法可以优化参与预测的用户评分数据的质量。在SlopeOne算法的基础上, 提出了一种动态k近邻和SlopeOne相结合的算法。首先根据用户之间相似度的具体情况动态地为每个用户选择不同数目的近邻用户, 然后利用近邻用户的评分数据生成项目之间的平均偏差, 最后利用线性回归模型进行预测。在MovieLens数据集上的实验结果表明, 改进算法在预测精度上比原SlopeOne算法有所提高, 能适应数据稀疏度更低的推荐系统, 并且与其他协同过滤算法相比, 推荐精度也具有明显优势。     

基于项目因子分析的Web 客户需求协同推荐算法

为解决协同过滤推荐算法中的数据量过大和数据稀疏性的问题,提出了基于项目因子分析的协同推荐算法。该算法通过采用因子分析将项目向量降维为几个具有代表性的项目因子,然后用这些项目因子对目标项目进行回归分析,进而预测目标客户对待评项目的评分。最后通过实验证明了算法的有效性,为以后研究推荐算法提供了一种新的途径。     

基于Web客户因子分析的协同推荐算法*

为解决协同过滤推荐算法中的数据量过大和数据稀疏性的问题,提出了基于客户因子分析的协同推荐算法。该算法利用因子分析将客户向量进行降维处理,得到几个具有代表性的客户因子,然后用这些客户因子对目标客户进行回归分析,进而预测目标客户对待评项目的评分值。最后通过实验证明了该算法的有效性,为以后研究推荐算法提供了一种新的途径。     

基于Logistic回归的中文垃圾邮件过滤方法

研究如何实现Logistic回归模型在中文垃圾邮件过滤中的应用,给出了关键技术,并将其应用于SEWM20071)垃圾邮件语料库上,取得了较优的过滤效果.还分析了影响正常邮件误判率、垃圾邮件误判率和精确率等因子.对比实验结果表明,应用于中文垃圾邮件过滤的Logistic回归模型与SVM相比具有更优的ROC指标和更快的运行效率.     

从实例看Delphi的数据过滤方法

该文主要分析对于一个具体例题,如何用四种不同方法来实现Delphi中的数据过滤。     

从实例看Delphi的数据过滤方法

该文主要分析对于一个具体例题,如何用四种不同方法来实现Delphi中的数据过滤.