小初值条件下二维半空间上一类趋化-流体耦合方程解的时间衰减估计

趋化-流体耦合方程解的大时间行为是近年来趋化现象中的一个研究热点。本研究考虑二维半空间上一类具有化学刺激物生成机制的趋化-流体耦合方程。利用格林函数方法,得到小初值条件下解的时间衰减估计。结果表明,在小初值条件下,方程的解具有与热传导方程类似的衰减性质。

基于交易时间衰减的以太坊恶意地址检测方法

提出Trans-TAN模型,用于以太坊上的交易流向图中关联恶意地址的检测任务,模型改进基于Transformer模型的自注意力机制,根据以太坊地址的交易特点并受到牛顿冷却定理的启发,引入随时间交易的时间间隔衰减因素,同时融合以太坊地址间的相似度因素和交易金额因素。基于以上三方面,通过牛顿冷却定理的常微分方程解形式构建的地址关联矩阵,从而改进原有的自注意力矩阵。实验证明,Trans-TAN模型能够有效捕捉以太坊交易流向图过程中恶意节点地址的特征,在测试集中精准率(Precision)、召回率(Recall)和F 1指标优于传统的检测模型。

二维耗散非线性薛定谔方程解的时间衰减估计

研究了一类二维耗散非线性薛定谔方程初值问题解的时间衰减估计,其中非线性项为λ|v|^(p-1)v,λ为复常数,并且λ满足强耗散条件λ_(2)<0,|λ^(2)|≥p-1/2√p|λ_(1)|.在初值大小不受限制的条件下,得到了上述二维耗散非线性薛定谔方程解的Lq时间衰减估计,其中q>2.

三维可压缩MHD方程大解的时间衰减率

该文主要研究R^(3)中可压缩磁流体力学方程大解的时间衰减率.当(σ_(0)−1,u_(0),M_(0))属于L^(1)∩H^(2)时,基于Chen[1]等人的成果,文献[2]中得到了||∇(σ−1,u,M)||H1≤C(1+t)^(−5/4),可见,解二阶导数的时间衰减率不是最理想的.因此,该文通过借助频率分解[3]的方法将||∇^(2)(σ−1,u,M)||_(L^(2))的时间衰减率改进为(1+t)^(−7/4).

基于时间衰减的协同过滤推荐算法

针对传统的协同过滤算法在计算相似度时未考虑时间因素的影响,导致推荐结果不准确的问题,本文提出将时间因素融入用户项目评分矩阵中,以解决兴趣衰减的问题。首先将遗忘曲线和记忆周期作为时间因素融入算法之中,将艾宾浩斯遗忘曲线用于指数函数拟合,从而获得时间与兴趣衰减的函数关系,以此用于优化用户项目的评分。并将改进的评分矩阵应用到基于项目的协同过滤推荐算法中进行推荐。在评分中加入记忆周期的影响,让目标用户对待预测的项目评分预测更为准确。实验结果表明,改进后的基于时间衰减协同过滤算法在准确性方面有显著的提高。

一种具有时间衰减和主观预期的P2P网络信任管理模型

该文提出了一种基于信誉的P2P网络信任管理模型。在P2P网络中,由于不存在中心节点,需要根据节点的行为来判断其是否可信。通过引入时间衰减算法,解决了对行为评估,本地信任值以及推荐的时间相关性问题。通过对近期表现和长期表现的对比,给出对该节点未来表现的主观预期,能够对节点异动做出反应。利用DHT资源发现算法,有效地降低了网络消耗,并使模型具有可扩展性。模型能够有效地提高P2P网络的交易成功率。

一种基于时间衰减模型的数据流闭合模式挖掘方法

数据流是随着时间顺序快速变化的和连续的,对其进行频繁模式挖掘时会出现概念漂移现象.在一些数据流应用中,通常认为最新的数据具有最大的价值.数据流挖掘会产生大量无用的模式,为了减少无用模式且保证无损压缩,需要挖掘闭合模式.因此,提出了一种基于时间衰减模型和闭合算子的数据流闭合模式挖掘方式TDMCS(Time-Decay-Model-based Closed frequent pattern mining on data Stream).该算法采用时间衰减模型来区分滑动窗口内的历史和新近事务权重,使用闭合算子提高闭合模式挖掘的效率,设计使用最小支持度-最大误差率-衰减因子的三层架构避免概念漂移,设计一种均值衰减因子平衡算法的高查全率和高查准率.实验分析表明该算法适用于挖掘高密度、长模式的数据流;且具有较高的效率,在不同大小的滑动窗口条件下性能表现是稳态的,同时也优于其他同类算法.

