基于线性稀疏模型和iHMM的群体异常事件检测

在群体异常检测中,人群特征感知主要提取个体的群体特性。提出了基于群特征的稀疏线性模型和无限隐马尔可夫(SLM-iHMM)方法检测人群异常事件。该方法通过统计模型整合空间和时间因素,基于SLM提取空间线索,从而在空间域中建立用于群特征提取的统计模型。时间线索在iHMM中被明确地编码,用于分析来自空间域的时间多尺度特征。关于UMN数据集的实验验证了该方法的可行性和有效性。

基于局部模型加权融合的Top-N电影推荐算法

为了解决传统推荐算法使用单一模型无法准确捕获用户偏好的问题,将稀疏线性模型作为基本推荐模型,提出了基于用户聚类的局部模型加权融合算法来实现电影的Top-N个性化推荐。同时,为了实现用户聚类,文中利用LDA主题模型和电影的文本内容信息,提出了语义层次用户特征向量的计算方法,并基于此来实现用户聚类。在豆瓣网电影数据集上的实验验证结果表明,所提局部加权融合推荐算法提升了原始基模型的推荐效果,同时又优于一些传统的经典推荐算法,从而证明了该推荐算法的有效性。

基于局部模型融合的交互式电影推荐系统

【目的】设计并实现一个交互式可视推荐系统,帮助用户理解推荐结果的产生原因,提高使用体验以及对推荐系统的信任。【方法】从用户历史观影标签集合中提取用户偏好特征,通过LDA模型基于此特征对用户进行聚类,并利用SLIM模型对不同用户子群分别训练局部模型,最后利用训练过程的上下文语义信息设计和实现最终的交互式电影推荐系统。【结果】设计了一个交互式的电影推荐系统RecVis,能够可视化推荐原因和用户画像,向用户提供推荐解释和交互反馈功能,以及实时获得根据其交互反馈的感兴趣的最新推荐结果。【结论】通过豆瓣电影数据集的测试,证明了该系统在推荐方面的有效性,并通过一系列案例分析验证了RecVis能够帮助用户理解推荐结果,增加对推荐系统的信任。

基于elastic net方法的静息态脑功能超网络构建优化

脑网络分析已广泛应用于神经影像领域的研究。超网络构建方法被提出用于描述多个脑区之间的高阶关系。超网络是根据静息态功能磁共振成像时间序列通过稀疏线性回归方法构建。在已有文献中,用于构建超网络的稀疏线性回归模型是采用LASSO方法解决。然而这种方法存在局限,在超边构建时不能够有效地解决脑区之间的组效应。针对这一问题,提出了将elastic net方法引入到超网络构建中,并且应用于抑郁症患者与正常被试的分类。实验结果显示基于LASSO与基于elastic net的方法分别可以达到83. 33%与86. 36%的分类准确率。分类结果表明与原有方法相比,基于elastic net的方法可以得到更为有效的特征以及更好的分类效果。

基于数据驱动的新冠病毒动力学传播的建模与预测

传统的传染病动力学建模方法通常在预先假设病毒传播机制的基础上基于仓室模型以微分方程的形式进行建模,基于此提出一个基于数据驱动的传染病传播动力学建模方法,为非线性动力学模型的稀疏辨识方法。利用稀疏回归和参数辨识从大量潜在动力学模型中准确发现控制方程,用以模拟2019年末新型冠状病毒在湖北武汉的动力学传播过程。方法的优点一是从数据中发现非线性动力学,且无需假设控制方程的形式;二是该方法能够有效地平衡模型复杂度和准确度。实验结果表明模型能够很好地刻画新型冠状病毒在武汉的传播,也证明了模型的具有一定的实用性,并可推广到相关疫情的预测中。