强化节点的全局重要度的会话推荐算法

会话推荐旨在匿名会话中预测用户下一次的交互信息。现有基于图神经网络的会话推荐模型(GNN)在全局图中融入了两两物品的转移关系,但忽略了项目本身在全局图中的重要性,从而影响了推荐精度。此外,在会话图中对邻居节点对当前节点的影响考虑不全面。因此,提出了一种新的强化节点全局重要度的会话推荐算法(EGIN-SR,Enhanced Global Importance of Nodes Session Recommendation Algorithm)。该算法在全局图中利用PageRank计算每个项目的重要度,以此更加精准地表示项目。同时,设计了一种转换感知权重聚合方法,可以感知到不同的节点转换,突出不同邻居对其自身的重要性。在Diginetica、Tmall天猫数据集和Nowplaying数据集上的实验表明,该方法在性能上优于现有的主流方法,证明了此方法的有效性。

粗集特征选择的人脸识别算法

提出基于粗糙集理论属性全局重要度的特征选择方法改进人脸识别中的特征向量的表征能力。以PCA方法得到的特征向量为基础,给出粗糙集的单个特征和特征子集的属性类间分类重要度和属性类内相似重要度的概念。提出基于属性类间分类重要度的属性约简方法,并用属性类内相似重要度进行最后的特征选择,得到进行人脸图像识别分类器的特征向量。新的特征提取方法完全依赖数据本身的先验知识,可选择出最优的特征组合,提高人脸识别率。实验结果表明,与其他方法相比该方法是有效的。

基于非对称变邻域粗糙集模型的属性约简

在分析邻域粗糙集模型弊端的基础上,提出了非对称变邻域粗糙集模型,并以全局属性重要度为启发条件,构造了基于非对称变邻域粗糙集模型的属性约简的启发式算法。利用6个UCI标准数据集与现有算法进行了比较分析,结果表明,该模型不仅可以选择较少的属性个数,而且还能保持较高的分类能力。