基于熵优化近邻选择的协同过滤推荐算法

协同过滤推荐系统的近邻选择环节中不仅没有考虑目标项目对用户间相似性计算的影响,而且也未考虑邻居用户对目标用户的推荐贡献能力,导致既降低了相似性计算的准确性,也提高了近邻集合中伪近邻的比例。针对这些问题,提出了一种基于熵优化近邻选择的协同过滤推荐算法。算法使用巴氏系数计算项目间相似性,并以此为权重加权计算用户间相似性。引入熵描述用户评分分布特性,根据评分分布差异性衡量邻居用户的推荐贡献能力。最后,利用双重准则共同计算推荐权重,并构建近邻集合。实验结果表明,该算法能够在不牺牲时间复杂度的条件下准确地选取近邻集合,提升推荐准确度。

带有近邻选择策略和遗传算子的蚁群算法

针对蚁群算法的不足,文中提出一种带有近邻节点选择策略和遗传算子的蚁群算法.在算法执行时,每只蚂蚁选择下一个城市采用近邻选择策略,在每轮循环结束时,对较优个体进行交叉运算的操作方法,以期提高蚁群算法的收敛速度.实验结果表明该算法是有效的.

基于用户协同过滤的近邻选择算法

基于用户的协同过滤推荐算法主要根据用户近邻的评分值来预测该用户对未知项目的评分。在近邻用户选择时,传统的方法通过手工设置用户间的共同评价项目数等统一的阈值等作为过滤标准,来保证近邻选择的可信度。针对该类方法的阈值不易设置,且没有理论支撑等问题,以霍弗丁边界为基础,将近邻选择的标准进行形式化描述,并能够根据用户间的共同评分项目以及评分值自适应的选择近邻。实验证明,与传统的方法相比,该方法能增加近邻用户选择的可靠性,提高用户对项目的预测准确率。

基于类别相关近邻子空间的最大似然稀疏表示鲁棒图像识别算法

为了构建一个快速鲁棒的图像识别算法,提出基于类别相关近邻子空间的最大似然稀疏表示图像识别算法.考虑到每个测试样本的不同分布特性及训练样本选择的类别代表性原则,不再将所有训练样本作为稀疏表示的字典,而是基于距离相近准则选择合适子空间,从每个类别中选取自适应数量的局部近邻构成新的字典,在减少训练样本的同时保留了稀疏表示原有的子空间结构.然后基于最大似然稀疏表示识别方法,将稀疏表示的保真度表示为余项的最大似然函数,并将识别问题转化为加权的稀疏优化问题.在公用人脸与数字识别数据库上的实验证明该算法的合理性,提高识别速度的同时保证了识别精度和算法的鲁棒性,特别是对于遮挡与干扰图像具有较好的适应性.

融合K近邻信息的局部三层交替优化MK诊断模型

针对小样本条件下航空电子设备模块级功能故障诊断问题,将局部多核学习的局部特征表示能力与超限学习机运算高效的特点相结合,提出一种新的多故障诊断模型。一方面,通过将训练样本的近邻信息融入学习过程中,有效提升了诊断模型的推广能力;另一方面,通过构造关于局部多核超限学习机初始-对偶混合优化问题的三步交替优化策略,实现了小样本条件下对故障信息的深度挖掘,并在l1-范数约束与l2-范数约束下分别实现了对局部核权重的迭代更新。将所提诊断模型应用于某型前端接收机,结果表明,相比一般的多核、局部多核诊断方法,所提方法在实现低漏警、低虚警的同时,l1-范数约束的诊断方法将诊断精度平均提升了3.57%,l2-范数约束的诊断算法将诊断精度平均提升了4.61%。

一种优化的K最近邻协同过滤算法

协同过滤技术被成功地应用于个性化推荐系统中。限制协同过滤算法使用的主要问题是稀疏性和可扩展性。本文提出了一种优化的KNN协同过滤算法,通过引入传递关联,近邻预选择以及用户权威性来解决这两个问题。为了评估算法的有效性,我们用从Movielens上采集的数据进行了实验。实验结果表明改进后的算法不仅提高了推荐精度,同时缩短了产生推荐的时间。

基于改进SMOTE的不平衡数据挖掘方法研究

少类样本合成过采样技术（SMOTE）是一种新型的过采样方法，能够有效地处理不平衡数据分类问题，但SMOTE在产生合成样本的过程中，存在一定的盲目性．因此本文提出一种改进的过采样方法一自适应SMOTE，根据样本集内部分布特性，自适应调整SMOTE方法中近邻选择策略，控制合成样本的质量．算法分析和仿真结果表明，文中提出的方法在不影响计算复杂度的前提下，有效地提高了分类算法的整体分类准确率。

