面向分类的流特征在线特征选择算法

在线流特征选择通过实时过滤无关特征和冗余特征,实现流特征空间降维.针对已有算法,如Alpha-investing分类精度低、SAOLA选择特征数多和OSFS在低冗余高相关数据集下运行时间长的问题,提出了一种面向分类的流特征在线特征选择算法——OSFIC.算法运用四层过滤框架,通过无条件独立过滤不相关新特征、单条件下互信息过滤冗余新特征和候选特征集合中的部分冗余特征,最后通过多条件独立过滤候选特征集中的剩余冗余特征,最终得到分类标签的近似马尔可夫毯.为了分析OSFIC的性能,选择了NIPS 2003和Causality Workbench中的数据集,从预测精度、特征数量、运行时间和AUC方面与已有基准算法进行比较.实验表明,OSFIC平均分类精度比Alpha-investing提升4.41%.在保证精度的前提下,平均特征数量比SAOLA减少41.9%,运行时间比OSFS减少91.59%.最后,在真实的应用场景下验证了OSFIC的有效性.     

考虑评论质量的自注意力胶囊网络评分预测模型

基于评论文档的推荐系统普遍采用卷积神经网络识别评论的语义,但由于卷积神经网络存在“不变性”,即只关注特征是否存在,忽略特征的细节,卷积中的池化操作也会丢失文本中的一些重要信息;另外,使用用户项目交互的全部评论文档作为辅助信息不仅不会提升语义的质量,反而会受到其中低质量评论的影响,导致推荐结果并不准确。针对上述提到的两个问题,该文提出了自注意力胶囊网络评分预测模型(Self-Attention Capsule network Rate prediction, SACR),模型使用可以保留特征细节的自注意力胶囊网络挖掘评论文档,使用用户和项目的编号信息标记低质量评论,并且将二者的表示相融合用以预测评分。该文还改进了胶囊的挤压函数,从而得到更精确的高层胶囊。实验结果表明,SACR在预测准确性上较一些经典模型及最新模型均有显著的提升。     

基于学习者个性特征的协同学习任务生成方法

现有协同学习系统无法自动生成学习任务,满足学习者个性化学习,针对此问题,提出了基于学习者个性特征的协同学习任务生成方法。该方法以学习者的个性特征为输入,用改进的贪婪算法进行分组,根据学习单元及所需角色的耦合度确定协同学习模式,结合贝叶斯网络技术生成符合学习者个性特征的学习任务,实验结果表明,基于该任务进行学习,显著提高了学习者的学习效率和学习深度。     

Web服务组合中业务流程演化影响范围判定方法

针对组合业务流程中各参与演化的服务对彼此内部业务流程不可知的特点,依据互模拟理论,以服务在演化前后内部业务流程的变化特点判定演化类型;通过判定内部业务流程中受影响状态节点的前驱状态集或后继状态集的归属服务来确定受波及的服务;通过计算服务内部业务流程演化影响范围的边界得出单个服务的受影响范围,进而得出服务组合中业务流程演化的影响范围.针对以上问题,给出了其判定规则和算法,使得演化仅在受波及区域内发生,并且所有受影响的状态节点都可能参与演化.