基于多臂老虎机的异质网络表示学习方法

针对异质网络表示学习中邻接节点表示向量的融合问题,提出基于多臂老虎机的异质网络表示学习方法。该方法采用基于多臂老虎机思想,实现异质网络中元路径关系的权重的自适应计算,在节点分类任务上取得的Micro-F1值(89.56%和54.79%)和Macro-F1值(89.09%和53.14%)均优于基准测试。面对节点信息的多样性,基于多臂老虎机的网络表示学习方法能够将网络结构和节点信息更加有效地融入图的表示学习中。

高速铁路场景中基于MAB模型的多信道选择算法

针对高速列车越区切换过程中,切换带为多信道分布的问题,提出一种基于多臂老虎机(multi-armed bandit,MAB)模型的信道选择算法.首先,以置信区间上界(UCB)算法为基础,通过设置信道空闲差异因子,使算法快速收敛于最优信道;其次,通过引入满意通信概率(SCP),衡量移动列车的通信质量,分析与切换过程中误码率之间的关系;最后,利用最优信道选择比率、成功传输率和累积接入损失作为评判标准,分析算法的性能.仿真结果表明,该算法的累积接入损失比原始UCB算法减少了约18.5%;对比随机选择算法与原始UCB算法,成功传输率提高了约30.2%和3.3%;最优选择比率提高了约88.3%和13.5%.

用于空间众包任务匹配的未知工人效用估计方法

为了解决在未知工人效用情况下提高任务完成质量的问题,提出带有效用的最高分数匹配模型。该模型包含两个阶段:阶段一利用多臂老虎机模型计算工人效用值;阶段二利用更改了加分规则后的带有效用的基本方法(U-Basic)、带有效用的最小位置熵方法(U-LLEP)、带有效用的近距离优先方法(U-CDP)进行分配。在MovieLens和Gowalla真实世界数据集上的实验结果表明,所提方法与未使用效用的CDP和LLEP方法相比,一些评价指标有较大提升。