基于广义高斯分布的贝叶斯概率矩阵分解方法

贝叶斯概率矩阵分解方法因较高的预测准确度和良好的可扩展性,常用于个性化推荐系统,但其推荐精度会受初始评分矩阵稀疏特性的影响.提出一种基于广义高斯分布的贝叶斯概率矩阵分解方法GBPMF(generalized Gaussian distribution Bayesian PMF),采用广义高斯分布作为先验分布,通过机器学习自动选择最优的模型参数,并基于Gibbs采样进行高效训练,从而有效缓解矩阵的稀疏性,减小预测误差.同时考虑到评分时差因素对预测过程的影响,在采样算法中添加时间因子,进一步对方法进行优化,提高预测精度.实验结果表明:GBPMF方法及其优化方法 GBPMF-T对非稀疏矩阵和稀疏矩阵均具有较高的精度,后者精度更高.当矩阵非常稀疏时,传统贝叶斯概率矩阵分解方法的精度急剧降低,而该方法则具有较好的稳定性.

基于Logistic函数的贝叶斯概率矩阵分解算法

在协同过滤推荐系统中,矩阵分解是一种非常有效的工具。贝叶斯概率矩阵分解模型具有预测精度高的优点,但不能表示潜在因子之间的非线性关系。针对该问题,该文提出一种基于Logistic函数的改进贝叶斯概率矩阵分解模型,并使用马尔科夫链蒙特卡罗方法进行训练。在两组真实数据集合上的实验表明,基于Logistic函数的贝叶斯概率矩阵分解算法能够明显提高预测准确性,有效缓解数据稀疏性问题。

基于量测数据贝叶斯概率矩阵分解的变压器运行状态监测方法

变压器的安全运行是电力系统可靠供电的重要环节,而变压器油中溶解气体浓度变化是变压器运行状态监测的重要组成部分。本文以变压器油中溶解气体浓度为监测信息,提出了一种结合贝叶斯概率矩阵分解和长短期记忆神经网络的变压器运行状态监测方法。首先,针对油中溶解气体实际监测时存在的数据缺失问题,采用贝叶斯概率矩阵分解对缺失数据进行预测填补;然后,利用皮尔森相关系数和长短期记忆神经网络构建油中气体监测浓度变化趋势的预测模型,进而实现变压器运行状态的监测。实例分析结果表明,该方法可以有效填补监测数据缺失部分,准确预测油中溶解气体浓度变化趋势,为变压器运行状态监测提供一种新的思路。