面向感兴趣类别的约束非负矩阵分解算法

在处理高光谱数据解混问题中,非负矩阵分解是一种非常有效的方法之一。现有的非负矩阵分解方法一般是针对图中所有地物信息的盲分解,然而实际应用中常常并不需要求取全部地物类别的丰度信息。如果只考虑感兴趣类别,那么其它类别会对其产生不可预测的干扰。针对干扰问题,提出了一种基于最小二乘算法预估计并结合最小距离的约束非负矩阵分解算法(LSMDCNMF)。实验表明,所提出的算法在不忽略非感兴趣类别的情况下,有效地提高了感兴趣类别的解混效果。

结合兴趣点类别周期属性和用户短期偏好特征的推荐模型

随着基于位置的社交网络在日常生活中的广泛应用,有效提取用户的隐藏兴趣和行为序列模式并向用户提供满足其个性化需求的下一个兴趣点推荐服务成为推荐领域的热点问题之一.针对下一个兴趣点推荐中的用户偏好挖掘问题,提出基于用户兴趣点类别周期性偏好和短期兴趣相结合的兴趣点推荐模型(Combining Periodic and Spatio-Temporal Intervals'Network,CPSTIN).该模型将用户的签到记录按小时时段模式嵌入时间窗口并使用多头自注意力机制提取用户结合用户兴趣点类别的周期性偏好;同时,将非连续时空间隔信息送入可学习矩阵,使用线性插值法提取用户基于高阶关联性的短期兴趣.最后,在两个真实数据集上验证了该模型的有效性,证明其能有效地利用用户高阶关联性短期兴趣和结合兴趣点类别的周期偏好,更准确地预测用户最有可能访问的下一个兴趣点.

基于用户类别兴趣度的协同过滤推荐算法

对教育资源按照学科进行分类,结合学习者的兴趣偏好集中、稳定等特性,提出一种基于用户类别兴趣度的协同过滤推荐算法。在该算法中,首先根据条件概率的方法计算用户类别兴趣度的相似性,然后将其融合到相关相似性计算公式中,提高用户相似性的准确度,实验表明提高了推荐质量。

融合空间和文本信息的兴趣点类别表征模型

准确表征兴趣点(POI)类别(如大学、餐厅等)是理解城市空间、辅助城市计算的关键。现有的POI类别表征模型通常只挖掘用户在POI之间的移动行为并学习序列特征,而忽视了POI数据的空间特征和文本语义特征。为了解决上述问题,提出一种融合空间和文本信息的POI类别表征学习模型Cat2Vec。首先,利用POI的空间共现关系构建POI类别共现点互信息(PMI)矩阵;然后,基于预训练的文本表征模型学习POI的文本语义特征;最后,引入新的映射矩阵,并基于矩阵分解技术将PMI矩阵分解为POI类别表征矩阵、文本语义特征矩阵以及映射矩阵的内积。在两个真实世界的数据集Yelp和高德上进行的POI语义重叠度评测中,相较于基准模型中表现最好的Doc2Vec模型,所提模型的性能分别平均提高了5.53%和8.17%。实验结果表明所提模型能更有效地嵌入POI语义。

基于模糊集的兴趣发现新方法

传统的协同过滤推荐方法是以精确的价值函数和准确的数据来对用户行为兴趣进行描述,进而提取用户的兴趣。而现实生活中用户的行为兴趣多是不精确、模糊的,甚至用户自己也难以描述刻画。通过模糊集合的理论方法度量用户兴趣在兴趣类别上的不确定性程度,提出用户的兴趣因子单位评分稳定度的定义;基于兴趣因子单位评分稳定度给出一种用户不确定性兴趣的发现方法,提出新的兴趣评分预测算法。实验验证了基于模糊集的兴趣发现方法在探索用户新兴趣方面具有有效性。

融合时空信息和兴趣点重要性的POI推荐算法

针对兴趣点(POI)推荐研究中数据噪声过滤问题和不同POI的重要性问题,提出了一种融合时空信息和兴趣点重要性的POI推荐算法——RecSI。首先,根据POI的地理信息和POI之间相互吸引力过滤噪声数据,缩小候选集的范围;其次,根据用户在一天中不同的时间段对POI类别的偏好程度,结合POI的流行度计算出用户的偏好得分;然后,结合社交信息和加权PageRank算法计算POI重要性;最后,将用户的偏好得分和POI重要性线性结合,以向用户推荐TOP-K的POI。在Foursquare真实的签到数据集上的实验结果表明,RecSI算法的精确率和召回率比最优的GCSR算法分别提高了12.5%和6%,验证了RecSI算法的有效性。

分布式计算在Web信息检索中的应用

web信息检索技术是当前研究的热门课题,本文是继上一篇文章<<web信息检索系统中个性化信息模型的研究和实现>>在信息检索方面提出的分布式检索算法的研究,提出了检索的结构模型,检索算法。

遥感影像单类分类的白化变换法

提出-种基于白化变换的单类分类方法.该方法仅需要兴趣类别的训练样本.首先,基于兴趣类别对原遥感影像作白化变换,使兴趣类别的分布在各个方向上的方差相同.然后,确定一个距离阈值实现单类分类,根据切比雪夫定理,选择不同倍数的标准差作为阈值进行单类分类试验.结果表明,各个地物类别都在3-4倍标准差的区间内获得最高的分类精度.最后,以3倍标准差作为阈值的单类分类结果,与单类支持向量机方法比较,两种方法的分类结果非常相近,而基于白化变换的方法阈值选择简单,鲁棒性强.

基于评分差异度和用户偏好的协同过滤算法

针对传统协同过滤推荐算法仅通过使用用户评分数据计算用户相似度以至于推荐精度不高的问题,提出一种改进的协同过滤推荐算法。首先,以用户评分的平均值作为分界点得出用户间的评分差异度,并将其作为权重因子计算基于评分的用户相似度;其次,依据用户项目评分和项目类别信息挖掘用户对项目类别的兴趣度以及用户项目偏好,并以此计算用户偏好相似度;然后,结合上述两种相似度加权产生用户综合相似度;最后,融合传统项目相似度和用户综合相似度进行评分预测及项目推荐。实验结果表明,相对于传统的基于用户评分的协同过滤推荐算法,所提算法在数据集下的平均绝对误差值平均降低了2.4%。该算法可在一定程度上提高推荐算法精度以及推荐质量。