装备管理评分标准规范化的序列型评分模式

针对现有评分标准概念模糊、含义不清等漏洞,提出装备管理评分标准规范化的序列型评分模式,该模式以扣分为例,包括最简扣/加分序列、否决/满分序列、一次性扣分序列、台阶扣/加分序列、加速扣/加分序列、有限扣/加分序列及完全扣/加分序列。

基于项目评分行为序列的群组攻击检测算法

在推荐系统中,攻击用户的行为正逐渐从个体攻击转变为群组攻击。相对于个体攻击用户而言,攻击群组的迷惑性更强,威胁性更大。针对这种情况,本文提出了一种基于评分行为序列的群组攻击检测算法。该算法通过对每个项目提取评分行为序列,划分评分行为区间作为候选群组,然后根据攻击群组评分极端的特性、利用层次聚类筛选候选群组,并计算可疑度,最后再使用K-means聚类判定攻击群组,并在Amazon数据集和Netflix数据集上验证了该算法的有效性。

基于用户行为序列的概率矩阵分解推荐算法

传统的概率矩阵分解在推荐算法中取得了一定的效果,但是仍然面临数据稀疏性问题,并且对数据的利用效率不高,不能根据已有数据准确计算用户(物品)之间的关系,评分预测准确性仍然有待提高.本文利用用户对物品的评分序列信息充分挖掘用户(物品)之间的相似度关系,提出了基于用户行为序列的概率矩阵分解推荐算法UBS-PMF(Probability Matrix Factorization Recommendation Algorithm Based on User Behavior Sequence).首先根据用户对物品的评分序列和物品标签信息计算用户对标签的评分序列,即为用户的偏好转移序列,根据该序列可以计算出用户之间的相似度矩阵,同时,用户对物品的评分序列也隐藏着物品之间的关系,利用多个用户对物品的评分序列可以得到物品相似度矩阵,将所得用户(物品)相似度矩阵融入概率矩阵分解模型中进行评分预测,Movielens数据集中的实验表明该算法具有显著的效果,在评分预测准确性方面优于传统的推荐算法.