基于v-结构和邻居集的启发式贝叶斯网络结构学习方法

针对K2算法存在的序依赖性问题,提出了能够从给定数据集中有效学习变量序的启发式算法(H-vnK2)。具体而言,基于PC算法学习的v-结构知识以节点块的形式快速准确修正部分父子节点顺序,获得部分节点的最优序;基于PC算法学习的邻居集知识以距离阈值启发式策略进一步从全局最优角度修正父子节点顺序,获得所有节点的最佳序。实验表明,在标准数据集Asia、Alarm网络上,所提算法显著优于对比算法,其中与性能最好的基于因果效应的方法相比,准确率平均提升了7%,增量最高能达到33.3%,可以学习到更准确的网络结构。

收缩邻居节点集方法求解有向网络的最大流问题

最大流问题在许多领域有广泛的应用,然而随着网络规模的增加,传统的算法无法快速高效地求解最大流问题.对一个给定的有向网络,文中提出一种收缩邻居节点集的方法(CNA)求解其最大流.该方法通过收缩邻居节点集有效降低网络规模,使经典算法及改进算法可直接使用.首先给出收缩邻居节点集的条件,接着给出依据收缩条件构建目标网络的算法,最后利用经典算法求解目标网络的最大流以实现初始网络最大流的最优近似.实验结果表明CNA不仅平均能将目标网络的规模降至初始网络的一半,且能以较小的误差求得初始网络的最大流.

一种基于两步搜索策略的K2改进算法

贝叶斯网络由于其强大的不确定性推理能力和因果可表示性越来越受到研究者的关注。从数据中学习一个贝叶斯网络结构被称为NP-hard问题。其中,针对K2算法强依赖于变量拓扑序的问题,提出了一种组合变量邻居集和v-结构信息的K2改进学习方法TSK2(Two-Step Search Strategy of K2)。该方法有效减小了序空间搜索规模,同时避免了过早陷入局部最优。具体而言,该方法在约束算法定向规则的启示下,借助识别的v-结构和邻居集信息可靠调整汇点的邻居在序中的位置;其次,在贝网基本组成结构的启发下,借助变量邻居集信息,通过执行顺连、分连、汇连3个基本结构的搜索,准确修正父节点与子节点的序位置,获得最优序列。实验结果表明,在Asia和Alarm网络数据集上,与对比方法相比,所提算法的准确率得到显著提升,可以获得更准确的网络结构。

基于RQPSO-DMPC的多无人机编队自主重构控制方法

针对敌方防御区域内各种威胁,为了实现隐蔽突防并实施对敌有效打击,在突防过程中多无人机(UAV)编队需要进行重构控制,并且编队内的相互避碰问题与通信约束问题也需考虑。通过建立无人机虚拟领航编队模型并引入邻居集,采用分布式模型预测控制(DMPC)同时构建多无人机编队的重构代价函数,提出采用改进量子粒子群优化(RQPSO)算法进行求解,并将求解结果与采用粒子群优化算法的结果进行对比。仿真结果表明,本文算法能够有效控制多无人机编队完成自主重构,实现安全隐蔽突防任务。

用户属性加权活跃近邻的协同过滤算法

针对现有的基于KNN近邻协同过滤技术,在选择最近邻居时过于依赖评分相似度的问题,提出了一种用户属性加权活跃近邻的协同过滤算法。首先,通过引入用户特征属性并融合最小权重相似度,根据所得的最终相似度生成目标用户的KNN近邻集。然后,从对目标项目已有反馈信息的用户中生成目标项目的活跃用户子群体,并筛选出KNN近邻集中的活跃用户子群体作为目标用户的活跃近邻集,最终产生评分预测。在公开数据集上的实验结果表明,该算法能有效地提高推荐算法的推荐准确度,具有更好的稳定性。

基于节点能量和网络稳定性的节能路由协议

在Ad hoc网络中,AODV等路由协议在选择路由路径时没有考虑节点的能量,可能造成部分节点的能量过度使用从而导致网络分割等问题。以AODV为基础,提出了一种基于节点剩余能量和网络稳定性的路由算法ECAODV。该算法在路由发现过程中,不仅要综合考虑路径上的节点的剩余能量和路由跳数,而且考虑路径中间节点对网络稳定性的影响。通过仿真验证该算法有较好的性能。

基于协同过滤的多节点信息资源分配推荐算法

针对目前算法在多节点信息资源分配推荐时,未对多节点信息资源进行相似性计算,导致多节点信息资源分配时间长,信息资源分配正确率和推荐列表覆盖率较低的问题,提出基于协同过滤的多节点信息资源分配推荐算法。采用协同过滤算法,整合处理节点信息资源,构建信息数据评分模型,运用评分模型,查找节点信息数据的最近邻居集进行预测评分,利用相似性计算,完成多节点信息分类。根据二部图网络结构,资源分配分类节点信息,生成推荐列表并对用户进行推荐。实验结果表明,所提算法的信息资源分配正确率较高,能够有效缩短多节点信息资源分配时间,提高推荐列表覆盖率。

基于非负矩阵分解与项目热度的协同过滤推荐算法

针对基于邻域的协同过滤算法只考虑相似度这一因素和传统矩阵分解出现负值的问题,提出了一种非负矩阵分解和项目热度相结合的两阶段k近邻选择算法,把项目热度融入到相似度计算中,有效缓解了数据稀疏性问题。实验结果表明:提出的算法与经典算法相比,推荐精度更高。

