一种基于耦合对象相似度的项目推荐算法

推荐系统根据用户的偏好为用户推荐个性化的信息、产品和服务等,能够帮助用户有效解决信息过载问题。基于内容的协同过滤算法缺少合适的度量指标用来计算项目之间的相似度。提出一种基于耦合对象相似度的项目推荐算法,即通过耦合对象相似度捕获项目特征频率分布相似性和特征依赖聚合相似度。首先从项目文本中抽取项目的关键特征,然后利用耦合对象相似度构建项目相似度模型,最后使用协同过滤的方法为活动用户推荐用户可能感兴趣的项目。在真实数据集上的实验结果表明,基于耦合对象相似度的推荐算法可以有效解决基于内容推荐系统的项目相似度度量问题,在缺失大量项目特征数据的情况下改进传统基于内容推荐系统的推荐质量。

一种基于耦合对象相似度的阈值分割算法

传统Otsu及其大多数改进的算法只将类间方差作为最优阈值的唯一依据,使得对直方图分布不同图像的分割效果差异很大。针对该问题,提出一种新的阈值分割方法。建立一个耦合对象相似度模型,考虑对象的各种属性以及属性之间的关系,以捕获对象间的关联关系。采用耦合对象相似度替代传统Otsu算法中的类间方差,将所选阈值划分出的每个类分别看作耦合对象相似度模型中的一个对象,每个类都有类的概率和灰度均值这2个属性,计算类间相似度,并在类间相似度最小时取得最优阈值。实验结果表明,与传统Otsu、二维Otsu、大熵分割算法相比,该算法能提高刻画类间差异的精确度和图像的分割精度。

应用耦合对象相似度的阈值分割方法研究

传统Otsu算法及其改进算法将类间方差设定成最优阈值,从而使得针对直方图分布区别的图像分割效果产生较大区别,论文提出应用耦合对象相似度来进行阈值分割的改进方法来解决。首先,构建模型描述耦合对象相似度,模型能够综合考虑各种对象属性及属性之间关联,以高准确度和低复杂度来描述耦合对象关系;其次,应用耦合对象相似度来替代传统Otsu算法的类间方差作为新条件,将所选阈值划分成每个类看成是耦合对象相似度模型中的对象,每个类都有概率和灰度均值两种属性,通过计算类间相似度并在类间相似度最小时获取最优阈值。实验结果表明,应用耦合对象相似度执行阈值分割算法能够有效提高描述类间差异精确度和图像分割效果,对于单分布与双峰显著且底部平坦的特征图像具有较强适应能力。

基于耦合关系的加权Slope One算法

Slope One算法是一种基于项目的协同过滤推荐算法,它对项目属性内和属性间依赖耦合关系的考虑较为欠缺,推荐效果并不理想。基于此,提出一种基于耦合关系的加权Slope One算法。该算法构造了项目属性耦合关系模型和用户属性耦合关系模型,采取用户耦合相似度和项目耦合相似度对加权Slope One算法进行改进。本算法在Movie Lens数据集上进行验证表明具有较高的推荐准确度。

耦合辅助信息的矩阵分解推荐模型

近十年来,协同过滤(CF)推荐系统成功地为用户提供了个性化的产品和服务。然而,用户—物品矩阵的稀疏性、推荐精度不高等问题仍然是一个挑战。针对这些问题,在矩阵分解模型基础上,提出了耦合用户和物品辅助信息的矩阵分解混合协同过滤框架;然后,基于此框架又提出了耦合物品属性信息相似度(COS)的过滤模型。大规模真实数据集上的实验表明,该模型不但可以有效解决物品相似度度量问题,而且相比传统方法,尤其是在物品特征非常稀疏的情况下,推荐准确性得到了有效改进。

基于Relief-F的半监督特征选择算法

传统的Relief-F算法主要用于处理有标记数据集。针对部分标记数据集,引入一种基于耦合学习的数据样本相似度,设计了一种面向符号数据的基于Relief-F算法的半监督特征选择算法。为有效验证新算法的可行性,实验分析中选取了5组UCI数据集和3种常用机器学习分类器来进行验证,实验结果进一步验证了算法的有效性。

基于全域市场数据感知的终端客户推荐

终端客户推荐系统是大型制造商终端营销的一种有效工具.如何在互联网+环境下通过采集全域市场数据,设计一个寻找最佳目标客户的推荐方法成为了一项挑战.为解决这一问题,本文提出一种基于全域市场数据感知的终端客户推荐方法(GMF).即采用全域分析的思想对全国范围内的客户数据进行预处理,建立全方位,多角度的评估指标,得到目标客户价值.然后通过域子空间分解的方法,在域子空间中对数据进行分解分析,得到某一区域内的客户评价标准,将二者分析结果进行有效融合,通过计算耦合对象相似度,并筛选出最相似的TopN个数据作为最佳目标客户结果集.在大型制造商营销活动所生成的数据集上的实验结果表明:本文提出的推荐算法其性能明显优于当前主流的协同过滤算法.