融合评分上下文和物品相似度的推荐算法

推荐系统中用户的评分往往会受到评分上下文的影响,即用户先前对一些物品的评分会影响其对当前物品评分的客观性。稀疏线性方法在计算物品相似度时将受到上下文影响的用户评分与其他评分同等看待,然而该部分评分并不能客观地反映出物品之间的相似度。针对以上问题,在稀疏线性方法的基础上提出了融合评分上下文和物品相似度的推荐算法,算法分为三个阶段:第一个阶段使用加权评分计算物品最近邻进行特征选择;第二个阶段利用评分误差权重减少算法模型对受到上下文影响的评分的拟合,训练得出物品相似度矩阵;第三个阶段根据用户评分和物品相似度进行评分预测以完成物品推荐。在MovieLens的四个数据集上进行实验,采用平均准确率(MAP)、平均倒数排名(MRR)和归一化折损累计增益(NDCG)指标来评估算法效果。实验结果表明,融合评分上下文将进一步提高物品相似度的准确性,从而提高推荐的性能。

基于决策树改进深度交叉网络的推荐模型

特征挖掘是推荐算法模型中学习用户与物品之间交互行为的关键步骤,对提升推荐模型的准确度具有重要意义。现有的特征挖掘模型中,线性逻辑回归模型虽然简便,能够达到很好的拟合效果,但其泛化能力较弱,且模型对特征参数量的需求较大。深度交叉网络能够有效实现对特征的交叉提取,但其对数据特征的表征能力仍然不足。因此,文中引入多重残差结构与交叉编码思想,提出了一种基于决策树的方法来改进深度交叉网络的推荐模型。首先基于GBDT算法设计构建强化特征的树结构,加强模型对潜在特征的深度挖掘;其次对模型嵌入层的输入参数维度进行扩增优化;最后对改进的深度交叉网络推荐模型进行推荐预测。该设计不仅可以克服现有模型在泛化能力上的局限性,还能在保持特征参数量精简的同时令其表征能力有所加强,进而有效挖掘用户的隐藏关联,提高推荐的准确度。基于公测数据集的实验结果表明,所提出的模型预测效果比现有的特征交互方法更优。

面向非随机缺失数据的协同过滤评分方法

大多数评分预测研究都是基于缺失值是随机的假设。然而,实际的线上推荐系统的评分矩阵的缺失数据都是非随机的。对缺失数据的错误假设会导致有偏差的参数估计和预测。为了提高非随机缺失评分矩阵填补的准确度,文中深入分析了用户和物品的评分矩阵的内在原理,提出了通过行或列变换将用户和物品的评分矩阵转变为等价的双边块对角矩阵,再在不同的分区块中分别应用矩阵分解方法进行分解和评分预测的方法,使得局部数据更新和分解成为现实。在公测数据集上的实验结果显示,文中方法可以提高评分填补效果,有效地解决非随机评分缺失问题,从而提高推荐系统的预测准确率。变换后的分块矩阵在分布式处理实验中也获得了较好的加速比,说明文中方法具有较好的应用可扩展性。

创新环境指数构建及基于自适应ARIMA的动态预警监控研究

创新环境问题一直是地区经济发展高度重视的问题,也是学者们对区域创新能力长期研究的重点内容之一。根据高新技术企业的现实情况,结合国内外相关问题的研究成果,从经济因素、制度因素、人才因素、硬件能力及产业聚集五个层面建立了创新环境状态指标体系,采用稳健主成分合成指数法对广东省高新技术企业1997—2019年的年度数据构建宏观创新环境指数MacroIEI,结果显示该方法得到的指数值与实际较为相符。在此基础上,利用自适应ARIMA方法对创新环境指数建立预测模型,将模型得到的预测结果加入到改进型EWMA控制图中,实现对创新环境指数的动态过程控制。为了验证模型的可靠性,与常规EWMA控制图进行过程控制比较研究,研究发现:对创新环境指数MacroIEI进行预警监控,改进型EWMA控制图具有比常规EWMA控制图更好的检测效果。通过创新环境指数MacroIEI的过程控制结果分析,证实提出的动态预警监控方法是合理的,政府决策部门或相关企业可以依据这些来评价区域创新环境的状态并作出决策。

