情境化推荐中基于超图模式的用户偏好漂移识别研究

识别用户偏好漂移是维护用户偏好模式、确保偏好描述准确的关键之一,随着移动商务的迅猛发展,近年来越来越受到重视。一个研究方向是基于聚类实现偏好漂移的识别,但目前研究对于资源对象间多元的弱关联处理存在不足,为此本文结合情境化推荐的特征,构建了情境化资源的超图模型,在对资源相似度、资源簇相似度、用户偏好漂移度等相关概念定义的基础上,提出了一种识别用户偏好漂移的方法。该方法在两阶段层次聚类架构中引人多级超图分割算法,通过两组实验验证了方法的有效性。本文对方法复杂性和应用机制也进行了探讨。

一种基于超图模式的高维空间数据聚类方法

把一个求解高维空间数据聚类问题转换为一个超图分割寻优问题,提出了一种基于超图模式的高维空间数据聚类方法。该方法不需要减少高维空间数据项的维数,直接用超图模式描述原始数据之间的关系,并通过选择适当的支持度阈值,有效祛除噪声点,保证数据聚类的质量。

一种基于超图模式的高维空间数据聚类方法

本文把一个求解高维空间数据聚类问题转换为一个超图分割寻优问题,提出一种基于超图模式的高维空间数据聚类方法.该方法不需要减少高维空间数据项的维数,直接用超图模式描述原始数据之间的关系,并能通过选择适当的支持度阈值,有效去除噪声点,保证数据聚类的质量.

HGHD:一种基于超图的高维空间数据聚类算法

传统聚类算法无法有效地处理现实世界中存在许多高维空间数据。为此,提出一种基于超图模式的高维空间数据聚类算法HGHD,通过数据集中的数据及其间关系建立超图模型,并应用超图划分进行聚类,从而把一个求解高维空间数据聚类问题转换为一个超图分割寻优问题。该方法采用自底向上的分层思想,相对于传统方法最大的优势是不需要降维,直接用超图模式描述原始数据之间的关系,能产生高质量的聚类结果。

数据聚类技术的研究

在分析指出传统数据聚类方法的缺点和不足的基础上,提出了一种新的数据聚类方法,给当前数据聚类技术的研究提供了一个新的思路。

基于Folksonomy的学术社区资源组织模式研究

Web3.0时代,传统的学术信息资源已无法满足用户的需求,学术社区信息资源呈现出爆炸性增长。Folksonomy是以用户为中心的信息组织方式,近年来在网络信息领域应用越来越广泛。文章将Folksonomy资源组织模式引进学术社区,将Folksonomy三要素(用户、资源、标签)与学术社区三要素(用户、资源、关系)结合,对其应用合理性、资源组织模式及功能效果进行了分析。研究结果表明:Folksonomy资源组织特征决定了其资源组织方式,资源组织机理决定了其资源组织模式,标签—用户—资源三要素之间的关系整体构建出三元超图模式,为学术社区资源组织提供了新的思路。