基于改进用户相似性度量和评分预测的协同过滤推荐算法

协同过滤推荐算法是个性化推荐系统中研究最多也是应用最广的推荐算法之一.针对该算法中存在的数据稀疏性问题、可扩展性问题以及用户评分尺度不同导致的近邻用户寻找不准确的问题,提出了一种叫做基于改进用户相似性度量和评分预测的协同过滤推荐算法,该算法有以下三个方面的改进:(1)通过计算向量的平均欧式距离将相似的两个向量的均值引入对向量缺失值的填充并实现降维;(2)将用户评分的均值差引入对用户相似度的计算;(3)通过邻近用户对目标项目进行评分预测时,引入目标用户和邻近用户的平均评分.本文在Movie Lens数据集中进行了相应的实验验证,证明了本文算法的有效性.

深度稀疏自编码网络融合多LBP特征用于单样本人脸识别

单样本人脸识别的关键在于充分挖掘单样本判别性信息,采用深度稀疏自编码网络与空频域多LBP特征融合进行特征提取。首先利用部分样本训练深度稀疏自编码网络,利用训练好的网络分别提取训练及测试集的特征;其次,利用二维离散小波变换将时域样本变换到频域,实现样本扩展,增加单样本信息并分别提取各域上的多LBP特征;最后利用协同表示对深度自编码网络及多LBP特征进行分类识别,融合识别结果获取最终分类结果。在AR及PIE数据库上的实验结果表明,该融合算法能提高样本判别性信息的提取,提高单样本人脸识别性能。