基于特征交互的层次分类在线流特征选择

在开放动态环境下的分类学习任务中,数据特征空间具有动态性,标记空间存在层次化结构.现有的层次分类在线流特征选择算法可以选择较优的特征子集,但这些算法忽略了特征之间存在的交互作用.基于此,提出了一种基于特征交互的层次分类在线流特征选择算法.首先,设计了一种基于层次邻域依赖度去判断特征交互的计算方法;其次,针对层次化结构数据,根据层次结构中不同节点间的兄弟关系定义邻域粗糙集模型;最后,设计了具有在线重要性分析、在线冗余性分析以及在线交互性分析的层次分类在线流框架,用于选择强相关和存在交互作用的特征子集.在6个层次数据集上的实验验证了所提算法具有较优的综合性能.

基于用户群体影响的协同过滤推荐算法

协同过滤是推荐系统中广泛使用的推荐技术，对推荐结果可解释强。基于用户的协同过滤是一种重要的系统推荐方法，用户评分数据的极端稀疏性制约着系统的推荐质量。针对上述情况，提出一种基于用户群体影响的协同过滤推荐算法。首先，定义了用户群体的概念并根据群体影响提出两条相应准则；然后，计算用户相似性时，不仅考虑了用户个体之间的相似性，而且考虑了用户所处群体之间的相似性。该算法不仅可以更加精确地刻画用户之间相似度，而且一定程度上增强了推荐系统的稳定性。实验结果表明，该算法能有效地提高系统的推荐质量，而且满足所提出的两条准则。

不完备灰色信息系统的粗集模型

提出一种属性值为区间灰数的不完备信息系统。首先根据区间灰数的定义,提出了区间灰数的一些运算性质,并定义了不完备灰色信息系统;然后,根据灰相似度,提出了变精度灰相似关系,并根据变精度灰相似关系引出了上、下近似算子;最后给出了约简的实际操作方法,并通过典型例子验证了该方法的有效性。

基于协同过滤的药物重定位算法

药物重定位是指发现已上市或批准药物的新用途,受到了广泛的关注.为此,提出一种基于协同过滤的药物重定位算法.首先,收集药物及疾病的描述信息以构建药物―疾病关联矩阵.其次,根据药物对疾病有适应症和有副作用的相关信息,设计了一种刻画药物之间趋同程度的度量方法,该方法同时考虑了不同药物在适应症和副作用上的相似度.然后,搜寻目标药物的近邻以预测药物对疾病的评分.最后,采用平均绝对偏差和覆盖率二项评价指标衡量系统的预测质量.另外,针对某种特定疾病,利用新的协同过滤模型预测药物在该疾病上的未评分项,根据预测的评分信息发现对该疾病有治疗作用的药物.实验结果表明,该算法不仅能提高系统的预测质量,而且能够发现有治疗作用的药物―疾病组合,验证了所提算法能有效地应用于药物重定位.

集成灰色支持向量机预测模型研究与应用

对灰色预测GM(1,1)模型进行了分析,提出了集成灰色支持向量机的预测模型。分别对影响灰色预测GM(1,1)模型精度的背景值的计算、初值的选取以及数据序列的光滑度进行改进,提出了背景GM模型、初值GM模型、光滑度GM模型,并结合支持向量机的特点,将一维原始数据序列通过三个灰色模型得到的三组值作为支持向量机的输入,原始序列作为支持向量机的输出,训练得到最佳支持向量回归机模型。仿真结果表明了该模型的有效性。

优势关系下的集值序值信息系统

集值序值信息系统分为合取/析取集值序值信息系统,分别深入分析了合取/析取集值序值信息系统已有优势关系的局限性,并对其不合理情形进行了讨论,进而提出了对对象进行更好划分的新优势关系。在此基础上,分别构建了优势关系下的合取/析取集值序值信息系统的粗集模型,并通过典型例子验证了该方法的有效性。

融合邻域信息的k-近邻分类

距离度量是影响k-近邻(KNN)法分类精度的重要因素之一。提出一种融合邻域信息的k-近邻算法。首先,定义了样本邻域的概念,并根据邻域的影响提出2条相应准则;然后,在计算测试样本与训练样本的距离时,综合考虑了样本邻域所带来的影响。该算法不仅可以更加精确地刻画样本之间的距离,而且一定程度上增强了KNN的稳定性。该方法在UCI标准数据集上进行了测试,结果表明,性能优于或与其他相关的分类器相当,并且在噪声扰动下具有较强的鲁棒性。

软件工程专业串联式课程设计探索与实践

针对软件工程专业中多数课程实践性较强,传统的教学模式存在实践内容难以有效地衔接、无法形成完整有效的知识体系等问题,以项目驱动为主导,依据项目开发实践流程将相关的实践性课程串联起来,形成一套面向项目开发、多课程联动的课程设计教学模式.

多数据源中局部模式挖掘研究

数据的存储存在多源化,从多数据源中进行局部模式挖掘为不同层次决策提供服务是数据挖掘领域的一个研究热点。文章介绍了多数据源挖掘方法的研究进展,从数据源的划分、多种模式的挖掘、局部模式的合成等方面进行了详细的阐述和分析,并指出了多数据源挖掘的进一步研究方向。

基于指数三角函数的灰色预测模型研究与应用

基于函数变换理论,提出了对建模数据进行acos(x)(a>1)变换,理论上证明了这种变换可以有效地提高建模数据序列的光滑度.拓广了灰色模型的应用范围,实例验证了所建GM(1,1)模型精度优于"对数幂函数"法所建模型,说明了该方法的有效性.

