融合时间衰减与偏好波动的协同偏好获取方法

针对现有的推荐系统多采用近邻用户的偏好行为来预测当前用户的偏好,而不考虑用户的偏好会随着时间的变化而改变,影响了推荐准确率的问题,提出了一种基于时间衰减与偏好波动的协同偏好获取方法。首先,基于时间因素、用户历史偏好等获取偏好衰减增量与衰减速度,并据此生成衰减函数,使用衰减函数对用户历史行为数据进行衰减修正;其次,基于用户的历史偏好分布获取其偏好波动幅度;最后,将衰减函数与偏好波动幅度分别加入到最近邻获取与偏好获取流程,协同为用户生成推荐列表。在大规模真实数据集上的实验结果表明,所提出的方法与基于属性评分分布的协同过滤(RDCF)与最优Top-N的协同过滤(OTCF)相比,平均绝对误差(MAE)值分别降低了近6.42%和7.73%。实验结果表明所提方法能够提高推荐准确度,提升推荐质量。

双曲型曲线模型在路基沉降预测中的应用

对沉降速率与剩余沉降关系进行了研究，结果显示，双曲线模型反映了两者的二次非线性关系，指数曲线模型反映了两者的线性关系，2种模型剩余沉降的预测比值在1～2之间．提出了一种反映沉降速率与剩余沉降半立方（1．5次）非线性关系的双曲型曲线预测模型，给出了新模型参数的估算公式，证明了新模型预测的剩余沉降是指数曲线模型的1～1．5倍、双曲线模型的0．75～1倍．实例推算结果表明，双曲型曲线预测模型的推算值处于2种常用模型的推算值之间，且接近它们的平均值，预测结果的可靠度更高．