基于优化上界的高平均效用项集垂直挖掘算法

高平均效用项集挖掘是当前研究的热点之一。针对高平均效用项集挖掘算法产生大量无意义的候选项集,而导致高内存消耗和运行时间长的问题,提出了dMHAUI算法。首先定义了集成矩阵Q,并提出了4种基于垂直数据库表示的紧凑平均效用上界及3种有效的修剪策略;将高平均效用项集挖掘所需的信息存储于IDUL结构树,利用改进的diffset技术快速计算项集的平均效用和上界;最后通过递归调用搜索函数得到高平均效用项集。与EHAUPM算法和MHAI算法进行仿真比较,结果表明,dMHAUI算法在运行时间、连接比较次数和可扩展性等方面都有较优的性能。     

基于双迁移度量学习和注意力机制的跨域推荐

传统的推荐算法和深度学习算法面临着用户冷启动的问题.为了解决冷启动问题,研究人员提出了跨领域推荐,利用其他领域的用户偏好信息和项目特征等各种辅助信息,来提高目标领域的推荐性能,有效缓解目标领域的数据稀疏性和冷启动.然而,传统的跨域推荐通常只利用源域信息提高目标域的性能,却不能利用目标域提高源域性能,从而使它们互相提高推荐性能.为此,研究人员提出将双迁移学习和度量学习集合起来,有效地减少两域的重叠用户量,实现了性能的相互提高.基于此,提出将双迁移度量学习和注意力机制集合起来,将这个方法命名为DML-A模型.经过在Amazon数据集上实验,证明了所提出的模型真实有效,模型的推荐性能比未改进的模型更优.     

一种高效的字符串匹配算法

针对目前精确串匹配算法中模式右移次数多、算法运行时间长等问题,提出了一种新的高效算法——BMH2S.该算法采用寻找真首子串和利用2个字符子串的方法来计算右移量.测试结果表明,BMH2S是一种高效的模式匹配算法.     

基于深度学习的电力负荷预测方法综述

电力能源的合理使用和调度一直是关系民生的重要问题,其中的电力负荷预测是近年来学者研究的重点.传统的基于统计学习方法的预测方法由于负荷的非线性和随机因素导致效果不佳,因此研究者把目光放在了近年来热门的人工智能(Artificial Intelligence,AI)领域,比如人工神经网络(Artificial Neural...     

基于分布式计算框架的机器学习系统分析

针对机器学习对大数据处理的消耗大量存储空间和时间的问题,提出利用对数据分区存储和机器学习对分区数据并行处理的方法,对分布式计算框架的机器学习系统框架和矩阵运算对数据处理进行研究,并分析机器学习的模型和数据集分布式处理的方法,实验仿真结果表明,通过对大数据集进行分布式存储和并行计算,提高了机器学习的效率和对大数据的处理能力.     

一种基于K-means的分布式聚类算法

为解决现有的分布式聚类算法效率低下和不能保护数据隐私的问题,在K-Dmeans算法的基础上,提出一种新的分布式聚类算法.该算法利用数据对象间的密度函数值来优化站点初始聚类中心,从而大大降低了聚类的迭代次数;同时各从站点只需向主站点传送其聚簇的特征信息,有效降低分布式聚类过程中的通信量,保护了各个站点的独立性,实验结果表...     

Authorware多媒体课件的Web发布与浏览

目前Authorware多媒体课件应用广泛，然而，由于Web发布与浏览的配置和安装存在问题，客户端往往不能正常浏览，以分析化学实验多媒体CAI课件为例，提出了解决问题的方法。     

基于特征融合的中文新闻文本情感分类方法研究

针对现有的新闻文本情感分析任务中,单一模型提取文本特征的片面性,且无法充分提取新闻文本语义等特征问题,提出一种基于门控单元特征融合的BERT-CNN情感分析方法。该方法分别采用BERT语言预训练模型与卷积神经网络（CNN）对新闻文本的特征向量进行提取;然后采用门控循环单元对提取到的文本特征进行特征融合;再输入到Softmax层进行新闻文本分类;最后从精准率、召回率和F1-Score三个维度对比BERT、BERT-CNN、BERT-DPCNN和BERT-ERNIE的实验结果。实验结果表明,当分类场景更换为情感识别时,BERT-CNN依旧具有强大的语义捕捉能力,证明了BERT-CNN的泛化能力;另外,从原BERT的提升效果看,基于门控单元特征融合的BERT-CNN方法（提升2.07%）比词向量的方法（提升0.31%）更高。这一结果也证明了基于门控单元特征融合的BERT-CNN方法的有效性。     

基于改进的BERT-CNN模型的新闻文本分类研究

语言处理模型层出不穷,从在图像领域运用的卷积神经网络(Convolutional Neural Networks,CNN)、被改进后的TextCNN到循环神经网络(Rerrent Neural Network,RNN)、谷歌推出的transformer模型以及百度公司提出的ERNIE模型等.为了区分出在新闻文本领域处理效果最佳的文本分类模型,基于新闻文本任务数据对来自变换器的双向编码器表征量(Bidirectional Encoder Representations from Transformers,BERT)进行微调,再将BERT作为embedding输入到其他深度学习模型中,最后对比目前几个深度学习模型的训练效果.实验结果表明,BERT-CNN模型分类效果最佳,其准确率比原BERT模型的准确率多了0.31％,且更为稳定.     

基于相同稀疏模式的稀疏主成分分析算法

稀疏主成分分析是一种用于降维和特征选择的无监督方法。由于计算多个主成分时主载荷向量间不具有相同的稀疏模式,导致难以从原始特征空间中确定出对主成分贡献最大的小部分变量,为解决此问题,提出一种自适应稀疏主成分分析（Adaptive sparse principal component analysis, ASPCA）算法。首先使用组套索模型,通过在载荷向量上施加块稀疏约束得出自适应稀疏主成分分析公式,随后对稀疏矩阵的不同列使用不同的调整参数获得自适应惩罚,最后运用块坐标下降法对自适应稀疏主成分分析公式进行两阶段优化,从而找到稀疏载荷矩阵和正交矩阵,实现降维的最优化。对稀疏主成分分析（Sparse principal component analysis, SPCA）算法、结构化且稀疏的主成分分析（Structured and sparse principal component analysis, SSPCA）算法和ASPCA算法进行仿真比较,结果表明ASPCA算法的降维性能更优,能提取更有价值的特征,从而显著提高了分类模型的平均分类准确率。