基于用户行为数据的电网企业营销推荐系统设计

由于目前方法未能分析和挖掘电网用户行为,使用户的商品属性偏好与预计营销偏好存在差异,导致电网企业营销推荐结果不理想,为此提出基于用户行为数据的电网企业营销推荐系统。通过系统硬件和软件相互协作设计,从用户历史行为出发,优先分析处理用户的历史交互行为,对用户的行为喜好进行分类,挖掘用户的商品属性偏好,实现用户近期需求预测以及意向商品推荐。实验结果证明,所设计系统能够有效提升推荐速率和用户满意度,获取效果较好的推荐结果。     

面向健康体检数据的多目标Top-k频繁模式挖掘方法

为解决现有的模式挖掘方法没有充分利用体检数据中检查项的异常程度与特定疾病之间相关性的问题,提出一种面向健康体检数据的多目标Top-k频繁模式挖掘方法.首先,针对体检数据的特点,提出异常度和覆盖率两个指标,在此基础上,将Top-k频繁模式挖掘建模为一个多目标优化问题;其次,针对该问题,提出一种基于偏好的种群初始化策略和一个面向模式和项的双层更新策略,并基于此设计一种高效的进化多目标优化算法进行求解.实验结果表明,所提出方法所获得的Top-k个模式不仅能够有效地反映其与特定疾病之间的关联性,而且能够提供多样化的模式,为健康管理提供重要的参考依据.     

二型模糊决策理论与方法研究综述

二型模糊集(type-2 fuzzy set, T2FS)是将模糊集中的隶属函数拓展为一型模糊集而产生的集合,其具有表示更深层次不确定性的优势,能够极大程度地增强对客观世界不确定性的刻画能力.因此,近年来围绕二型模糊环境下的决策理论与方法研究得到了蓬勃发展.鉴于此,对二型模糊决策理论与方法进行系统性综述,梳理该领域的发展脉络,阐明现有工作的研究态势,总结二型模糊信息集成与决策的主要研究成果.首先,介绍二型模糊集的发展历程和基础理论研究现状;然后,分别针对基于二型模糊信息的决策基础理论(信息融合理论、偏好关系理论和测度理论)以及决策方法的研究现状进行概述;最后,对二型模糊决策理论与方法的未来研究方向进行展望.     

碳限额与交易机制和消费者低碳偏好下的供应链减排及融资策略

在碳限额与交易机制和消费者对低碳产品存在偏好的背景下,考虑由一个资金约束的制造商与一个资金充裕的零售商构成的供应链,针对银行贷款(BF)、提前支付折扣(APD)和提前支付回购(APB)3种融资方式,构建制造商主导的以企业利润最大化为目标的博弈模型,研究不同融资方式下低碳供应链的减排与定价决策,以及制造商的融资方式选择问题.研究表明:1)在3种融资方式下,减排投资成本系数的增加会降低制造商的最优单位产品碳减排量.2)提前支付下制造商的最优单位产品碳减排量始终高于BF方式.当碳交易价格较高或减排投资成本系数较高时,APB方式下制造商的碳减排量最高;否则,APD方式下制造商的碳减排量最高.3)与BF方式相比,提前支付更能提升制造商的利润,且制造商在APB方式下获利最多.     

引入电能质量保险机制的日前电能量市场打分出清决策

针对当前日前电能量市场以价格为单一出清依据的现状,提出一种基于熵权法的日前电能量市场打分出清决策方法。首先,介绍参与出清的主体及各主体职能及交互关系,并阐述该方法的基本原理。其次,构建打分出清法模型,包括上网侧电能质量保险模型以及各主体出清收益模型。再次,构建打分出清决策指标体系,包括发电商上网电价、发电能源类别、上网电能质量等级、申报电量偏差率、发电稳定性、燃煤费用及环境污染治理成本7项指标的定义及具体计算。然后,基于熵权法计算各项出清决策指标权重,并应用模糊理论计算得到各发电商各出清时段的得分。市场运营机构根据各时段得分情况,公布出清及惩罚结果。最后,算例结果表明了所提方法的有效性与实用性。     

基于特征深度融合的Web服务QoS联合预测

为了解决Web服务QoS预测准确度不够的问题,针对QoS中隐藏的环境偏好信息和多类QoS隐藏的共同特征,提出一种基于特征深度融合的Web服务QoS联合预测方法。考虑QoS数据可以建模为用户-服务二部图,采用多组件图卷积神经网络进行特征提取和映射,采用加权融合方法对多类QoS特征进行同维映射。使用注意力因子分解机对映射后的特征向量进行一阶特征、二阶交互特征和高阶交互特征的提取,并结合各部分结果实现QoS联合预测。实验结果表明,所提方法在均方根误差和平均绝对误差方面优于现有QoS预测方法。     

融合评分相对差异的协同过滤推荐算法

协同过滤推荐算法是个性化推荐系统中最常用的方法之一,其中相似度计算直接影响基于内存的协同过滤推荐算法的推荐质量.针对协同过滤推荐算法中传统的用户间相似度计算方法仅考虑共同评分项评分数值上的差异导致难以准确衡量非偏好评分场景中用户间相似度的问题,本文提出一种基于余弦相似度并融合评分相对差异的用户间相似度计算方法.该方法考虑评分规模上的差异,计算评分相对相似度并且引入放大系数,在非偏好评分的场景下可以更加准确地区分用户间差异.在真实的数据集上完成对比实验分析,结果表明在非偏好评分场景下,所提方法相较于对比方法能降低预测误差,提高推荐质量.     

融合用户信任度的概率矩阵分解群组推荐算法

利用推荐系统进行群组推荐时,群组成员之间的交互关系对推荐结果有很大影响,但传统的群组推荐算法较少考虑用户信任度的重要性,致使社交关系信息不能得到充分利用。在群组融合时考虑群组内用户间的交互关系,提出一种基于用户信任度和概率矩阵的群组推荐算法。在获取用户信任度数据后,使用概率矩阵分解（PMF）算法补全信任度矩阵并进行归一化处理,得到相似度矩阵,同时在后验概率计算过程中加入用户间的信任度因素,通过极大化后验概率获得预测评分。在此基础上,对群组中用户的权重进行归一化处理,使用基于用户交互关系的权重策略融合群组成员偏好,得到最终的推荐结果。在Epinions和FilmTrust数据集上的实验结果表明,该算法可使融合结果更具群组特性,同时提高推荐结果的可靠性和可解释性,且均方根误差和命中率均优于PMF、NeuMF、RippleNet等对比算法。     

无线传感器网络簇级拓扑演化模型研究

复杂网络理论研究表明,复杂系统的容错能力不仅仅存在于具有冗余组件的系统之中;而且也同样存在于具有无标度(scale-free)特征的网络之中;文章借助于复杂网络理论和偏好依附机制提出一种无线传感器网络簇级拓扑演化模型;拓扑动态分析表明,该模型能够很好地体现无线传感器簇间的拓扑生长过程,由该模型演化成的无线网络拓扑具有无标度网络的性质,所以该拓扑模型具有很强的容错性。     

面向CSCL的主观偏好协作算法研究

以个体协作伙伴的选择问题为研究对象,针对以往分组时缺乏对学习者的主观偏好(主要是性格偏好)的考虑,以及对学习伙伴的学习兴趣的关注少,提出了基于主观偏好的CSCL(Computer supported collaborative learning )协作伙伴选择算法,并给出了详细的求解过程,使得协作伙伴的选择更接近实际,更能体现以人为本的思想.