BiOSS: A system for biomedical ontology selection

In biomedical informatics, ontologies are considered a key technology for annotating, retrieving and sharing the huge volume of publicly available data. Due to the increasing amount, complexity and variety of existing biomedical ontologies, choosing the ones to be used in a semantic annotation problem or to design a specific application is a difficult task. As a consequence, the design of approaches and tools addressed to facilitate the selection of biomedical ontologies is becoming a priority. In this paper we present BiOSS, a novel system for the selection of biomedical ontologies. BiOSS evaluates the adequacy of an ontology to a given domain according to three different criteria: (1) the extent to which the ontology covers the domain; (2) the semantic richness of the ontology in the domain; (3) the popularity of the ontology in the biomedical community. BiOSS has been applied to 5 representative problems of ontology selection. It also has been compared to existing methods and tools. Results are promising and show the usefulness of BiOSS to solve real-world ontology selection problems. BiOSS is openly available both as a web tool and a web service.     

基于群体动力学的协同过滤算法及应用

针对传统协同过滤算法稀疏矩阵和推荐精度不高的问题,根据一种社会心理学模型提出了基于群体动力学的协同过滤算法.该算法综合考虑了个体因素和环境因素对用户评分行为的影响,以此来调整传统的评分预测方法,然后为用户进行推荐.实验结果表明,该算法可以明显地提高推荐的精确度,有效地缓解稀疏矩阵问题;同时该算法还可以有效减少积累误差.最后将该算法成功运用在西安景点的推荐服务上.     

面向在线社区用户的群体推荐算法研究

结合现有两种主要群体推荐算法的优势, 建立新的算法框架, 并引入差异度因素对模型进行优化。另外, 考虑到在线社区用户的特点, 定义互动度指标来描述群体成员间的互动程度, 通过分析其与推荐精度之间的关系, 探讨互动度对群体推荐的影响。选取豆瓣网数据进行实验, 并与传统方法进行比较, 结果表明, 融入差异度的算法具有更好的推荐效果, 且有效的互动机制能够保证较高的推荐精度。     

基于用户购买记录的改进协同过滤推荐

提出一种基于用户购买记录的改进协同过滤推荐.用户的购买记录在一定程度上反映用户的偏好和购买习惯,采用用户项目购买数量矩阵,使用改进的相似度计算用户之间的相似度,结合用户购买商品之间的关联关系,对目标用户的购买数量进行预测,实现基于用户的协同过滤推荐.实验结果表明,该算法降低了数据稀疏性,使推荐结果更加精确可靠.     

融合动态层次聚类和邻域区间重组的蚁群算法

针对蚁群算法搜索速度过慢以及解质量不足等问题,提出一种融合动态层次聚类和邻域区间重组的蚁群算法。在初始阶段,调整层次聚类阈值并按照类间距离最小合并的原则迭代至目标簇集,根据预合并系数进行簇间合并,通过蚁群系统得到小类路径并断开重组以加快算法整体收敛速度;接着使用蚁群系统对解空间进行优化,同时并行处理簇集与簇集邻域区间扩散重组,增加解的多样性,进一步固定迭代次数进行比较,若邻域区间重组解质量优于当前优化解则进行推荐处理,提高解的精度;当算法停滞时,引入调整因子降低各路径信息素之间差异以增强蚂蚁搜索能力,有助于算法跳出局部最优。实验结果表明,在面对大规模问题时,算法的精度在3%左右,该方法相比传统方法可以有效提高解的精度和收敛速度。     

基于数据分布的聚类联邦学习

联邦学习(federated learning)可以解决分布式机器学习中基于隐私保护的数据碎片化和数据隔离问题。在联邦学习系统中,各参与者节点合作训练模型,利用本地数据训练局部模型,并将训练好的局部模型上传到服务器节点进行聚合。在真实的应用环境中,各节点之间的数据分布往往具有很大差异,导致联邦学习模型精确度较低。为了解决非独立同分布数据对模型精确度的影响,利用不同节点之间数据分布的相似性,提出了一个聚类联邦学习框架。在Synthetic、CIFAR-10和FEMNIST标准数据集上进行了广泛实验。与其他联邦学习方法相比,基于数据分布的聚类联邦学习对模型的准确率有较大提升,且所需的计算量也更少。     