协同的课程设计教学模式

课程设计是培养和提高计算机专业学生分析解决实际问题能力的一种有效方式.以地方师范院校的计算机专业学生为对象,以数据库课程设计为案例,设计了一套需求、教师与学生协同综合考虑的的课程设计教学方案.

基于ADO.NET实现XML文档与关系数据库转换的方法

由于各个公司的系统存在异构性,如何让各个公司的数据实现交换和共享成为了一个问题,因此出现了用XML作为中间转换载体来实现关系数据库中数据在网络上的共享。如何避免XML文档与关系数据库转换中存在的问题,本文讨论了基于ADO.NET来实现XML文档与关系数据库的转换。

灰色误差神经网络模型在预测中的应用研究

在分析GM(1,1)模型的建模机理的基础上,指出了传统建模方法的不足,即发现了预测数据序列中的第一点的值并不能用原始数据序列中第一点的值来代替,因为存在误差,同时给出了误差项的一般表达式,然后基于BP神经网络对误差项进行优化模型。结果表明,该模型拟合误差小,预测精度高。

基于标签关联性的分层分类共有与固有特征选择

在大数据时代,数据的样本数量、特征维度和类别数量都在急剧增加,且样本类别间通常存在着层次结构.如何对层次结构数据进行特征选择具有重要意义.近年来,已有相关特征选择算法提出,然而现有算法未充分利用类别的层次结构信息,且忽略了不同类节点具有共有与固有属性的特点.据此,提出了基于标签关联性的分层分类共有与固有特征选择算法.该算法利用递归正则化对层次结构的每个内部节点选择对应的固有特征,并充分利用层次结构分析标签关联性,进而利用正则化惩罚项学习各子树的共有特征.该模型不仅能够处理树结构层次化数据,也能直接处理更为复杂常见的有向无环图结构的层次化数据.在6个树结构数据集和4个有向无环图结构数据集上的实验结果,验证了该算法的有效性.

Dijkstra算法在Web结构挖掘的应用

该文从Web结构挖掘角度出发,利用概率论分析了Web结构挖掘的PageRank算法,得出挖掘结果,最后介绍Dijkstra算法在其挖掘结果的应用。

基于LDA的社会化标签综合聚类方法

社会化标注系统产生了大量歧义的、不受控制的标签，不仅会降低用户的体验，而且会限制资源的利用效率。标签聚类能够把具有相近语义的标签聚集在一起，反映标签的潜在语义结构，从而有效缓解上述问题。传统的标签聚类方法通常只利用资源的被标注信息进行聚类，由于忽略了用户的标注信息使得聚类结果不能表达准确的语义。本文提出一种基于LDA（Latent Dirichlet Allocation）模型的社会化标签综合聚类方法，该方法分别利用用户的标注信息和资源的被标注信息来建立主题学习模型，通过学习，获取基于用户的标签潜在主题和基于资源的标签潜在主题，综合标签在这两类主题上的概率分布结果，建立标签主题的二次学习模型，学习出标签的混合主题并在此基础上判定标签的聚类簇。与传统方法相比，本文的方法不仅可以有效地利用标签之间的语义关系，而且能够在一定程度上缓解传统标签聚类方法所面临的高维和稀疏性问题。实验结果表明，本文的方法具有较好的效果。

基于局部子空间的多标记特征选择算法

在已有的特征选择算法中,常用策略是通过相关准则选择与标记集合相关性较强的特征,然而该策略不一定是最优选择,因为与标记集合相关性较弱的特征可能是决定某些类别标记的关键特征.基于这一假设,文中提出基于局部子空间的多标记特征选择算法.该算法首先利用特征与标记集合之间的互信息得到一个重要度由高到低的特征序列,然后将新的特征排序空间划分为几个局部子空间,并在每个子空间设置采样比例以选择冗余性较小的特征,最后融合各子空间的特征子集,得到一组合理的特征子集.在6个数据集和4个评价指标上的实验表明,文中算法优于一些通用的多标记特征选择算法.

基于最近邻互信息的特征选择算法

针对邻域信息系统的特征选择模型存在人为设定邻域参数值的问题。分别计算样本与最近同类样本和最近异类样本的距离,用于定义样本的最近邻以确定信息粒子的大小。将最近邻的概念扩展到信息理论,提出最近邻互信息。在此基础上,采用前向贪心搜索策略构造了基于最近邻互信息的特征算法。在两个不同基分类器和八个UCI数据集上进行实验。实验结果表明:相比当前多种流行算法,该模型能够以较少的特征获得较高的分类性能。

基于目标用户近邻修正的协同过滤算法

在基于用户的协同过滤算法中,用户评分倾向性和评分矩阵的稀疏性致使难以准确可靠地搜寻目标用户的近邻.基于此,文中提出基于目标用户近邻修正的协同过滤算法.首先定义积极评分和消极评分两类用户群体,选择从目标用户评分倾向性一致的用户群体中寻找其近邻.然后对与目标用户共同评分项数量少而相似度可能高的近邻进行修正,为目标用户寻找更准确的近邻集合.实验表明,文中算法在一定程度上能有效提高推荐质量.

一种启发式的局部随机特征选择算法

深入研究大间隔从样本间相似性、信息熵从特征间相关性进行特征选择的特点,提出一种有效地融合这两类方法的特征选择算法。采用Relief算法得到一个有效的特征排序,进而将其划分为若干区段。设置各区段的采样率,以对称不确定性作为启发因子获得每个局部随机子空间的特征子集。将获得的所有特征子集作为最终的特征选择结果。实验结果表明该方法优于一些常用的特征选择算法。