一种考虑群成员接受度及相似度的群体推荐算法

由于群体成员个性不同,尤其在群成员意见冲突情况下如何准确获取群体成员偏好是群体推荐系统进行有效推荐的关键。针对上述问题,充分考虑群体成员在冲突情境下的行为特征,采用Thomas-Kilmann行为冲突模式分析方法(TKI)衡量群成员在冲突情境下对不同偏好的接受度;并将群体成员接受度和成员—群体相似度有机融合到传统群体推荐算法中,提出了一种新的混合群体推荐算法。实验结果表明,新算法比传统群体推荐算法的推荐精度有较为明显的改善。

基于大数据的电力用户群体识别与分析方法研究

随着能源互联网及智能用电技术的发展,深入了解电力用户群体特征,并提供精准电力服务,成为"互联网+"智慧能源的重要研究内容.通过对售电体积累的用户社会属性、用电行为等大数据进行分析,构建用户间相似度权重模型,提出基于"用户-标签"二元网络的相似群体识别方法,并通过群体分析获取群属性和典型负荷特征,预测新入网用户的用电行为.该方法通过对标签数据的分析,便于发现群体中的重要用户,为互联网售电体实施个性化用电服务和增值服务推荐提供支撑,进而提升电力服务质量.

群体网络中消费者购买意愿影响因素研究 ——基于相似吸引理论和计划行为理论视角

当下中国的消费者处于既想要张扬个性,又希望与群体保持一致的阶段;人们总是自觉或不自觉地受所属社会群体的影响。该研究结合社会群体、相似-吸引效应和计划行为理论,构建了群体相似性影响消费者购买意愿的理论模型,并通过结构方程模型检验了研究假设。研究结论为企业营销管理提供了新思路,针对社会群体的营销和顾客管理提出建议。

基于群体智能的半结构化藏文文本聚类算法

将群体智能技术应用于半结构化的藏文Web文本聚类,提出基于群体智能的半结构化藏文Web文本聚类算法(SCAST).充分考虑群体智能技术对藏文文本聚类准确性和时间效率的影响,SCAST算法首先运用向量空间模型表示藏文文本信息,将藏文文本和智能蚁群随机放置于一个文本向量空间中.然后智能蚂蚁随机选择藏文文本,计算藏文文本在当前局部区域内的相似性,获得拾起或者放下文本的概率,进而决定是否"拾起","移动","放下"藏文文本.最后通过多次迭代训练,将藏文文本按其相似性聚集在一起,得到最终聚类结果.大量真实藏文Web文本数据上的实验结果表明,相较于传统的k-means聚类算法,基于群体智能的藏文文本聚类算法在聚类准确率上平均提高约8.0%.

一种基于群体智能的Web文档聚类算法

将群体智能聚类模型运用于文档聚类 ,提出了一种基于群体智能的 Web文档聚类算法 .首先运用向量空间模型表示 Web文档信息 ,采用常规方法如消除无用词和特征词条约简法则得到文本特征集 ,然后将文档向量随机分布到一个平面上 ,运用基于群体智能的聚类方法进行文档聚类 ,最后从平面上采用递归算法收集聚类结果 .为了改善算法的实用性 ,将原算法与 k均值算法相结合提出一种混合聚类算法 .通过实验比较 ,结果表明基于群体智能的 Web文档聚类算法具有较好的聚类特性 ,它能将与一个主题相关的 Web文档较完全而准确地聚成一类 .

