一种基于多粒度语言偏好矩阵的多属性群决策方法

针对决策专家以多粒度语言偏好矩阵形式给出偏好信息的多属性群决策问题,提出一种基于二元语义一致化的多属性群决策方法.首先,构建一个基本语言偏好集作为多粒度语言一致化的参考集合;然后,采用基于二元语义的一致化处理方法将不同粒度的语言偏好信息均统一转化为相同粒度的二元语义形式,再通过二元语义的相关集结算子,对各决策专家给出的偏好信息进行集结并进行方案优选,得到满意结果;最后,通过算例说明了该方法的有效性.

基于属性值偏好矩阵的协同过滤推荐算法

传统的协同过滤推荐算法面临用户评分数据稀疏性和冷启动问题的挑战。针对上述问题，提出了基于属性值偏好矩阵的协同过滤推荐算法，首先采用奇异值分解（SVD）对用户一项目评分矩阵降维得到目标用户的初始邻居用户集，生成新的用户一项目评分矩阵；然后将用户评分映射到相应的项目属性值上，生成每个用户的属性值偏好矩阵，并基于属性值偏好矩阵进行用户相似性度量，从而缓解了评分数据稀疏性；将新项目的属性值与用户的属性值偏好矩阵进行匹配，从而找出匹配度最高的前Ⅳ个用户作为新项目的推荐受众。实验结果表明了该算法的有效性。

基于IOWA算子的模糊语言偏好矩阵排序方法

给出了方案之间比较的一种模糊语言标度及其相应的区间数表示形式。运用模糊语言标度构造出模糊语言偏好矩阵。利用导出的有序加权平均(IOWA)算子对模糊偏好信息进行集结,提出了一种基于IOWA算子的模糊语言偏好矩阵排序方法,并把该方法进一步运用于群体决策中的方案排序和择优。最后通过算例说明了该方法的可行性和实用性。

在景观评价中偏好矩阵的应用研究

景观与人们日常生活息息相关,它影响着人们的思想、情感以及健康。至上世纪60年代开始,越来越多的国家和学术团体开始重视对景观评价方法的研究,不同学派在各自理论指导下形成多种评价方法,本论文试图对心理物理学派的景观偏好矩阵评价方法进行分析,对其概念生成、形成发展和实践应用逐一梳理,并通过实际案例的运用检验景观偏好矩阵评价方法的可行性与可操作性。

基于双偏好矩阵的B2B智能推荐研究与实践

B2B电商平台的用户都具有企业特征,传统的协同过滤算法以用户-商品偏好矩阵为主,难以体现用户的企业特征。在传统协同过滤算法的基础上增加企业-类别矩阵,改进形成双偏好矩阵协同过滤算法,搭建具有企业数据特征的B2B电商平台智能推荐引擎,应用于电商大数据分析平台,并在铁路某电商平台上进行实践应用,算法响应时间为毫秒级。为了证明算法的实用性,分别在准确率、召回率、覆盖率、新颖度等方面与传统的协同过滤算法、KNN算法进行对比,均具有优势,尤其是在不活跃用户的准确性方面提升超过10%。

基于偏好矩阵和覆盖需求的护士排班模型研究

采用APN排班模式,考虑我国医院护士排班的实际覆盖需求约束条件,构造成本、偏好为目标函数的整数规划模型。引入并改进偏好矩阵与覆盖需求的产生方法,运用Gurobi优化器和Python语言编程,选取较优的偏好矩阵与覆盖需求排班指标,得到满意的排班方案。算例结果表明该模型的有效性及实用性,可以为医院排班提供一定的辅助参考作用。

基于蝙蝠优化偏好矩阵的序列化数据推荐算法研究

为了提高信息网络中各类用户与项目信息增长给推荐系统带来的负载,从类型偏好角度出发,设计了一种根据用户偏好的蝙蝠优化聚类处理的协同过滤推荐(CFR)算法。在设计蝙蝠优化协同过滤推荐算法(B-CFR)时,融入用户偏好优化聚类方法。以B-CFR算法为基础,根据项目类型建立细粒度偏好模型,利用蝙蝠优化算法达到改进聚类的效果。对该算法进行了测试研究。研究结果表明:设计的算法将聚类数设置在10和近邻数取值为40时是最优的。当权重系数处于[0.1,0.5]区间内时,通过B-CFR算法预测评级,能够满足用户真实评级状态评价,显著改善推荐效果。相对于传统CFR算法,所设计的B-CFR算法可以优化评分预测准确性,并有效缩小最近邻居搜索范围、增强系统实时性,使系统获得更强的扩展能力。该研究对保证推荐系统的运行效率具有一定的指导意义。