融合全局和近邻协同信息的会话推荐算法

现有基于会话的推荐算法主要通过挖掘单个目标会话的项目转换关系进行推荐,对来自其他不同会话中项目之间的复杂转换信息考虑较少。为此,提出一种融合全局和近邻协同信息的会话推荐算法SFGN-GNN,同时考虑来自全局与近邻会话的协同信息,以充分挖掘用户偏好。通过学习会话表示来表达用户偏好,先按目标会话与近邻会话的成对项目转移关系构建近邻图,依据所有会话中的成对项目转移关系构建全局图,再利用图神经网络获取目标会话节点近邻级和全局级的项目表示,采用融合门融合得到会话级项目表示,并在其中嵌入项目在目标会话中的位置信息和时间信息,然后通过软注意力机制得到最终的会话表示,最后经过softmax函数预测下一个可能交互的项目。在两个数据集上的实验验证了SFGN-GNN算法有效性。     

Contrastive Meta-learning on Heterogeneous Information Networks for Cold-start Recommendation

In recommender systems, the cold-start issue is challenging due to the lack of interactions between users or items. Such an issue can be alleviated via data-level and model-level strategies. Traditional data-level methods employ auxiliary information like feature information to enhance the learning of user and item embeddings. Recently, Heterogeneous Information Networks (HINs) have been incorporated into the recommender system as they provide more fruitful auxiliary information and meaningful semantics. However, these models are unable to capture the structural and semantic information comprehensively and neglect the unlabeled information of HINs during training. Model-level methods propose to apply the meta-learning framework which naturally fits into the cold-start issue, as it learns the prior knowledge from similar tasks and adapts to new tasks quickly with few labeled samples. Therefore, we propose a contrastive meta-learning framework on HINs named CM-HIN, which addresses the cold-start issue at both data level and model level. In particular, we explore meta-path and network schema views to describe the higher-order and local structural information of HINs. Within meta-path and network schema views, contrastive learning is adopted to mine the unlabeled information of HINs and incorporate these two views. Extensive experiments on three benchmark datasets demonstrate that CM-HIN outperforms all state-of-the-art baselines in three cold-start scenarios.     

基于差异路径权重的二部图网络推荐算法

针对二部图网络结构推荐算法中资源分配不合理的现象,同时为了丰富推荐结果多样性和促进冷门物品的推荐,提出了一种利用差异路径权重改变资源传递的二部图网络结构算法。利用用户相似性构造路径权重改变第一阶段资源传递规则,使资源较多地流向与目标用户相似的用户节点。通过物品属性相似的构造路径权重,使第二阶段资源更多地流向与目标用户已购物品具有相似属性的物品。实验结果表明,本算法相对于其他流行网络结构算法提高了推荐的综合性能,并且更好地解决推荐中的相关问题。     

基于slope one算法改进评分矩阵填充的协同过滤算法研究

为解决协同过滤算法中的数据稀疏性问题,提出了一种改进的协同过滤算法。该算法使用slope one算法计算出来的评分预测值来填充评分矩阵中的未评分项目,然后在填充后的用户-项目评分矩阵上通过基于用户的协同过滤方法给出推荐。利用slope one算法计算出来的评分预测值作为回填值,既能降低评分矩阵的稀疏性,也保证了回填值的多样性,从而减少均值、中值等单一填充值造成的推荐误差。在MovieLens-1M数据集上对本文改进算法和协同过滤算法及均值中心化处理的算法作五折交叉实验,结果表明,基于评分预测值填充数据后的协同过滤算法有效的缓解了数据稀疏性问题,并且有更好的推荐效果。