面向冷启动用户偏好获取的自适应物品询问列表生成方法

新用户进入系统之初,由于缺少必要的行为信息,推荐系统无法给出高质量的推荐,为了提高推荐精度,可以使用主动学习技术,使系统主动向用户发起相关物品的评分请求,从而通过用户的交互信息了解用户的偏好信息.现有的主动学习方法基于不确定性、熵等信息选择物品让用户提供反馈.然而由于用户的差异性,其适合的最佳策略是不一样的.因此,本文针对新用户冷启动问题,将要向用户发起询问的物品分阶段产生,通过用户对上一阶段问题的不同反馈,通过决策树模型个性化的动态选择下一阶段适合的策略来生成物品列表以征求其评价.同时,采用遗传算法来优化各个阶段的最优物品个数.在实际数据集上的实验表明,通过这种自适应生成询问物品列表的方法能够改进推荐效果.

支持自适应的增强型文档管理系统

利用自适应代理和文档管理系统(AAPMS)的综合管理架构系统,用户可以得到与当前状态(终端能力、用户偏好等)相适应的自适应业务列表。业务选择之后,用户只需在移动设备上下载并安装一个简单的业务代理就能够连接到相应的业务提供商。用户和业务提供商还可以分别利用AAPMS管理各自的文档。

ISAT在HCCI发动机多维详细反应动力学计算中的应用及其改进

通过非结构化自适应列表法(ISAT)在HCCI发动机多维详细反应动力学计算中的应用,讨论了ISAT的性能。结果表明ISAT相对于直接积分明显地减少了计算时间,并可以有效地控制整体误差。计算中针对HCCI发动机燃烧过程化学反应的特点提出了部分ISAT(PaISAT)方法,大大提高了ISAT的计算精度和加速性能。最后通过使用动态修剪技术,降低了ISAT对内存的占用量。

加速详细反应动力学计算的ISAT改进方法研究

非结构化自适应列表法（ISAT）方法以其高效、误差可控的突出优点在最近的使用详细反应动力学的燃烧计算中得NT广泛的应用。本文通过对ISAT基本原理的分析，讨论了ISAT存在的问题及改进的方法。在配对混合搅拌反应器（PMSR）和均质压燃（HCCI）发动机中，利用ISAT对不同的改进方案进行了计算比较，讨论了影响ISAT方法性能，如计算时间、内存占用和误差控制等方面的因素。结果表明逆向搜索方法可以显著提高ISAT的加速比，动态存储库方法可以人大降低内存的占用量。