基于稀疏数据预处理的协同过滤推荐算法

随着推荐系统规模的不断扩大,用户-项目评分矩阵呈现出极端稀疏性,导致基于传统相似性度量方法的协同过滤推荐系统推荐质量的下降。针对该问题,文中提出了一种基于项目特征属性的稀疏数据集预处理方法来提高算法的推荐质量。首先,通过引入项目的特征属性信息,根据项目间特征属性相似度,初步预测用户对未评分项目的评分,可以使得用户-项目评分矩阵完全饱和。接着再对稀疏数据集的未评分项目进行混合填充预处理,避免了传统均值填充法中的用户对项目的评分不可能完全相同的问题以及众数填充法中的"多众数"和"无众数"问题。实验结果表明,文中提出的方法更能有效地提高推荐系统的推荐质量和推荐覆盖率。

基于噪声检测修正和神经网络的稀疏数据推荐算法

协同过滤推荐算法对于含噪声稀疏数据集的推荐性能较弱,为此设计噪声检测修正和神经网络的稀疏数据top-k推荐算法。将用户和项目按评分分别分类为高分类、中等类和低分类,根据分类结果检测评分矩阵的奇异点,对奇异点做简单地修正处理。建立基于兴趣关系的受限玻尔兹曼机模型,将用户对项目的兴趣关系以及项目的次级信息作为条件受限玻尔兹曼机的输入,预测目标用户的top-k推荐列表。基于多个数据集的实验结果表明,该算法有效地提高稀疏数据的推荐性能,并且推荐列表的排序也较为准确。

临床数据中挖掘关联规则算法的选用

对典型的挖掘关联规则的Apriori算法和FP-growth算法进行比较分析.然后,结合临床数据的特点,建议在临床数据关联规则挖掘中采用FP-growth算法.

基于用户兴趣变化和评论的协同过滤算法研究

传统协同过滤算法中,随着用户和商品数量的日益增多,用户-项目评分矩阵越来越稀疏。针对这一问题,提出了一种基于用户兴趣变化和评论的协同过滤算法。该算法将用户评论和遗忘曲线引入传统协同过滤算法中,将评论文本作为商品特征描述文本,使用主题模型计算商品主题特征,引入艾宾浩斯遗忘曲线来协同计算用户的评论分布及评论相似度。将用户评论相似度和用户评分相似度相结合,以得到最终的用户相似度,进而对商品评分进行预测。对网络爬取的真实数据进行验证,结果显示该算法能够在稀疏数据集上获得较好的推荐结果。

Compression techniques of mechanical vibration signals based on optimal sparse representations

This paper presents the result of an experimental study on the compression of mechanical vibration signals. The signals are collected from both rotating and reciprocating machineries by the accelerometers and a data acquisition （DAQ） system. Four optimal sparse representation methods for compression have been considered including the method of frames （ MOF）, best orthogonal basis （ BOB）, matching pursuit （MP） and basis pursuit （BP）. Furthermore, several indicators including compression ratio （CR）, mean square error （MSE）, energy retained （ER） and Kurtosis are taken to evaluate the performance of the above methods. Experimental results show that MP outperforms other three methods.