基于加速无约束张量隐因子分解模型的Web服务Qo S估计

针对基于张量非负隐因子分解模型的Web服务QoS估计方法过于依赖非负初始随机数据以及特意设计的非负训练方法,导致模型的兼容性和扩展性不高的问题,提出了加速无约束张量隐因子分解模型。其主要思想包括三部分:将非负性约束从决策参数转移到输出的隐因子,并通过单元素映射函数连接它们;运用结合动量方法的随机梯度下降算法,有效提高模型的收敛速度与估计精度;给出加速无约束张量隐因子分解模型的详细算法和结果分析。在实际工业应用中的2个动态QoS数据集上的实证研究表明,与最先进的QoS估计模型相比,所提模型具有较高的计算效率和估计精度。

深度协同感知的因子分解机

因子分解机(Factorization Machines,FM)在不同的输入实例中对每个特征产生单一的固定表示,忽略了特征的多语义特性,限制了点击率(Click-through Rate,CTR)预估模型的表示和预测能力.针对这一问题,提出一种深度协同感知的因子分解机模型,引入多语义交互感知网络和三重输入感知网络,通过多语义的特征域交互并融合不同层级的特征交互信息学习不同样本的感知因子,从而获得更加准确的特征表示.通过模型对比实验和消融实验表明:该模型可以有效提升点击率预测的准确性.

数据-知识融合的水利工程建设安全风险灰色因子分解机预测模型

【目的】已有的数据驱动的水利工程建设安全风险预测方法对领域知识的挖掘和利用不足,预测结果的准确性和可解释性有待进一步提高。为了构建数据-知识融合的水利工程建设安全风险预测模型,【方法】将灰色聚类与因子分解机相结合,提出了一种融合领域知识的灰色因子分解机。首先,引入基于可能度函数的灰色聚类表征水利工程建设领域专家有关安全风险的先验知识。然后,将先验知识以参数的形式嵌入到因子分解机中,构建出数据-知识融合的灰色因子分解机。最后,基于随机梯度下降构造模型参数的求解算法,并结合实例对模型的有效性进行验证。【结果】实例应用结果显示,与传统因子分解机相比,灰色因子分解机的准确率、精确率、召回率和F_(1)值均得到了不同程度的提升。与支持向量机、深度因子分解机等其他基准模型相比,灰色因子分解机同样具有更好的预测性能。【结论】这表明,数据-知识融合驱动的灰色因子分解机模型能够更加准确地预测出安全风险,从而为水利工程建设安全风险管控提供更好的决策支持。

融合图注意力网络和注意力因子分解机的服务推荐方法

为了解决服务推荐过程中的特征稀疏问题、提高服务的语义表示能力,进而提升推荐的准确性和有效性,提出基于图注意力网络(graph attention networks,GAT)研究服务推荐方法,引入服务的组合权重和组合的结构信息,综合利用多种服务特征,提高服务推荐质量。将GAT和注意力因子分解机(attention factorization machine,AFM)结合在一起,利用多头自注意力机制,学习每个节点在图邻域中的重要性;进行信息聚合,处理网络中的不同图结构,以适应服务动态变化的场景。实验结果显示,在数据平衡的情况下,提出的方法性能表现均好于对比方法;在数据不平衡的情况下,提出的方法大部分性能指标也表现良好,达到了提升服务推荐准确性和有效性的目标。

基于域矩阵因子分解机的点击通过率预估增强网络

有效的特征交互,对于工业推荐系统中点击通过率(click-through-rate,CTR)预估的准确性起着至关重要的作用。以往并行结构的CTR预估模型通过将独立的浅层模型和深层模型并行连接,以此来学习特征的低阶交互和高阶交互。但是,这些模型存在浅层模型准确性低、未考虑特征交互时的多语义问题、参数过多、深层模型过度泛化等问题。基于上述问题,提出了一种基于域矩阵因子分解机的点击通过率预估增强网络,通过引入域矩阵优化浅层模型中的交互,提高运算效率,并在深层模型的DNN层与层之间增加了桥接模块,在每层高阶交互后增强对原始特征的记忆能力,将浅层模型和深层模型的结果相加并归一化得到预测值。该模型在Criteo、KKBox、Frappe和MovieLens数据集上进行了大量实验,展现了优秀的预测能力。

基于影响因子分解法的大坝监测数据异常检测算法

如何快速检测出大坝安全监测系统内的异常数据(例如粗差和告警值)对于大坝安全运行具有极其重要的意义,但传统方法容易漏检较小数值异常而对后续建模产生不利影响。提出了一种基于影响因子分解的异常值检测方法,通过快速小波变换及离散傅里叶变换提取监测序列中的显著趋势与周期,剥离环境因子的影响,构建余项序列,并结合小概率事件思想准确判定余项序列中保留的异常值,从而精确检测出监测序列中较小数值异常。实例验证结果表明:此方法具有较好的实用性与稳定性,各类监测序列中异常检测准确率均达98%以上,查准率与查全率均值分别为93%与92%,与传统检测方法相比,检测精确程度及泛化能力明显提升。

