基于属性偏好自学习的推荐方法

推荐系统从海量数据中挖掘出有用信息来学习用户偏好.目前主流研究的推荐算法是在考虑评分数据和社交数据的基础上执行协同过滤算法.协同过滤方法包括传统的用户、商品协同过滤算法和经典的矩阵分解方法.用户、商品协同过滤算法具有可解释性但训练速度慢,矩阵分解模型虽然训练速度快但缺乏解释性.此外,评分数据和社交数据在获取难度上高于属性信息.针对这些问题,提出一种基于属性偏好的自学习算法.该算法在评分数据和属性信息的基础上,首先利用用户对属性的初始偏好程度与属性对商品的评分构建预测评分模型,通过预测评分和实际评分的平方差及正规化项构造损失函数,使用梯度递减方法对损失函数中预测评分模型的属性偏好程度进行迭代训练,最后使用训练后的属性偏好程度和属性值评分来预测用户评分.实验在两个经典数据集上证明了该模型运行时间较快,且在评分数据稀疏的情况优于传统的协同过滤方法和基本矩阵分解模型.

结合监督下降优化和显著性的人像质量检测

针对已有社保人像采集系统缺少图像内容智能分析所导致的制卡失败问题,提出了人像质量智能检测算法.首先采用监督下降优化方法算法检测出人脸特征点,然后根据社保人像标准进行尺寸分析.最后采用显著性方法进行背景检测,判断背景是否合格.实验结果表明:该算法可以自动检测出质量不合格照片,解决了上传图像质量太差导致制卡失败问题.另外,结合JNI技术和MVC设计模式完成了该算法和社保业务系统的集成.