基于Spark的并行FP-Growth算法优化及实现

为了进一步提高在Spark平台上的频繁模式增长(FP-Growth)算法执行效率,提出一种新的基于Spark的并行FP-Growth算法——BFPG。首先,从频繁模式树(FP-Tree)规模大小和分区计算量对F-List分组策略进行改进,保证每个分区负载总和近似相等;然后,通过创建列表P-List对数据集划分策略进行优化,减少遍历次数,降低时间复杂度。实验结果表明,BFPG算法提高了并行FP-Growth算法挖掘效率,且算法具有良好的扩展性。

基于图游走的并行协同过滤推荐算法

针对目前协同过滤推荐算法存在的数据稀疏性问题和可扩展性问题,本文进行了相关研究。针对稀疏性问题,在传统的皮尔逊相关相似度中引入交占比系数计算用户间直接相似度,该方法缓解了用户间共同评分项的占比问题;提出一种基于图游走的间接相似度计算方法,该方法根据用户间的直接相似度建立用户网络图,在用户网络图上通过游走计算用户间的间接相似度,并进行推荐。在Spark平台上实现本文方法的并行化,缓解了数据规模增加带来的可扩展性问题。实验结果表明:本文提出的算法在不同数据集上均取得了良好效果,有效地提高了推荐准确度,并且在分布式环境下具有良好的可扩展性。

基于双用户视角与知识图谱注意力网络的推荐模型

基于知识图谱的推荐模型可以解决推荐模型中数据稀疏和冷启动问题。为进一步提高推荐模型的可解释性和准确性,提出基于双用户视角与知识图谱注意力网络的推荐模型DKGAT。首先,为获取用户特征,模型从双用户视角分析用户行为并建立用户向量表示。其次,为获取项目特征,模型利用注意力网络在知识图谱中挖掘用户感兴趣的项目属性,自动获取和表示用户的兴趣路径。实验表明,相较于基准模型,该模型在三个公共数据集上的实验结果均有一定提高。

基于标签传播的蚁群优化算法求解社区发现问题

社区发现问题对于研究复杂网络的特性具有重要作用。蚁群算法由于其采用分布式正反馈并行机制,具有较强的鲁棒性和稳定性,被越来越频繁地应用于社区发现领域。针对蚁群算法求解社区发现存在求解精度低、收敛速度慢的问题,提出一种基于标签传播的蚁群优化算法(BLP_ACO)。采用一种新的解向量表达方式,其中每个节点位置存放该节点所属社区的标签。在解的构造阶段提出基于节点凝聚性的蚂蚁转移策略,降低蚂蚁转移过程中的随机性,从而提高算法的精确度;将标签传播思想引入到蚁群搜索过程,使算法快速收敛。在解的优化阶段采用基于模块度优化的合并策略,进一步提高算法的求解精度;更新信息素时对所有处于社区内部的边滞留信息素。在真实网络和LFR基准网络上验证,结果表明该算法能够准确高效地挖掘出社区结构。

新时代高校智库提升国际传播能力的创新探索——清华大学案例研究

当前我国国内外舆论环境正在经历迅速而深刻的变化。在这一背景下,高校智库如能良好依托所在学校人才济济、学科多元、科研实力雄厚、国际联结广泛、全球治理参与深入、媒体资源丰富等优势,将能在我国国际传播工作与国际话语体系构建过程中大有可为。从行动研究视角考察了清华大学在全球战略实施下的智库建设,特别是在国际传播中的实践经验,重点分析智库开展国际合作与交流的挑战及其应对方案,并提出了政策建议。

新时代高校智库提升国际传播能力的创新探索——清华大学案例研究

一、动态能力视角的高校智库国际传播能力建设近年来,我国一批高水平高校智库通过组织创新显著提升了国际传播能力。通过组织创新,高校智库管理者能够敏锐地发现或创造机会,设计和实施创新性的发展模式和运行流程,并且提升组织成员的综合能力,从而推动智库与所依托高校相辅相成、协同发展。这种创新能力是一种动态能力,意指组织整合、建设、重组组织内外的各类有形和无形的生产要素资源以创造价值,从而应对乃至主动影响和塑造快速变化中的社会环境。发挥动态能力的过程是具有高度创意、创新和创业性的过程,表现为组织采取战略行动以抓住机遇适应环境,进而影响和塑造环境以及变革组织自身,从而更好地实现组织目标。因此,管理者本身既是组织具有的独特资源,也是负责开发和配置组织资源,特别是稀缺资源的决策者。以下就近年来清华大学智库的创新案例进行分析。