二部图的K_(1,4)-因子分解(英文)

Km .n的K1.k 因子分解问题已被多位研究者所研究 ,当k=2 时Km .n具有K1.2 因子分解的存在性问题已被Ushio完全解决 当k=3时Wang研究了Km .n的K1.3 因子分解问题 ,并给出了Km .n具有K1.3 因子分解的一个充分条件 本文研究Km .n 的K1.4 因子分解问题 ,并给出Km .n 具有K1.4

基于压缩感知平行因子分解的电力系统谐波与间谐波频率估计方法

电力系统中的电力电子设备所产生的谐波数量日益增加,谐波问题是一个备受关注的话题。本文通过引入压缩感知理论和平行因子模型,提出了一个用于谐波和间谐波的频率估计算法。先从信息发送终端中获取数据,然后使用欧拉公式将正弦信息转化为空域信息构造多时延输出并建立为平行因子模型,再对模型进行压缩后进行平行因子分析。最后将所得的数据经过贪婪算法重构,再进行频率值的估计。与传统的平行因子计算比较,该计算具有压缩过程,计算工作量相对较小,对数据存储容量需求也较少。所提计算的频谱估计性能与传统的平行因子分解算法(Parallelfactorization,PARAFAC)非常接近,而且也比采用旋转不变技术的信号参数估计算法(Estimating signal parameter via rotational invariance techniques,ESPRIT)更加精确。

Cayley图的齐次因子分解的构造

有限图的齐次因子分解理论是近年来提出的一个新兴研究课题.从图的齐次因子分解的本质出发,首先给出了Cayley图齐次因子分解的等价定义,基于此定义,采取理论构造的方法,研究了Cayley图齐次因子分解的3类构造,即一般齐次因子分解的构造、Cayley齐次因子分解的构造、Cayley-cyclic齐次因子分解的构造,得到了3种可行的构造方法,进一步完善了有限图的齐次因子分解理论,其价值和实用性还在于其用于相关命题的证明,使得证明过程较其他方法更简洁明了.

自补图的因子分解

讨论了自补图的１因子分解和２因子分解，利用自补置换证明了自补图有１因子的一个充要条件是阶为４ Ｎ，从最小度角度得到了自补图Ｇ有２因子的一个充分条件是ｍｉｎｖ∈Ｇｄ（ｖ） ≥ ｐ４ （ｐ 是阶） ．

图因子分解的故障节点快速修复

为了提高分布式存储系统中故障节点的修复效率,提出一种新的部分重复(fractional repetition,FR)码的构造算法.该算法利用完全图的因子分解进行构造,称为CGFBFR(complete graph factorization based FR)码.该算法首先对完全图进行因子分解,分解完成以后确定完全图的因子分解个数,根据需要存储数据块的重复度来选择完全图的因子个数,将完全图选中的因子所有顶点当做分布式存储系统中需要存储的数据块,然后对选中因子图的边进行标记,标记的边当做分布式数据节点进行存储.最后根据选中的因子的顶点和边生成编码矩阵,在分布式存储系统中按照编码矩阵中的数据对数据块分别进行存储.实验仿真结果显示,本文提出的一种新的部分重复码构造算法,与分布式存储系统中的里所(reed-solomon,RS)码、简单再生码(simple regenerating codes,SRC)以及最新的循环可变部分重复(variable fractional repetition,VFR)码相比,在系统修复故障节点时,能够快速地修复故障节点,有效降低了故障节点的修复带宽开销、修复局部性、修复复杂度,而且构造过程简单,同时可以灵活选择构造参数,广泛适用于分布式存储系统中.

基于可靠性低秩因子分解和泛化差异性差分的运动目标检测

运动目标检测旨在分离视频的背景与前景,然而常用的低秩因子分解法往往难以综合地处理动态背景和间歇性运动的问题。考虑到背景减除后的偏态噪声分布具有潜在的背景修正作用,提出一种基于可靠性低秩因子分解和泛化差异性差分的运动目标检测模型。首先,利用时间维度像素分布的峰值位置以及偏态分布性质选取一个不含离群像素的子序列,并计算该子序列的中值以形成静态背景;其次,利用非对称拉普拉斯分布对静态背景减除后的噪声建模,并把基于空间平滑的建模结果作为可靠性权重参与到低秩因子分解中,以此建模综合背景(含有动态背景);最后,依次利用时间和空间连续约束提取前景。其中,针对时间连续性,提出了泛化差异性差分约束,从而通过相邻视频帧的差异信息抑制前景边缘的扩增。实验结果表明,与PCP、DECOLOR、LSD、TVRPCA、E-LSD、GSTO六种模型相比,所提模型的F-measure值最高。由此可知,所提模型在动态背景、间歇性运动等复杂场景中能有效提高前景的检测精度。

