基于时间衰减因子熵权法的电力用户信用评估

随着电力产业的快速发展,电力用户信用缺失的现象日益严重,为了避免此类现象带来的一系列用电风险,各电力公司分别采取不同的方法来实现对电力用户的信用评估。通常电力用户信用评估过程的主要依赖于评估人员主观决策,从而导致信用评估缺乏客观性。通过对电力用户信用评估过程中的各影响因素的深度分析,结合不同用户在关键指标上表现差距大的特性,采用一种依赖于指标数据本身的客观评价法,即基于时间衰减因子的熵权法。经过实例分析,该方法确定的随时间影响而变化的指标权重信用评估过程与电力用户的实际状况更相符。

基于时间衰减因子的梯度提升回归树房源推荐算法

目前房源信息越来越多,人们在选择房源时还是简单的条件筛选模式,为了能够更好地理解用户的需求,本文提出了一种基于时间衰减因子的梯度提升回归树房源推荐算法。该算法通过用户行为信息构建用户画像,获得用户房源偏好,然后采用梯度提升算法与CART树相结合的方式,得到梯度提升回归树模型。经过实验分析,可以得出该模型相较于协同过滤算法具有更高的准确率,在保证推荐效果的前提下,运行效率也能够有所提升。

可信拜占庭容错共识机制

针对实用拜占庭容错共识机制中存在共识效率低和激励机制不足的问题,提出一种可信拜占庭容错共识机制。首先,建立引入奖惩机制和时间衰减因子的节点信任评价模型,计算节点的信任值。然后,根据节点信任值进行排序,选择信任值高的节点组成共识节点集,利用可验证随机函数选取共识节点集中信任值高的节点作为主节点。此外,在拜占庭共识过程中利用BLS签名保证主节点不会作恶。实验仿真结果表明,信任模型可以有效惩罚作恶的节点,可信拜占庭容错共识相比于实用拜占庭容错共识交易吞吐量可以提高43%.

基于谱聚类与多因子融合的协同过滤推荐算法

针对传统协同过滤算法面临数据稀疏、忽略用户时间上下文信息及对兴趣物品偏好程度等问题,提出基于谱聚类与多因子融合的协同过滤推荐算法。首先将FCM聚类融入到谱聚类算法的关键步骤,并通过聚类有效性指数对用户聚类个数进行优化,以降低生成最近邻的时耗;然后将Salton因子、时间衰减因子、用户偏好因子进行融合,从而对相似度进行改进;最后获取系统当前时间为目标用户生成推荐列表。Movie Lens上的实验结果表明,该算法在推荐精度、覆盖率及新颖度指标上有较大改善,提升了推荐性能。

基于加权多属性云的服务信任评估方法

针对云计算环境中服务信任的随机性和模糊性以及现有基于云模型的信任评估方法对时效性和推荐信任考虑不足的问题,提出一种基于加权多属性云的服务信任评估方法。首先,引入时间衰减因子为每次服务评价赋权重,从服务的多个属性细化信任评估粒度,通过加权属性信任云逆向生成器得到直接信任云;然后,根据评价相似度确定推荐实体的推荐权重,并计算得到推荐信任云;最后综合直接信任云和推荐信任云生成综合信任云,通过云相似度计算确定服务的信任等级。仿真结果表明,所提方法明显提高了服务交互成功率并有效抑制恶意推荐,能够更加真实地反映云计算环境中服务信任情况。

基于节点匹配度的动态网络链路预测方法

现实世界存在众多真实网络,研究真实网络中的动态演化趋势和时序性特征是热点问题。链路预测技术作为网络科学领域重要研究工具可通过挖掘历史连边信息推测网络演化规律,进而对未来连边进行预测。通过分析动态真实网络中的拓扑结构演化,发现通过分析网络拓扑中节点间的交互性和匹配度问题能够更充分捕捉网络的动态特征,提出一种基于节点匹配度的动态网络链路预测方法。该方法对网络节点的属性特征进行分析,定义基于原生影响力和次生影响力的节点重要性量化方法;引入时间衰减因子,刻画不同时刻网络拓扑对连边形成的影响程度;结合节点重要性和时间衰减因子定义动态节点匹配度(TMDN,temporal matching degree of nodes)方法,用于衡量节点对之间未来形成连边的可能性。在5个真实动态网络数据集中的实验结果表明,相比现有3类主流动态网络链路预测方法,所提方法在AUC和Ranking Score两种评价标准下均取得更优的预测性能,预测结果最高提升42%,证明了节点间存在着交互匹配优先级,同时证实了节点原生影响力和次生影响力的有效性。