基于微博用户模型的个性化新闻推荐

新闻推荐是互联网推荐系统的研究热点之一,传统的新闻推荐方法是在新闻网站内,通过记录用户浏览的新闻来实现推荐应用。然而,许多新闻网站并不强制要求用户必须注册才能浏览新闻。微博作为目前最主流的自媒体形式,它由用户自己发起或传递,进而实现草根媒体的职能。对新闻进行高效组织并使用微博进行新闻推荐,这是之前研究欠缺的。该文通过提出基于微博分析的新闻推荐,提出了基于新闻和微博本身特点的解决方法,从而实现微博和新闻的关联。实验表明,该文设计的各模块具备较高的效率和实用效果。

基于二次聚类的新闻推荐方法

由于新闻更新快,对用户进行新闻推荐往往需要进行聚类预处理,而传统方法要么复杂度过高,要么依赖于迭代初值,都不能准确而高效地应用于新闻推荐中.针对以上问题,文中提出了一个基于二次聚类的新闻推荐方法,对随机抽样数据进行密度聚类,基于该样本密度聚类的簇数和初始簇心进行所有待推荐新闻的二次快速聚类,并结合时新性、新闻热度等因素实现新闻推荐.文中方法可以将相关新闻聚集在一起,同时又不导致过高的运算开销,并通过参数估计方法计算各因素参数.实验结果表明,与其他新闻推荐方法相比,文中方法具有较好的推荐多样性和推荐准确度.

互联网背景下数据挖掘课程线上线下混合式教学探索与实践

随着网络化及数字化技术的不断完善,在线教学模式在高校教学中的应用得到了迅速发展,基于各种数字化教学工具建成的在线课程资源类型丰富、数量可观。本研究将传统课堂教学与线上教学结合起来,形成了线上线下混合式教学,详细阐述人才培养方案、课程教学方式、课堂互动形式、组织实施手段及考核方式等内容,同时提出“项目式驱动的案例教学模式”,为实际的教学改革提供科学依据。最后,以《数据挖掘与可视化》课程为例,介绍实施混合式教学的具体过程。从教学成效来看,这种以案例为向导的线上线下混合式教学模式不仅提高了学生学习的主动性和逻辑性,丰富了学习资源,还借助小组合作方式提高了学生的团队合作精神和同伴学习能力。

计算机专业课互动教学方法及其效果分析

随着人工智能时代的到来,计算机的教学逐步转化为基于数学模型、面向海量数据和高性能计算的学科。但由于大多数计算机专业教学单一,导致这种转换很难随着工业环境的变化而变化。教学方法是在社会发展的大背景下不断探索磨合发展的,尤其是在技术更新极快的计算机专业教学上。通过分析国内高校的计算机教学及其存在的问题,充分考虑到计算机专业技术更新换代快的特点,提出以互动教学为主的教学培养模式,并对两年来的教学效果进行分析比较,以期培养出适合当前时代环境的计算机专业人才,并为该专业的教学改革和实践提供思路和参考。

基于多模型优化的超声图像肿瘤自动识别

随着计算机视觉识别技术的发展,越来越多的研究人员将该技术应用到肿瘤图像的识别上。但由于成本,许多医院仍然采用成本较低的B超等设备,产生了模糊、伪影和多个相似肿瘤噪声区域。目前的方法在清晰图像识别中具有很高的精度,但在超声图像方面却存在低准确度且不稳定的结果,其原因是许多现有算法对模糊、噪声图像误判较高。文中基于R-CNN和PRN的方法快速准确地获取高噪声的超声图像的关键特征,并通过数据增强和形态学滤波的方法确保了识别的稳定性。同时,所提方法还融合了血流信号分类模型增强识别精度。基于实际甲状腺肿瘤图像的数据集可知,提出的方法对比新近算法具有较高的准确性和稳定性。

新的柱形二维条码生成方法及应用

针对普通二维条码粘贴或者打印到柱形物体表面后,很难或者不能被读取,提出了一种用于粘贴到柱形物体也能被通用条码识别工具识别的方法。首先,利用实验检测不同条码大小、柱形物体半径以及扫描距离对条码识别的影响,分析出条码大小与柱形物体半径比对识别影响的阈值范围。实验数据表明,当二维条码边长与柱形物体半径之比大于0. 6时,粘贴到柱形物体表面的二维条码就不能顺利读取,基于此,提出了柱形二维条码的概念,该条码用于粘贴到柱形物体表面后也能被识别;然后,分析普通二维条码在柱形物体表面不能正常识别的原因,得出普通二维条码和柱形条码的映射关系,即普通条码的每一个像素点特定映射到柱形条码上。其次,利用这种映射关系,结合zxing提供的功能,开发出一个柱形二维条码生成工具,经检测,使用该方法所产生的柱形二维码粘贴到柱形物体表面能被正确地读取;最后,利用工具生成的柱形二维码,实现了白萝卜、青瓜、山药等柱形农产品二维条码追溯标识。

