基于CBR视图相似度与HFLTS方法的车货匹配研究

为提高整车运输装载率及货主满意度,基于案例推理(CBR)技术中的案例检索思维和犹豫模糊综合术语集(HFLTS),提出了一种基于视图相似度并考虑货主评价的车货匹配方法。依据案例检索思维,将货物条件属性集视为待解问题(准案例),将车辆条件属性集视为既有案例条件属性集,保留车主的信赖属性指标;基于自适应K均值法确定最近聚类,只保留最近聚类内堆积在聚类中心附近的车辆数据,双重压缩匹配空间;通过熵权法确定条件属性权重;基于欧式距离计算待匹配货物数据集与匹配空间中的车辆数据集之间的视图相似度,降序排列计算结果并保留TOP 3车辆数据集所对应的车主信息;基于HFLTS方法将货主对车主犹豫模糊的评价信息通过得分函数转化为具体的数值,并综合考虑视图相似度及评价结果为货主推荐最优匹配车主。通过某案例分析,验证了该方法的匹配效率比常规方法提升了88.79%;待匹配货物与推荐车辆条件属性比值最大,能有效提升车辆装载率。

基于匹配度和谱聚类的知识推荐研究

为解决传统知识推荐领域存在的“重相似、轻关联”的问题,并进一步提升推荐精度,提出将相似度和关联度融合为知识匹配度的应对思路,并利用余弦相似度和Apriori算法计算知识间匹配度;而后,通过谱聚类实施空间压缩以降低遍历时耗;最后,基于聚类结果和预测评分确定知识推荐范畴。采用Movielens数据集进行仿真模拟,结果表明,所提算法优于传统的ICF算法和KNN-ICF算法。

隐性知识外显案例匹配双维改进

隐性知识对知识应用与创新意义重大,为此设计一套隐性知识外显案例匹配算法。基于RS-PSO算法对案例匹配空间进行纵向压缩,得到最优条件属性集;采用聚合距离参数改进FCM算法,增强聚类效果并对案例匹配空间实施横向压缩;融合条件属性间关联特性以及知识用户主观偏好,引入Choquet模糊积分通过非线性规划模型求解案例视图;在此基础之上,考虑直觉模糊数自有信息量,兼顾相似度与关联度以确定匹配结果。算例结果表明,相较于传统匹配算法,其具有比较优势。

基于领域本体与CBR的案例知识供需匹配研究

[目的/意义]在知识经济时代,面对海量的信息、知识,对知识资源供需匹配的研究有助于对知识资源的有效配置,实现知识资源价值最大化。[方法/过程]以案例知识为研究对象,基于供需匹配视角,针对现有知识匹配研究之不足,提出基于领域本体与CBR的知识供需匹配方法。该方法将案例知识供需匹配过程细分为语义匹配和CBR匹配,并在CBR匹配阶段确定最终匹配结果。[结果/结论]实证分析表明,与既有方法相比,该文提出的知识供需匹配方法具有一定的比较优势:通过引入概念相关度,对概念相似度进行改进,使匹配结果更为准确客观;采用聚类的方法压缩遍历空间,减少匹配计算的冗余度,提高了匹配效率。

基于空间压缩与WFT视图改进的案例知识匹配研究

知识作为企业核心竞争力的关键要素,是创造组织价值的源泉.知识体量的快速增长导致"知识迷向"问题日益突出,案例知识匹配可有效缓解这一问题、提升知识转移效益、改善知识应用效果.在前人研究的基础上,提出了基于空间压缩与WFT视图改进的案例知识匹配方法.方法首先基于GA-RS算法提取最优的条件属性集,实现匹配空间的纵向压缩,并兼顾条件属性与决策属性的相关度,借鉴WFT原理优化案例视图;而后,采用聚类算法横向压缩遍历空间;最后,基于属性权重利用模糊贴合度计算用户需求与案例知识的视图相似度,并确定匹配结果.算例分析表明,与已有案例知识匹配方法相比,算法具有可行性及进步性.