基于时间衰减模型的数据流频繁模式挖掘

频繁模式挖掘是数据流挖掘中的重要研究课题.针对数据流的时效性和流中心的偏移性特点,提出了界标窗口模型与时间衰减模型相结合的数据流频繁模式挖掘算法.该算法通过动态构建全局模式树,利用时间指数衰减函数对模式树中各模式的支持数进行统计,以此刻画界标窗口内模式的频繁程度;进而,为有效降低空间开销,设计了剪枝阈值函数,用于对预期难以成长为频繁的模式及时从全局树中剪除.本文对出现在算法中的重要参数和阈值进行了深入分析.一系列实验表明,与现有同类算法MSW相比,该算法挖掘精度高(平均超过90%),内存开销小,速度上可以满足高速数据流的处理要求,且可以适应不同事务数量、不同事务平均长度和不同最大潜在频繁模式平均长度的数据流频繁模式挖掘.

融合时间衰减与偏好波动的协同偏好获取方法

针对现有的推荐系统多采用近邻用户的偏好行为来预测当前用户的偏好,而不考虑用户的偏好会随着时间的变化而改变,影响了推荐准确率的问题,提出了一种基于时间衰减与偏好波动的协同偏好获取方法。首先,基于时间因素、用户历史偏好等获取偏好衰减增量与衰减速度,并据此生成衰减函数,使用衰减函数对用户历史行为数据进行衰减修正;其次,基于用户的历史偏好分布获取其偏好波动幅度;最后,将衰减函数与偏好波动幅度分别加入到最近邻获取与偏好获取流程,协同为用户生成推荐列表。在大规模真实数据集上的实验结果表明,所提出的方法与基于属性评分分布的协同过滤(RDCF)与最优Top-N的协同过滤(OTCF)相比,平均绝对误差(MAE)值分别降低了近6.42%和7.73%。实验结果表明所提方法能够提高推荐准确度,提升推荐质量。

Web服务中一种基于时间衰减和反馈的信任管理机制研究

Web服务是在商业社会中兴起的一种新的Web应用。伴随着Web服务的发展,服务和服务请求者的数量变得越来越多,如何保障服务的利益和如何在海量的服务请求者中选择诚实的服务请求者将变得十分重要和困难,而现有的基于反馈的信任管理惩罚机制对于恶意的服务请求者缺乏有效的识别方法和惩罚机制。针对Web服务中缺乏对恶意服务请求者实施有效处罚机制的问题,本文在基于反馈的信任管理机制基础上,提出了一种反馈与时间衰减结合的信任管理机制,激励服务请求者提供诚实的访问行为,有效避免其对服务造成伤害,增强了Web服务的访问控制安全。

电子商务中时间衰减的信任值计算模型

电子商务改变了现代人们的购物方式和生活方式,其产生的安全问题和信任问题是电子商务中的关键问题。让买卖双方相互产生信任并安全的交易,是电子商务面对的一个核心问题。信任和信誉具有动态性、基于时间的衰减性和可度量性等特点。以淘宝网为例,根据信任和信誉所具有的特点,提出在电子商务中把商品价格和时间因子也做为计算因子参与信任和信誉的量化。该量化方法对电子商务中产生的欺诈行为产生严厉的、合理的惩罚策略,对规范电子商务中的交易行为起到一定的作用。构建了一种新的信誉计算模型,有效提高信任值和信誉值的表值达能力,为电子商务提供可靠的信誉参考。

基于时间衰减的分布式数据流聚类算法

为了发现分布式数据流环境下的微簇,针对数据流的遗忘特性,提出一种基于时间衰减的数据流聚类算法.根据衰减模型增量式的处理局部站点,将局部模型发送给中心站点.中心站点对局部站点的微簇进行合并,生成全局聚类模型.通过真实数据和仿真数据的实验表明,该算法能够得到较好的聚类质量,并且有较好的伸缩性.

挖掘滑动时间衰减窗口中网络流频繁项集

网络流数据频繁项集挖掘是网络流量分析的重要基础。提出一种新颖的基于字典顺序前缀树LOP-Tree的频繁项集挖掘算法STFWFI,该算法采用更符合网络流特点的滑动时间衰减窗口模型,有效降低了挖掘频繁项集的时间和空间复杂度;在该树结构上提出一种新的基于统计分布的节点权值计算方法SDNW代替传统的统计方法,提高了网络流节点估值的精确度。实验结果表明,该算法在网络流频繁项集挖掘过程中获得了良好的效果。

基于时间衰减模型的不确定数据流聚类算法

提出一种不确定数据流上聚类算法(FDCUS),采用格结构和基于时间衰减模型的聚类机制来解决挖掘任意形状聚类问题.算法引入时间衰减因子,并考虑元组的存在概率,计算格的特征向量来统计流数据的概要信息.在聚类过程中,通过计算概率中心距离来衡量两个相邻强格或中间格是否"足够靠近",从而选择合并,可以进一步提高聚类质量.此外,算法引入的动态孤立格的删除机制可以有效的对孤立格中的异常点进行定期删除,大大降低了算法的时空复杂度.在模拟数据集和真实数据集上的实验结果表明,FDCUS算法与其他算法相比可以取得较高的聚类质量和时间效率,并有较好的可扩展性.