人工智能时代《C语言程序设计》教学改革

针对非计算机专业的《C语言程序设计》课程与实际应用相距太远,学生觉得“C语言无用”的现状,提出顺应学生兴趣,使《C语言程序设计》课程教学内容贴近技术热点,将基于深度学习的人工智能技术的前沿研究内容融入到C语言理论教学、实践教学和教学互动过程中。通过设计基于C语言的人工智能小型项目实验,让学生补充数据结构、算法相关知识,使学生能利用人工智能技术解决实际应用问题。

推荐系统信息跨领域的改进迁移学习算法

推荐技术中的单领域推荐算法面临诸多现实问题,主流的协同过滤算法只利用了用户与物品的交互的信息,无法避免会受到实际应用场景中数据稀疏性的影响。本文致力于融合其他领域的信息来处理稀疏数据,解决了现有算法较难从跨领域中找到有效关联的问题。文中提出了一种联想型感知网络模型,它基于深度神经网络,通过深度挖掘物品的内容信息和信息跨领域的方法来实现迁移学习,获取最优化的特征关联,进而优化了推荐的准确性。该算法很好地处理了推荐系统中数据稀疏性问题,并且在公测数据集的实验中比多种新近算法提升达到15%~20%,表现出了更好的性能和可扩展性。

基于点割集图分割的矩阵变换与分解的推荐算法

基于模型的协同过滤算法通过矩阵分解来将用户偏好以及物品属性用隐变量来表示,但现有的矩阵分解算法很难应对个性化推荐系统中严重的数据稀疏性以及数据变化性所带来的问题。针对上述问题,提出了基于双边块对角矩阵的矩阵分解算法。首先通过基于社区发现的点割集图分割算法将原始的稀疏矩阵转换成双边块对角矩阵,将具有相同偏好的用户以及相似特征的物品归并到同一个对角块中,然后将结构中的对角块和双边拼接成数个密度较高的子矩阵。实验结果表明,对这几个密度有提高的子矩阵进行并行分解,基于其分解结果进行原始矩阵的预测,能够有效缓解矩阵分解中数据稀疏性所带来的问题,既能提升预测的精度,又能提高推荐结果的可解释性。同时,每个子对角块都能并行独立分解,能达到提高算法效率的目的。

基于AdaBoost算法的药物—靶向蛋白作用预测算法

对靶向蛋白的药物作用进行预测可以促进药物新作用的发现。新近的研究更倾向于单独将特定的矩阵填补算法应用在靶向蛋白和药物的相互作用预测中。单模型的矩阵填补算法准确度较低,因此应用在药物—靶向蛋白作用预测方面也难以获得满意的结果。AdaBoost算法是一种由多分类器组合生成强分类器的算法框架,其在分类应用领域的实用性和有效性已被证明。靶向蛋白的药物作用预测是一个矩阵填补问题,即是一种评分预测过程,因此本文在使用AdaBoost算法对药物—靶向蛋白作用进行预测前,将药物—靶向蛋白作用预测的矩阵填补问题转化为分类问题,将AdaBoost算法应用在靶向蛋白的药物作用预测评分上,充分利用AdaBoost算法框架对多个弱分类器进行融合从而提升性能,得以进行准确的药物—靶向蛋白作用预测。基于公测数据集的实验结果表明,本文提出的算法在预测准确度方面超过了大多数经典算法和新近算法,较好地克服了新近基于机器学习方法单算法的局限性,更好地挖掘隐含因素,有效提升了预测准确度。

基于最大类间方差自适应阈值的五花肉肥瘦自动识别方法

对五花肉的检测常使用化学检测或人工检测方法,但这两种常用方法都需要花费较大的成本和检测时间,且误差较大。为了提高识别准确度,降低检测成本,实现自动化检测。本文以猪肉腹部的五花肉为研究对象,使用最大类间方差自适应阈值法对图像R基色图层进行背景分离,并对图像进行中值滤波处理,从而获取图像的五花肉区域。针对五花肉图像中肥肉与瘦肉对比度不强的特点,采用有限对比度自适应直方图函数来增强肥瘦肉之间的对比度,再使用最大类间方差自适应阈值法分割五花肉图像的肥肉与瘦肉区域。通过实际图像样本的实验结果表明,本文方法比传统新近方法的识别准确率高。这说明本文方法通过自动阈值进行图像滤波处理方法可以有效区分肥肉和瘦肉区域,对其进行有效检测和识别。