云存储中冷热数据的混合冗余方法研究

针对传统云存储中数据冗余方法单一的缺点,提出了基于冷热数据的混合冗余方法。首先,根据当前数据块的访问频率设置数据块的更新周期;然后,引用时间衰减因子动态更新数据块的热度;最后,根据数据块的热度和系统平均热度动态调整数据块的冗余策略。实验结果证明,上述混合冗余方法与传统冗余方法相比,在一定程度上减少了移动平台的响应时间,提高了系统的性能。

改进用户评分相似度的协同过滤推荐算法

在协同过滤推荐算法中,传统的相似度计算方法在计算时未能考虑用户共同评分项目数量差异、评分数值差异、项目热门度差异和用户兴趣随时间因素变化差异的问题,导致相似度计算结果不准确,推荐结果准确率较低。针对这些问题,提出一种改进用户评分相似度的协同过滤推荐算法。通过在余弦相似度与修正余弦相似度的基础上引入评分数值差异与项目热门度差异的修正因子,来缓解用户评分差异与项目权重的影响;其次根据用户的兴趣随时间因素变化的特点,提出时间衰减因子,以捕捉用户的兴趣偏好的动态变化;最后引入权重因子将改进的两种相似度计算方法相结合,从而缓解用户共同评分项目数量差异所导致的问题,提升推荐结果的准确性与现实意义。通过使用MovieLens数据集进行对比实验,相比传统基于用户的协同过滤算法MAE值平均降低了5.43%,证明提出的改进算法能有效提高推荐结果的准确性。

基于加权LeaderRank的用户社交网络排序算法

针对加权LeaderRank算法存在的权值均分、主题漂移等问题,提出一种用户社交网络排序算法。结合GloVe模型、余弦相似度计算方法和牛顿冷却定律,通过引入链入链出因子、主题相关度因子和时间衰减度因子,改善加权LeaderRank算法的不足。实验结果表明,与加权LeaderRank算法相比,该算法的精确率、点击率和NDCG值分别提高7.80%、6.73%和4.75%,可有效提高排序质量。

基于通信数据上下文的用户信任度预测

为了解决社交网络信任度不全面的问题,通过采用通信数据上下文的用户信任度预测方法,分析了移动用户之间的熟悉信任度以及相似信任度,并结合时间衰减因子,提出了基于时间相关性的用户信任度预测方案。实验证明,考虑时间衰减因子和上下文的通信用户信任度预测方法能够在一定程度上提升用户之间的信任度预测,并具有一定的扩展性。

共词网络链路预测局部相似性指标的优化改进研究

[目的/意义]引入时间衰减因子与聚类系数对共词网络链路预测局部相似性指标进行优化改进,以期进一步提升共词网络链路预测的精确度。[方法/过程]从3个角度来提升局部相似性指标预测精确度:一是引入时间衰减因子计算连边权重,对不同时间段的连边进行区别处理;二是结合聚类系数改进已有相关相似性指标,即利用节点邻域拓扑信息进一步区分不同节点对相似性的贡献;三是同时融合时间衰减因子和聚类系数进行指标优化改进。再以图书情报学领域为例构建共词网络,利用多种分类算法(如朴素贝叶斯、决策树、随机森林、SVM)预测和评估所改进指标的预测精确度。[结果/结论]引入时间衰减因子,指标WCN、WAA、WPA、WRA的预测精确度均得到了有效提升;结合聚类系数,指标CN、AA、RA、WCN、WPA、WRA和SA的预测精确度均得到了不同程度的提升;同时融合时间衰减因子和聚类系数,WCN、WAA、WRA的预测精确度得到了进一步的提升。由此可知,引入时间衰减因子或聚类系数均能在一定程度上提升共词网络链路预测相关指标的准确度。