多聚类混合的加权协同过滤算法研究

协同过滤算法可根据用户的偏好,预测其感兴趣的项目,这项技术是目前商业领域中应用较为广泛且成功的。过去,使用协同过滤算法会因其数据的稀疏性及使用K-Means算法聚类时需要预先确定聚类个数等问题影响协同过滤算法的准确性。针对上述问题,提出了一种多聚类融合的协同过滤推荐算法。首先,构建用户-项目评分矩阵;其次,根据用户兴趣、偏好矩阵查找待估值项所对应的近邻用户,随后使用Slope One算法在对每一个簇内的稀疏矩阵进行填充,从而缓解数据稀疏性问题;再次,使用Canopy聚类算法进行粗聚类,将计算出的每个中心点作为K-Means算法的初始聚类点并进行K-Means细聚类;最后,优化后的协同过滤算法最终被用来预测每个簇中填充后的评分矩阵,并采用带时间加权的相似度公式。最终实验数据显示,优化后能够有效提升算法的效率与推荐质量。

基于DNN的不平衡5G潜客的识别研究

随着5G的快速发展,越来越多的电信用户逐步从4G升级为5G,如何精准高效地推动此类用户的升级尤为重要。首先考虑到4G和5G用户之间存在数量差异,为了解决此类差异需使用SMOTE进行数据平衡操作;其次由于SMOTE处理未考虑到类间不平衡,使用SOM+凝聚层次聚类算法来解决此类问题;最后将处理完的数据集使用深度神经网络(DNN)进行预测,实验结果表示,使用优化后的数据集的预测结果效果更好。使用DNN预测优化后的数据集准确率和F1值达到了88.97%和86.39%,均优于其他处理方法。

基于知识图谱的法律问答系统研究

为了给群众提供免费且准确的法律咨询服务并降低咨询成本和律师服务成本,对基于知识图谱的法务问答系统进行了设计研究。系统构建基于BERT+BiLSTM+CRF的法律实体识别模型,对法律实体进行字符级抽取,将词向量技术、双向长短期记忆模型和条件随机场模型相结合,获得最优序列标注,为知识图谱构建和文本处理提供技术支持,并针对缺少法律咨询方面知识图谱的现状,构建了一个知识图谱,改善用户法律咨询的体验。