基于Setwise排序的深度输入感知因子分解机

SetRank是一种新颖的Setwise贝叶斯协同排序模型,能够以更贴合实际场景的方式对隐式反馈的数据进行建模。然而,SetRank中只考虑了协同信息,缺乏对内容信息的有效利用。为解决上述问题,首先提出了一种基于Setwise排序的因子分解机模型SRFMs,借鉴SetRank中的Setwise排序解决隐式反馈中的负样本缺失问题,选择因子分解机作为预测器来建模内容信息,从优化项目排序的角度出发建模用户偏好;接着,为改进标准FM中固定特征表示以及缺少高阶特征交互的缺点,受IFM启发,提出将输入感知与深度神经网络相结合,融入SRFMs从而构建出SR-DIFM模型;最后,在2个真实数据集上进行了实验,结果表明,所提出的模型在解决隐式反馈场景下推荐问题的同时,可以更好地利用用户和项目的内容信息,从而获得更高的推荐准确率,在HR、NDCG和mAP等客观指标上都优于其他模型。

关于有限群因子分解的一个新结论

设τ为子群函子。若对任意有限群G,当H∈τ(G)为p-群且N为G的极小正规子群时,总有G:H_(G)(H∩N)为p的幂,则τ称为是正则的。文章利用正则子群函子的概念和性质研究子群因子分解,给出了群为Sylow塔群的一个新的判别准则。

图的因子和因子分解的若干进展

本文综述了图的因子和因子分解近年来的一些新结果．主要有图的因子与各种参数之间的关系，图有某种因子的一些充分必要条件，特别是图有ｋ－因子的一些充分条件以及关于图的因子分解和正交因子分解的一些新结果．文中提出了一些新的问题和猜想。

与任意图2-正交的(g,f)-因子分解

设G是一个图,用V(G)和E(G)表示它的顶点集和边集,并设g(x)和f(x)是定义在V(G)上的两个整数值函数,且对每个x∈V(G),有4≤g(x)≤f(x),则图G的一个支撑子图F称为G的一个(g,f)-因子,如果对每个x∈V(G),有g(x)≤dF(x)≤f(x).图G的(g,f)-因子分解是指E(G)能划分成边不交的(g,f)-因子,设F=F1,F2,…,Fm和H分别是图G的因子分解和子图,若对所有1≤i≤m有|E(H)∩E(Fi)|=2,则称F和H2-正交.本文证明:若G是一个(mg+m-1,mf-m+1)-图,H是G中任一有2m条边的子图,则G有一个(g,f)-因子分解与H2-正交.

基于图神经网络的注意力因子分解机推荐系统

针对推荐系统中的数据稀疏问题,提出一种基于图神经网络的注意力因子分解机模型,利用注意力因子分解机对用户和项目中不同邻域的特征信息进行二阶交互,注意力机制可以对二阶交互进行权重参数的重分配,一定程度上缓解了数据的稀疏性问题,提高了推荐系统的性能。在4个不同数据集上的评分预测实验表明,该文所提算法的均方根误差(RMSE)相较于目前比较优秀的算法分别提升了2.2%、4.3%、10.6%、2.6%。

与任意图正交的[0,ki]1^m—因子分解

设G是一个图 ,k1,… ,km 是正整数· 若图G的边能分解成m个边不交的 [0 ,k1]_因子F1,… ,[0 ,km]_因子Fm,则称 F =F1,… ,Fm 是G的一个 [0 ,ki]m1_因子分解· 如果H是G的一个有m条边的子图且对任意的 1≤i≤m有｜E(H) ∩E(Fi) ｜=1,则称 F与H正交· 证明了若G是一个 [0 ,k1+… +km-m+1]_图 ,H是G的一个有m条边的子图 ,则图G有一个 [0 。

图的正交因子分解

研究了图的正交因子分解问题．设ｋ１，…，ｋｍ是正整数，Ｇ是［０，ｋ１＋…＋ｋｍ－ｍ＋１］－图，Ｈ是Ｇ的任一有ｍ条边的子图．若｜Ｖ（Ｈ）｜≥｜Ｅ（Ｈ）｜＝ｍ，则图Ｇ有一个［０。

关于正交因子分解的一些结果

设G是一个图,F={F_1,F_2,…,F_d}是G的一个因子分解,H是C的一个子图,若H有d条边且恰好与每个F_i有一条公共边,则称H与F是正交的。本文研究了与图的K-因子分解正交的对集及[a,b]-子图,从而证明了关于因子分解问题的两个猜想在某些情况下成立,并提出了可进一步研究的问题。