群决策中两类偏好信息——AHP判断矩阵和模糊偏好关系矩阵的一致化方法

在有限方案的群决策问题中 ,如何统一具有不同形式的偏好信息是一个新的研究课题 .本文针对群决策中决策者给出关于方案的两类偏好信息—— AHP判断矩阵和模糊偏好关系矩阵 ,通过构造转换函数 ,给出关于这两类偏好信息的一致化方法 ,这为进一步研究群决策中不同形式偏好信息的集成方法和方案排序打下了坚实的基础 .

群决策中模糊偏好关系矩阵一致性的调整方法

针对模糊偏好关系矩阵本身是否一致,使得原矩阵渐进逼近目标矩阵的问题,提出了群决策中模糊偏好关系矩阵一致性调整的新方法。该方法基于目标矩阵的最优选择,提出了一种新的目标矩阵R,使得计算得来的调和矩阵较之原矩阵在一定条件下保留了更多的偏好信息,即在很大程度上保留着群决策中决策者的意愿。最后给出了算例进行比较,说明了该方法的优势。

具有模糊偏好认知矩阵的超对策稳定性分析

针对一类具有模糊偏好认知矩阵的超对策问题,给出了具体的稳定性分析方法。基于相对模糊距离的概念和模糊有序加权平均(FOWA)算子提出了三角模糊互补判断矩阵的一种排序方法。由此方法得到局中人的结局偏好认知向量,进而给出了一阶超对策的稳定性分析过程。最后,以实际冲突为例说明这一方法。

商业化历史街区外部空间界面特征的环境偏好分析

商业化历史街区外部空间特征丰富,地域文化特色鲜明,是城市的公共活力空间,人们除了消费需求还有更高的社会文化需求——环境体验与地域文化感知,其中人群环境偏好能反映其社会活力和文化价值。结合三个典型案例调研和文献研究,以划分建筑内外部空间的界面要素为自变量,从环境偏好矩阵中的连贯性、复杂性、易识别性和神秘性四个方面出发,结合环境体验和地域文化感知分析界面要素特征对环境偏好评价的影响路径,为提升历史街区的空间活力和社会价值、强化地域文化导向提供思路。

视频会议发言者语音的偏好转移矩阵识别方法

为了识别视频会议发言者语音,扩大语音识别精度,研究基于偏好转移矩阵与数据库的视频会议发言者语音识别方法。提取有价值的语音信息,结合矢量量化与规整网络,生成有价值语音的音节状态偏好转移矩阵,将数个训练后的稀疏自编码器叠加,构成自编码神经网络,逐层训练该网络后,输入至Softmax分类器中,完成会议发言者语音识别。实验结果表明,该方法应用后,在2层隐含层、500个神经元的神经网络结构下,识别率最高可达到96.55%,具有最佳的语音识别效果,且所识别语音与初始实验发言者语音几乎吻合,识别精度高,识别效果理想。提高视频会议通信质量,保障用户体验。

基于景观偏好理论的大学校园环境建设研究

校园环境从广义上分为物质环境及精神环境,本文将物质环境中的校园景观这一基本要素作为研究的切入点,借用非专家法的心理学模式中的Kaplan景观偏好理论及景观环境偏好矩阵设计调查问卷,以实证的研究方法进行大学校园环境现状调研,并通过数据统计及SPSS软件进行研究分析,试为大学校园环境建设提出优化建议。

一种基于用户偏好的学习推荐方法

传统的推荐算法一定程度上为学习者提供了自适应的学习服务,但忽略了用户的学习兴趣偏好,难以提供学习者满意的推荐服务.为了提高学习推荐的效率,对用户的偏好进行进算,根据兴趣偏好对基本用户进行聚类,然后根据用户之间的兴趣相似性初步预测目标用户的兴趣度,进而给用户推荐兴趣度较高的学习服务.实验结果表明,该方法可显著地提高推荐质量.