改进遗传算法在求解TSP问题上的应用研究

遗传算法是一种比较成熟的智能算法,一般通过改进遗传算法的算子达到提高算法性能的目的。提出一种改进的遗传算法,遗传算子是基于近邻选择策略设计的,另外还对评估函数、种群多样性以及保留精英算子等方面对遗传算法进行了改进,并将其应用到旅行商问题的求解上,实验结果表明提出的算法是有效的。

基于深度多模态与核密度估计的法律文书推荐模型

智慧司法是智慧城市建设中不可或缺的一部分,智慧司法中法律文书推荐体系的建设完善可以有效解决裁判尺度不统一,类案不同判和量刑不规范等问题.针对现阶段法律文书推荐体系不完善,存在对算力要求高、推荐准确率低和不能满足用户对诉讼请求服务的即时性需求问题,以及为了建立智慧司法中法律纠纷快速响应机制,文中提出了基于深度多模态与核密度估计的法律文书推荐计算模型.首先,构建一个多模态特征融合网络,学习法律文书的融合多模态特征表示;然后,利用核密度估计方法构建类密度距离映射空间;最后,在这个映射空间中通过近邻选择进行法律文书推荐.通过在真实数据集上验证表明,该方法有效减少了推荐误差,提高了推荐准确率.

融合调和用户熵权重和矩阵分解的推荐算法

针对传统的协同过滤算法在近邻选择环节中没有考虑评分矩阵中的评分是否准确和邻居用户对目标用户真实的推荐贡献能力,导致了近邻选择的不准确的问题,提出了一种融合调和用户熵权重和矩阵分解的推荐算法。算法首先利用时间间隔权重对评分数据进行处理,得到更加贴合实际的评分矩阵,然后引入调和的用户熵权重来计算用户间的相似度,使目标用户能够选取到更准确的近邻.最后将模型与矩阵奇异值分解模型相融合,进一步提高了算法的性能.实验结果表明提出的算法与一些传统算法相比能够得到更客观的评分矩阵,并且可以获取到更准确的近邻集合,提高推荐的质量.

基于相似度的K阶临近定位算法

基于WIFI位置指纹的定位系统能实现较高精度的室内定位,其中基于接收信号强度指示(RSSI)的近邻选择算法在进行室内定位时容易引入奇异点,导致定位精度降低.针对该问题,本文提出了一种基于相似度的K阶临近定位算法(SKNN).该算法借鉴二部分网络中求解节点相似性的思想,建立位置指纹与AP之间的二部分网络,并提出一个相似度参数,用该参数去修正K阶临近定位算法.实验结果表明,本文提出的SKNN算法可以有效的降低奇异点对定位结果的影响,提高定位精度,80%的定位误差均在2 m以内,且在大场景中效果明显.

利用鉴别典型相关的超分辨率稀疏重构方法

针对典型相关分析没有充分利用样本的类标签信息且在相关子空间选择近邻时需人工设值的问题,提出一种改进的超分辨率重构方法.首先利用鉴别典型相关分析最大化高、低分辨率图像在投影空间下的相关性;其次在相关子空间重构时采用稀疏表示动态选择近邻样本,并逐步得到测试图像对应的高分辨率图像;最后加上残差图像得到最终的恢复图像.实验结果表明,该方法在视觉和峰值性噪比、结构相似性指标的测评值上都有更好的效果.

基于信息熵的协同过滤算法

针对用户评分数据的稀疏性制约着系统的推荐质量的问题,提出了一种基于信息熵的协同过滤算法。首先定义了用户信息熵以反映用户评分分布和倾向程度;然后,利用大间隔的方法计算目标用户与其他用户的间隔距离,结合目标用户的信息熵,得到目标用户的近邻选择范围;最后,同时考虑用户的信息熵和用户间的相似性大小得到目标用户的近邻集合,以降低数据稀疏性对推荐结果的影响。试验结果表明:基于信息熵的协同过滤算法能够有效地提高推荐质量。

基于改进流形距离和人工蜂群的二阶段聚类算法

以改进的流形距离为相似度测度,结合人工蜂群算法,提出一种二阶段聚类算法.首先根据局部密度、最大最小距离和近邻选择对数据集初步归类并得到簇代表点;然后将聚类归属为优化问题,通过改进的蜂群算法对簇代表点及没归类的样本点较快地搜索到最优聚类中心,同时根据流形距离的全局一致性特征,对样本进行精确的类别划分;最后将两阶段算法综合归类.实验结果表明,所提出的算法可以获得良好的聚类效果.