SVD推荐算法在传统服饰商城的应用

随着互联网的普及和信息技术的发展,人们日常生活可以接触到的信息越来越丰富,产生信息数据的速度也越来越快。在拥有海量信息数据的同时,过量的信息不可避免地导致了“信息过载”问题,而推荐系统正是解决这个问题的有效方法之一。首先介绍了奇异值分解(SVD)和SVD推荐算法之间的联系,然后叙述了SVD推荐算法的思路并给出SVD算法模型的最优损失函数。在此基础上,建立一个传统服饰商城的推荐系统,利用158组样本数据测试该系统,得出推荐系统的均方根误差为0.9994,平方绝对值误差为0.7366。此外还计算了样本数据的误差百分比,结果表明绝大多数测试样本的误差百分比在30%以内。基于SVD推荐模型的特点和实验结果得出,SVD推荐模型适用于小型电商平台的商城用户的个性化推荐。     

基于集成学习与不平衡数据的返贫预测

中国在扶贫工作取得决定性成就的同时,仍有一些脱贫人口存在返贫风险。本文基于不平衡数据集,利用SMOTE模型对返贫类别样本进行过采样处理,处理后的返贫与未返贫样本数据比例为3:1;接着建立基于Stacking集成学习的返贫预测模型,利用网格搜索对各个模型超参数进行寻优,结合10折交叉验证提高模型的泛化能力。本文使用4种不同的融合模型对脱贫户是否返贫进行预测。实验结果表明,与单一模型相比,模型融合后的分类效果要优于单独的分类器,其中最优融合模型的Acc为0.962,F1-score为0.946。     

基于超拉普拉斯先验与核谱特性噪声图像盲去模糊

现有大部分盲图像去模糊方法对噪声敏感,即使少量的噪声可大大降低恢复图像的质量．考虑到模糊图像中同时隐含有清晰图像信息和模糊核信息,我们同时利用卷积核谱特性先验和清晰图像梯度域超拉普拉斯先验联合建立含噪图像盲去模糊模型,较单独使用卷积核先验与清晰图像先验建模更合理,也能获得更精确的估计图像．本文借助于Hessian矩阵,利用模糊图像及卷积核联合生成先验子,而非单独的估计图像先验子,建立优化模型．求解模型时,通过迭代策略交替细化模糊核和清晰图像．在清晰图像恢复阶段,因存在超拉普拉斯先验项,提出用变量分离法计算清晰图像．清晰图像采用快速傅里叶变换及封闭阈值公式求解,以提高优化速度．实验结果表明：与其他方法相比,本文方法能获得更鲁棒的模糊核和更精确的清晰图像,且收敛速度更快．