基于马尔可夫与传染病模型的供应链网络中断风险传播研究

供应链网络中断会导致企业运营能力受损,中断风险传播引发的连锁反应会进一步危害供应链网络的整体绩效。本文从供应链运营能力视角,刻画供应链网络中断风险传播过程。将企业运营能力结合中断程度细分为五个状态,并利用离散时间马尔可夫链和动态贝叶斯网络模拟个体企业运营能力变化情形。根据企业五种运营状态将其划分为易感、潜伏、轻症、重症以及免疫个体,构建企业在潜伏期、轻症和重症感染期均具传染性的中断风险传播动力学模型。进一步探讨系统稳定状态时关联企业密度及中断风险传染临界值及其影响因素。对企业状态的细分,有助于更精准地把握运营能力,更细腻地描述中断风险在供应链网络中的传播规律。所得中断风险传播规律不仅有助于企业更清晰地认识自身及所处供应链环境的运营状态,而且能为企业据其状态变化实时更换中断风险管控策略提供依据。本文结合中断程度对企业状态进行细化描述的做法,可为研究企业状态连续时的中断风险传播规律研究提供思路。

基于单值中智集的协同过滤推荐算法

为缓解推荐系统中用户模糊评价带来的推荐准确性低的问题,构建基于单值中智集的协同过滤推荐模型。首先,构建用户—项目评分矩阵,划分用户评分等级,并将用户评分按照单值中智计算公式转换得到评分对应的真值隶属度、不确定值隶属度、非真值隶属度。然后,引入极端评价计算公式,将其作为极端评分惩罚系数,得到基于单值中智数分数的相似度计算公式。最后,结合杰卡德相关系数得到最终用户相似度。基于单值中智集的协同过滤推荐方法在公开数据集MovieLens上比较验证,实验结果发现融合单值中智集的方法在RMSE、MAE评价指标上均比其他方法有2%~3%的提升,能够有效提高推荐精度,更好地处理模糊问题。

基于特征嵌入的去流行度偏差混合推荐算法

针对数据不均衡条件下贝叶斯个性化排序算法生成的推荐列表中存在强流行度偏差的问题,提出基于特征嵌入的去流行度偏差混合推荐算法。首先,利用卷积神经网络提取用户、物品特征确定用户偏好,并依据用户偏好对原始不均衡数据进行评分填充;其次,将卷积神经网络提取的用户偏好特征嵌入到贝叶斯个性化排序算法中进行混合推荐;最后,用评分填充数据训练混合推荐模型,得到去流行度偏差的个性化排序列表。为了验证算法的性能,在公开数据集MovieLens-100K和MovieLens-1M上进行分析与对比实验,实验结果显示流行度偏差降低了约50%~60%,精确度提高了约一倍。