有限节点驱动的微博社会网络话题推荐方法

针对微博在线社会网络中的话题推荐问题,研究了如何选取多个驱动用户节点使得推荐话题能够得到大的传播广度,提出了一种新的信息推荐方法,可以求得次优的驱动节点集合使得推荐话题得到近似最大的传播广度。通过三个环节进行计算:通过修正的PageRank算法求得影响力大的节点;计算第一步得到的每个节点引起的话题传播广度;计算多个节点联合驱动时话题传播的广度,选择使传播广度最大的驱动节点集合。实验结果表明选取的近似最优驱动节点集合能够使得推荐信息得到更大广度的传播。

基于异质信息融合的网络图像半监督学习方法

网络图像通常包含文本、颜色和纹理等异质信息.本文提出了一种基于多类异质信息融合的网络图像半监督学习方法—局部协同训练(Local co-training,LCT).该方法在每个视图(对应一类信息)上对每个样本点的邻域构建线性局部模型,利用一组局部模型来表示数据关系;基于信息传播和协同训练对模型进行增量式迭代更新.该算法在协同训练和基于图正则化的方法这两类半监督学习算法间建立了桥梁.局部协同训练算法能够准确地描述样本的复杂分布,并且可以进行高效的增量学习,有利于大规模网络图像的在线学习.在Corel,Pascal和ImageNet数据集上的实验结果表明该方法具有良好的性能.