一种融合异构信息网络和评分矩阵的推荐新算法

在当今的大数据时代,推荐系统是解决信息超载的有效手段.传统的协同过滤推荐系统仅仅使用用户-项目评分矩阵,而异构信息网络的出现为推荐系统更多地融合用户与项目信息提供了机遇,为了结合二者的优点,提出了一个融合它们的新的解决方案.在对推荐系统中的用户属性和项目属性建立异构信息网络之后,首先使用基于元路径的相似度计算方法分别计算用户与项目的相似度矩阵;其次使用提出的3种将相似度矩阵与用户-项目评分矩阵进行融合的方法;然后采用传统的基于矩阵分解的推荐技术进行预测及最后的结果合并.在MovieLens 100K这一国际标准数据集上以及通过IMDb对电影属性进行扩展后,通过实验验证了使用异构信息网络更多地引入用户与项目属性信息以及融合评分矩阵可以有效地提高推荐精度.

以核心变量为基础的离散贝叶斯网络结构学习

建立了基于核心变量的离散贝叶斯网络结构学习方法.该方法根据变量之间的无条件相对预测能力建立有向无环图,分别按着变量的聚度和散度排序变量;以不同于被预测变量的具有最大聚度和散度的两个变量为条件变量,根据变量之间条件相对预测能力的大小确定弧的存在性与方向,结合环路检验建立初始贝叶斯网络结构;以两个变量的最小切割集为条件变量集,调整初始贝叶斯网络结构(包括删除多余的弧和重新确定弧的方向),最终建立数据中所蕴涵的贝叶斯网络结构.同时,使用模拟数据进行了对比实验,结果表明这是一种有效实用的方法.

一种基于规则的无监督词性标注方法

提出一种基于规则的无监督词性标注方法,利用200多条英语语法规则,创建26个规则函数,先将输入的待标注英语句子进行预处理后得到初始标记,再对每个单词调用规则函数,最终得到标注后的英语句子.通过对Brown语料库的实验,词性标注的正确率达到93.95%.实验结果表明,本文方法可行、有效,能很好地提高英语词性标注的准确率.

基于贝叶斯网络理论的TAN分类器无向依赖扩展

基于贝叶斯网络理论 ,对 TAN分类器进行无向网络依赖扩展 ,把属性变量之间的树结构扩展成可分解马尔科夫网络 ,使经过依赖扩展得到的分类器能够充分利用属性变量之间的依赖信息 ,提高分类能力 ,并能够通过调节阈值大小避免过度拟合 .

一种基于Bhattacharyya系数和项目相关性的协同过滤算法

在大数据时代,为了满足用户的信息需求,个性化推荐系统得到了广泛应用。协同过滤是一种简单有效的推荐算法。然而,许多传统的相似度计算方法仅仅基于用户的共同评分值,且不适用于稀疏数据环境,因此提出了一种新的基于Bhattacharyya系数的相似度方法。该方法使用了所有用户对项目的评分信息,不仅可以通过用户的评分行为获得用户的相似兴趣特征,而且可以获得用户已评分物品之间的相关性;同时由于不同的用户有不同的评分习惯,新方法也考虑了每个用户的评分偏好。通过考虑用户相似性的更多因素,可以为目标用户选择更恰当的邻域用户,以更有效地提升推荐性能。在两个真实数据集上进行的实验表明,所提方法优于其他当前最好的相似度方法。

结合用户行为信息和信任传递的推荐算法

通过用户行为信息并结合信任传递推断用户隐式信任关系,提出了基于矩阵分解的PTtrustSVD算法,并在Filmtrust数据集上进行了实验.结果表明,加入隐式信任关系优于仅使用显式信任关系的推荐方法,证明了隐式信任关系对于改进推荐系统性能的有效性.

基于SPOC的线上线下混合教学模式探究与实践

对基于MOOC和SPOC的线上线下混合教学模式进行了探讨,以“数据库系统基础”课程为例,详细描述了SPOC课程创建的具体实现环节,并给出了线上线下混合教学模式和翻转课堂的设计思路和实践过程,通过师生评价和课程目标达成度对比结果验证了其有效性和可行性,并给出了开课前后调查问卷结果的分析和反思,为推进教学改革提供值得借鉴的经验。

高校网络舆情安全中主题分类方法研究——以新浪微博数据为例

【目的】通过一种特征加权方法解决高校新浪微博主题分类研究所面临的高维性和稀疏性问题。【方法】计算特征属于类别的概率,进一步预测文档属于类别的概率,使得特征由基于词的表示转换为基于类别的表示,最终采用支持向量机对转换后的特征矩阵进行分类。【结果】传统tf,tf?idf以及tf?rf三种方法在结合本文提出的方法后,在微平均F1/宏平均F1方面分别提升:7.2%/7.8%,7.5%/7.9%以及6.4%/5.7%。【局限】仅针对主题分类中特征加权方法进行探索,未对主题分类中其他部分展开研究。【结论】在高校网路舆情主题分类中,该方法可以有效地降低特征矩阵维度,同时提升分类能力与分类效率。