基于项目聚类和时间衰减的动态协同过滤算法

传统协同过滤推荐算法侧重于用户兴趣和项目的关系,目的是向用户推荐符合其兴趣的项目。但忽略了用户兴趣随时间的变化,将不同时间段的项目评分同等对待,降低了推荐的准确率。另一方面,基于项目的协同过滤算法在寻找目标项目的最近邻居时,因需要遍历整个项目空间而导致开销较大。为了解决上述问题,设计了一种基于项目聚类和时间衰减的动态协同过滤推荐算法ITDCF。该算法适用于基于项目的协同过滤,首先根据用户的评分对项目进行聚类,以快速找出目标项目的最近邻。接着,在计算项目相似度和预测评分阶段都引入时间衰减因子,以客观反映用户兴趣,提高推荐精度。最后,将前N个项目推荐给用户。在MovieLens数据集上对Popular、ItemCF、ITDCF算法的准确率、召回率和F 1值的测试结果表明,ITDCF算法在准确性和效率上都有所提高。

融合时间衰减函数的改进协同过滤算法

大数据时代数据量呈爆发式增长,为帮助人们在海量数据中获取自己所感兴趣的信息,推荐系统应运而生。协同过滤在推荐系统中应用广泛,针对传统协同过滤推荐算法数据稀疏、推荐精度较低,不能及时反映用户的兴趣度变化以及时效性不足等缺点,提出了一种融合时间衰减函数的改进协同过滤推荐算法。此算法在传统协同过滤算法的基础上综合考虑了时间因素的影响,用户兴趣会随着时间而变化,用户在短时间内感兴趣的物品具有更高的相似性,参考人类记忆遗忘特性,拟合人类记忆遗忘曲线得到时间衰减函数作为权重因子,在计算相似度和用户偏好程度时同时融入时间衰减函数对算法进行约束,提高短时间内物品相似度和用户兴趣度的权重,实现短期和长期兴趣度融合。实验结果表明,改进后的方法能在一定程度上提高传统推荐算法的精确率和召回率,验证了时间衰减函数的有效性。

引入时间衰减项的兴趣点推荐算法

兴趣点推荐已成为帮助人们发现感兴趣点的重要手段,传统推荐算法仅仅对固定时间段内的兴趣点做推荐,而没有考虑兴趣点推荐存在时间上的衰减现象.为了进一步提高兴趣点推荐算法的性能,总结了传统基于兴趣点相似度的协同过滤推荐算法,设计了表现更优异的改进算法——引入时间衰减项的兴趣点推荐算法.实际数据集上的测试结果表明,改进算法在精准度、召回率和F指标等方面比传统基于兴趣点相似度的协同过滤推荐算法有更好的表现.

基于时间衰减因子熵权法的电力用户信用评估

随着电力产业的快速发展,电力用户信用缺失的现象日益严重,为了避免此类现象带来的一系列用电风险,各电力公司分别采取不同的方法来实现对电力用户的信用评估。通常电力用户信用评估过程的主要依赖于评估人员主观决策,从而导致信用评估缺乏客观性。通过对电力用户信用评估过程中的各影响因素的深度分析,结合不同用户在关键指标上表现差距大的特性,采用一种依赖于指标数据本身的客观评价法,即基于时间衰减因子的熵权法。经过实例分析,该方法确定的随时间影响而变化的指标权重信用评估过程与电力用户的实际状况更相符。

基于时间衰减的物品相似度协同推荐算法改进

推荐系统作为信息过滤技术的典型代表,是目前解决信息过载问题的重要实现手段.其中协同过滤算法是目前推荐系统中应用最广泛的推荐算法之一.基于物品的协同过滤推荐算法,实质上是在邻近相似度计算的基础上,根据用户的历史行为特征,给用户推荐与用户之前喜欢物品相似物品的过程.文章在传统的基于物品推荐的协同算法基础上,针对用户-物品评分矩阵以及数据处理时可能存在的数据稀疏性问题,辅以时间衰减函数与修正的夹角余弦,对传统物品相似度计算方法做出改进,经过实验证明,基于时间衰减的物品相似度协同推荐算法可提高推荐结果准确性.

基于时间衰减和密度的任意簇数据流聚类

数据挖掘的一个重要分支是数据流聚类技术。基于K均值算法的基础提出了CluTA算法。该算法在处理用K均值方法分类得到的结果时考虑时间衰减因素和相似簇的合并,达到用户对时间的要求并实现了任意形状簇聚类。理论分析和实验结果都表明算法具有可行性。