基于互反模糊偏好信息的顾客需求竞争重要度估计方法

针对顾客需求竞争性评价和顾客对竞争性产品的偏好的模糊性,提出了基于三角模糊数的顾客需求竞争性评价矩阵的确定方法和基于三角模糊数的互反偏好矩阵估计方法。根据相应于每一位顾客基于三角模糊数的顾客需求竞争性评价矩阵和基于三角模糊数的互反偏好矩阵,通过规范化、一致化模糊信息,利用偏差最小化原理构建基于确定顾客需求竞争性重要度的模糊多目标规划模型以确定相应于每一位顾客的顾客需求竞争性重要度。采用加性加权法集结综合顾客需求竞争性重要度,以实现顾客需求模糊竞争性评价和顾客对竞争性产品的模糊偏好的集成分析。

基于景观偏好理论的江西农业大学校园景观分析

大学校园是大学师生学习和生活的场所,大学校园景观不仅是一个大学给人们的最直观的形象代表,也深刻影响着在校师生的思想,情感以及健康。通过利用在非专家法中广泛使用的景观偏好矩阵和景观偏好理论设计调查问卷,选取江西农业大学主校区为研究地点进行分析,以期对大学校园的景观建设提供借鉴。

语言判断矩阵的满意一致性判定方法

文章研究了语言判断矩阵的满意一致性及方案排序问题,在给出语言判断矩阵及其满意一致性概念的基础上,提出语言判断矩阵的导出矩阵和偏好关系矩阵的概念,由此建立语言判断矩阵满意一致性的判定方法,依据所给出的判定方法,得出关于语言判断矩阵的方案优劣的排序方法,最后通过算例说明了该方法的有效性。

基于信任关系下用户兴趣偏好的协同过滤推荐算法

随着信息的海量增长,推荐系统有效缓解了信息爆炸带来的问题,其中协同过滤作为主流技术之一受到了广泛的关注。针对用户的兴趣偏好研究主要是基于商品标签的有监督数据集进行研究,忽略了无监督数据集,同时,在计算用户的兴趣偏好过程中也未能考虑到信任用户对用户兴趣的影响。为此,文中首先在无监督的项目数据集上采用矩阵分解模型得到项目的潜在特征向量,据此对项目进行聚类以表示项目的类别信息;然后,结合用户的信任关系和用户-项目评分矩阵构造用户的兴趣偏好矩阵;最后,为提高推荐效率,在用户的兴趣偏好矩阵上对用户进行聚类,在每个聚类簇内计算用户之间的相似度,从而实现推荐。在公开数据集上的实验结果表明,该算法能有效改善推荐结果的精确性,提升推荐质量。

广义语言值二元组偏好关系的综合评价模型

为了处理语言值综合评价问题,提出了一种广义语言值二元组偏好关系的综合评价模型.首先,将评价者给出的目标集中各属性的语言值评价信息转换成犹豫模糊语言术语集(hesitant fuzzy language terminology set,HFLTS),并利用梯形模糊隶属函数将得到的HFLTS转化成语言值二元组,减少信息损失.其次,提出广义偏好矩阵来表示各属性之间的偏好程度,进而对各属性的偏好程度进行聚合,得到广义偏好聚合矩阵,降低人的主观意识对评价的影响,有利于保证评价结果的准确性.最后,将广义偏好聚合矩阵的各目标的偏好程度聚合,得到各目标的偏好聚合数并排序.以对车辆进行综合评价为例,并通过实验对比说明该综合评价模型的可行性.

基于模糊偏好关系及OWA算子的多准则群决策方法

根据一种基于加权的新型模糊偏好关系及计算模糊关系的解析表达式,集结不同决策者的偏好信息,得出群体偏好矩阵,进而求出最优方案.此外,为了使专家在决策时能就所决策的问题达成最大程度的一致,提出了一些“软的”度量专家在决策时所达成的一致程度的一些指标及计算方法,为进一步调整专家决策时的评估信息提供了依据.