基于逆K最近邻的密度峰值异常检测方法

为提升异常检测算法在处理局部异常、异常簇和复杂分布数据集时的检测精度,降低对数据先验信息的依赖性,提出一种基于逆K最近邻的密度峰值异常检测方法(Rknn-DP).首先结合逆K最近邻(Rknn)改进密度峰值算法中局部密度和相对距离的计算方式,通过引入邻域信息更准确地刻画异常点的特征,然后根据特征分布选取局部密度低、相对距离高的点作为粗选异常点集合,最后通过逆K最近邻计算粗选集合的异常因子,根据异常程度进行剪枝,排除噪声点、降低连带错误效应,自适应得到最终的异常点集.通过与ABOD、LSCP、HBOS、IForest等算法在真实数据集与人工数据集上的对比实验,证明了Rknn-DP算法的自适应性和有效性.

采用置信度约束模型的改进协同过滤推荐算法

协同过滤是一种广泛且成功应用的推荐技术,但由于用户评分稀疏性问题,给推荐质量和精度带来了严峻的挑战。针对上述问题,本文提出一种基于逆最近邻置信度约束模型的改进协同过滤算法。首先,通过行为相似度算法得到最近邻居和逆最近邻居,根据邻居偏好和用户预测偏好的差异计算出正向和负向信任度,然后对用户进行约束,最后,采用加权预测计算算法来获得推荐。在真实的稀疏数据集MovieLens上进行了验证实验,实验结果表明,该算法可以提高数据密度并实现较低的MAE值,也就是说,所提出的方法可以有效地提高推荐质量。

一种基于协同过滤的表单推荐录入模型

在基于B/S架构的信息管理系统使用过程中,必须完成大量表单数据的填写及录入,但目前其主要方式为手工录入,存在录入效率低和结果不准确等问题。为此,通过研究搜索引擎的实时预测功能和推荐系统,提出一种基于逆最近邻协同过滤的表单推荐录入模型。介绍模型体系架构及执行流程,在此基础上设计改进的逆最近邻协同过滤算法,使用该算法获取基于用户行为的表单录入推荐结果,从而将个性化推荐应用于数据录入和表单填写领域。实验结果表明,该模型可有效提高数据录入效率和录入结果的准确率。

一种基于动态局部密度和聚类结构的聚类算法

为提高逆k最近邻在度量局部密度时的区分度,提出动态逆k最近邻概念。利用泊松概率密度函数拟合逆k最近邻分布,并计算累积动态逆k最近邻局部密度;基于动态局部密度对数据对象进行排序,利用逆k最近邻域扩展算法生成聚类结构;依据动态局部密度和欧式距离设计聚类决策图,根据决策图找出聚类结构中的类间间断点,利用间断点将聚类结构直接划分成独立的类簇。将本研究提出的聚类结构划分聚类(cluster structure partition clustering, CSPC)算法与DBSCAN、DPC和RNN-DBSCAN算法在人工和真实数据集上进行试验对比,CSCP在人工和真实数据集上的评价指标F1平均分别提高8.8%和8.2%,评价指标标准互信息平均分别提高11.6%和7.3%。试验结果表明CSPC算法取得了更好的聚类结果。