基于Isomap的CWME专家群体意见分析系统

针对从定性到定量综合集成研讨厅体系,对复杂问题分析过程中的专家群体的分散化思维,提出并实现了一种基于自动调查问卷的群体意见相似性定性分析方法。此方法基于群体行为的相似性特征对调查问卷的相似性度进行量化统计,并采用Isomap算法将问卷量化之后产生的多维数据集进行降维及可视化表示。

基于改进K-means算法的关键帧提取

为克服传统聚类算法在关键帧提取过程中对初始参数较为敏感的问题,提出一种基于改进K-means算法的关键帧提取算法。在人工鱼群算法中,依据人工鱼群体相似度对提取的特征向量进行自组织聚类,采用进步最大原则使人工鱼聚集在几个极值点位置,以每个极值点群体相似度最高的人工鱼为初始聚类中心,执行K-means算法,得到聚类结果,并提取关键帧。实验结果表明,该算法的准确率较高,能较好地表达视频的主要内容。

产妇产后精神障碍因素分析及护理干预

分析产妇产后精神障碍原因,并总结了几点产后精神障碍的日常护理,包括机械及药物治疗、搭建相似群体、情感陶冶等。认为分娩导致的精神障碍与一般精神患者有一定差别,因此一方面,医护人员看护时需要采取特殊手段,同时应该激发患者的母性本能。另一方面,医护人员需要科学地引导家属探视,从而获得较好的治疗效果。

基于历史出行记录扩充的公交乘客下车站点推算方法

用出行链方法推算的下车站点的记录可作为历史出行数据集,而现有的研究在对出行链断裂的记录进行下车站点推算时使用的历史数据集较小,造成可推算下车站点数据量少、准确率低的缺点.提出基于历史出行记录扩充的公交乘客下车站点推算方法 .首先,使用多源数据集成的出行链方法进行下车站点推算,将已确定下车站点的数据作为历史数据集;其次,基于个人历史相似出行的方法对于未确定下车站点的记录进行推算;最后,选择同线路同站点上车的其他乘客的IC卡记录作为每条未识别下车站点记录的群体历史出行记录,并基于相似出行行为规律进行下车站点的推算.该方法增加了可推算下车站点记录的数据量、提高了推算的准确率.以厦门市为例的实验结果表明:在历史出行记录生成时,使用多源数据可比单源数据多生成3. 48%历史出行记录,推算准确率提高1. 99%;在历史出行记录选择时,选择群体历史出行记录分析得到的历史相似出行行为规律,可对前两种方法无法确定下车站点的所有记录进行推算,占全部待推算记录的21. 81%,其中5. 37%记录的下车站点推算正确.

改进的离散粒子群算法在配送问题中的应用

为了解决配送问题,对离散粒子群优化算法进行改进。保留惯性权值对速度的影响,把粒子的解储存为数组形式,增加群体相似度和排斥算子来让粒子跳出局部最优;仿真结果与其它算法的结果进行对比,发现改进的粒子群算法能够找到更好的解,并且收敛速度快,能在一定程度上避免早熟现象。

增量文本软聚类速度改善算法设计及仿真

为全面展示文本信息并清晰划分文本主题类别,提出基于群体智能的增量文本软聚类算法,提升聚类速度并改善聚类效果。计算增量文本中不同主题文本的相似语义序列集合覆盖度,将覆盖度计算过程中的最小熵重叠值的候选类作为下一步聚类的内容,降低软聚类过程中的文本向量空间维数;并通过基于群体智能的蚁群算法让蚂蚁随机选择增量文本,计算增量文本在现阶段局部区域内的群体相似性,得到蚂蚁抓取或丢弃文本的概率,以决定蚂蚁是否抓取、丢弃或移动增量文本,之后采用Python语言构建SCAST程序实现算法迭代训练,使增量文本能够按照其群体相似性聚集至一处,得到文本聚类结果。经仿真验证,上述算法计算语义序列相似度值较高,对异常文本较为敏感,聚类时间较低,能够快速实现增量文本聚类。

基于蚁群智能的客户群偏好分析方法

采用蚁群智能的数据挖掘方法,根据客户对产品属性的偏好评分,对客户进行有效的分类。将客户偏好作为n维空间中的一个点,运用基于蚁群智能的聚类方法,根据预先设定的群体相似系数和拾起或放下概率进行聚类分析,在空间中采用递归算法,以获得不同偏好特征的客户群体模式。