近邻感知的标签噪声过滤算法

基于k近邻的标签噪声过滤对近邻参数k的选取较敏感.针对此问题,文中提出近邻感知的标签噪声过滤算法,可有效解决二分类数据集的类内标签噪声的问题.算法分开考虑正类样本和负类样本,使分类问题中的标签噪声检测问题转化为两个单类别数据的离群点检测问题.首先通过近邻感知策略自动确定每个样本的个性化近邻参数,避免近邻参数敏感的问题.然后根据噪声因子将样本分为核心样本与非核心样本,并把非核心样本作为标签噪声候选集.最后结合候选样本的近邻标签信息,进行噪声的识别与过滤.实验表明,文中方法的噪声过滤效果和分类预测性能均较优.

融合社会标签的联合概率矩阵分解推荐算法

传统的推荐系统只使用用户的评分信息进行计算并进行推荐,虽然在一定程度上能够获得用户或资源的隐含特征,但缺乏足够的语义解释,影响了推荐效果.针对此问题,提出了一种融合社会标签的近邻感知的联合概率矩阵分解推荐算法.首先,该算法通过标签的相似性来计算用户间和资源之间的相似性,进行近邻选择;其次,构建用户—资源评分矩阵、用户—标签标注矩阵、资源—标签关联矩阵并运用联合概率矩阵分解方法计算3个矩阵的隐含特征向量,通过对训练模型进行参数优化,为用户进行推荐.实验结果表明,该算法可以有效利用标签的语义性,提高推荐质量.