成对排序本体学习算法

本体作为一种结构化数据模型已广泛应用于知识表示和信息处理,并成为近几年计算机领域的研究热点.提出基于成对排序学习方法的本体相似度计算和本体映射算法,利用Mahalanobis距离函数得到计算模型,通过梯度下降策略得到模型的最优解,从而将本体图或多本体图中的顶点对映射成实数来表示它们的相似程度.通过两个实验表明,新算法对特定的应用领域具有较高的效率.

联合成对排序的物品推荐模型

现有的推荐模型大多仅从用户角度进行建模,忽略了物品的功能关系对用户购买决策的影响。从用户和物品这2个角度,同时考虑用户–物品之间的交互关系和物品–物品之间的功能关系,提出了联合成对排序的推荐模型。考虑正样本的排名位置和负采样策略直接影响模型收敛速度,构建一种排序感知的学习算法,用于求解所提模型的参数。实验结果表明,与当前主流推荐算法相比,该算法在多个评价指标上具有明显的性能优势。

改进CLR的预测算法在铁路机车牵引系统故障维修中的应用

准确及时地预测机车系统故障是有效保障铁路运输安全与合理制定设备维护策略的关键。现有故障预测多集中于对特征数据的挖掘与分析。利用校准标签排名(CLR)结合自适应簇数的聚类算法对牵引系统故障类型进行预测,通过聚类获得故障类型深层特性,采用CLR算法从系统特征参数获取故障类型的相关性排名。通过加入人工校准标签来预测故障类型的相关性,同时减轻类不平衡问题的负面影响。相较于经典CLR算法,改进后的算法有一定幅度的性能提升。以牵引系统主变压器实际故障数据集为例,对冷凝器漏油、冷却风机异音等多种故障类型进行预测,结果表明:单个损失降低了78.8%,汉明损失提升了15.6%,故障维修方式预测准确率达96.4%,为设备故障预测性维护工作提供理论支撑。