基于深度玻尔兹曼机的乐器分类问题研究

应用传统浅层模型处理乐器分类任务存在非线性拟合能力较差的问题,使分类准确率得不到有效保证,有必要引入深度学习方法提升复杂任务的非线性建模能力。将深度玻尔兹曼机作为特征提取器提取表达能力更强的数据特征,分别以SVM与Softmax分类器作为深度神经网络的顶层设置形成DBM SVM组合模型与DBM Softmax组合模型,引入平均场理论和动量项因子优化网络训练过程。将上述两组模型及单一SVM分类器在5类乐器音频数据上进行对比实验,两种深度学习组合模型的分类准确率分别达到89.29%和87.5%,与传统浅层分类方法SVM的73.21%的准确率相比优势明显。实验结果表明深度玻尔兹曼机在乐器分类领域的应用颇具前景。     

基于CLARANS算法的孤立点挖掘

孤立点挖掘在电子商务犯罪,信用卡欺诈等领域已有成功应用.本文尝试使用CLARANS聚类算法进行孤立点探测,并将其应用于大型数据集数据的正确性检验.实验表明该方法能够克服常规数据抽查方法的不足.     

一种团购商品的个性化推荐算法研究

团购商品凭借其价格优惠和能够亲身体验的优势越来越得到人们的青睐.为帮助团购网站实现个性化营销,将用户购物过程中的上下文环境因素融入到传统的推荐算法中,提出了一种基于上下文感知的推荐算法,基于用户相似和物品相似中加入上下文信息相似,构造了计算商品预测评分的公式,进而得到推荐列表,使个性化推荐体现得更加充分.     

基于数据挖掘技术的电信业客户流失分析

传统客户流失分析方法有、测定客户流失率、客户保持率、客户增长速度以及生存分析方法等,这些方法只是使用简单的量化指标,缺乏对隐含在客户数据中深层次信息的挖掘和分析。本文中,以某移动通信公司的部分客户数据为基础,运用数据挖掘技术和方法对众多电信运营商所面临的共同问题——客户流失进行了深入探讨,从而提供了新的评估和分析角度,为市场人员制定“一对一”的个性化销售策略提供了较为可靠的理论依据。