考虑负相关性信息的协同过滤算法研究

为了研究Pearson负相关性信息对协同过滤算法的影响,提出了一种考虑负相关性信息的协同过滤算法。该算法选取正相关用户作为最近邻居,负相关用户作为最远邻居,使用参数调节最近邻居和最远邻居在推荐过程中的作用。MovieLens数据集上的对比实验表明,负相关性不仅可以提高推荐结果的准确性,而且可以增加推荐列表的多样性;进一步分析发现,负相关性还可以大幅度提高不活跃用户的推荐准确性。该工作表明,负相关性有助于解决推荐系统中准确性、多样性两难的问题和冷启动问题。

基于最近邻用户动态重排序的协同过滤方法

在传统协同推荐方法中,相似性的度量是整个方法的核心.在数据稀疏情况下,现有相似度计算方法仅使用历史评分数据,难以准确反映用户之间的相似程度;相关改进方法在考虑用户共同评分数量对相似度的影响时,引入的重叠度参数需要手动调整,限制了方法实用性.针对上述问题,本文提出一种基于最近邻用户重排序(DRNN)的相似度方法,充分利用项目类别信息,根据不同的目标项目动态调整邻居集内用户权重,能更准确地刻画用户之间的相似性;并提出修正的重叠度因子弥补现有方法中手动调整参数的不足,增强了方法实用性.实验结果表明,该方法可以明显提升预测结果的准确性.

基于用户的优化协同过滤推荐算法

针对传统的协同过滤推荐算法存在的用户邻居集选择不准确问题,论文提出了一种优化的协同过滤推荐算法,选择用户的共同评分数据计算用户的相似性,同时考虑共同评分数据中用户对项目评分的一致性,构造评分一致矩阵,将用户评分一致次数与评分项目数之比作为惩罚函数引入到相似度的计算中,缓解相似度计算值与实际值出现的偏差。实验表明,提出的优化算法显著提高了预测的准确性,从而提高了推荐质量。

协同过滤技术的改进研究

协同过滤算法应用于个性化推荐系统中取得了巨大成功,它是通过用户项目评分数据,以用户之间或者项目之间相互协作的方式来产生推荐。然而,邻居用户的相似度计算不精确一直是阻碍推荐系统推荐精度进一步提高的主要因素。从提高用户间相似度计算精度出发,提出了一种改进算法,该算法通过考虑不同特征、加强平均值影响、惩罚热门项目的比重,对用户的相似度计算方法进行改进,以期生成更加合理的邻居用户集,最后,根据评分预测公式进行预测,最终产生推荐。在MovieLens数据集上的实验表明,改进算法计算用户间的相似度更加精确,推荐算法的预测精确度有了显著提高。

基于最近邻评价矩阵的混合协同过滤推荐算法

协同过滤技术是推荐系统中核心技术之一，数据的稀疏性和用户的多兴趣性困扰着协同过滤推荐质量的提高。将用户相似性和项目相似性结合起来，对原始评价矩阵进行降维处理，得到对目标评价预测影响最大、数据规模非常小的最近邻评价矩阵，在该矩阵上依照项目近邻程度不同对目标评价预测贡献不同的方法，对用户的邻居进行加权精选，对目标评价实现交错预测。实验结果验证该算法能达到较高的推荐精度。

基于P2P技术的负载发生器的设计与实现

首先介绍在基于P2P技术的内容分发网络中设计一个负载发生器的目的及必要性;然后详细阐述其具体实现,介绍了如何在单机上模拟出内容分发网络中的大量节点,及如何模拟节点群之间的P2P协议交互行为;最后通过使用设计的负载发生器对一台实际部署的服务器进行测试,证明该负载发生器的有效性及实用性。

一种改进的协作过滤算法

协作过滤算法作为最成功的个性化推荐技术已经被应用到很多领域中。针对现有推荐算法存在的预测值判定不准确、数据高维稀疏性、可扩展性不强的问题,提出了一种改进的协作过滤方法。协作过滤方法首先通过对资源进行分类、加权过滤数据预处理以及K-平均聚类算法对用户进行聚类,然后利用余弦相似度计算用户间的相似性,产生最近邻居集,最后基于可信度对算法产生的预测值进行修正,从而得到最终的推荐集。实验结果表明,改进后的协作过滤算法在推荐效果方面得到了更好的改善。

AODV协议中路由黑洞问题的分析与解决

移动自组网是由一组带有无线收发装置的移动节点组成的无需固定设置支持的临时性的通信网络,路由在整个网络安全中起着重要作用。剖析了AODV路由协议中存在的路由黑洞问题,并在分析了已有解决方案基础上,提出了一种基于节点邻居集的解决方案,实验和分析表明本方案在对原AODV协议流程和控制包做了少量修改的情况下,能够检测黑洞攻击、发现到达目的节点的可信路由。

电子商务中的协同过滤推荐系统

协同过滤是电子商务推荐系统中最重要的技术之一。它使用统计技术搜索目标客户的若干最近邻居,并根据最近邻居对商品项目的评分,预测目标客户对商品项目的评分,由此产生目标客户的推荐列表。给出协同过滤推荐系统的处理过程,包括数据表示、最近邻居集的产生和推荐列表的形成,在此基础上分析了协同过滤推荐系统存在数据稀疏、推荐质量、扩展性等问题,最后介绍了协同过滤推荐系统当前的研究进展。

面向专业科技资源的服务定制推荐研究

由于专业科技资源服务平台提供的服务众多,且服务类别繁杂、用户难以搜寻到目标服务模块,这极大耗费了用户查找目标服务模块的时间,也降低了使用的满意度。针对此问题,本文使用服务评分模型处理用户行为数据,然后用改进修正余弦相似度的用户协同过滤算法,为目标用户推荐感兴趣的服务,进一步实现服务定制的功能模块。实验结果表明,改进后的协同过滤算法相比于传统算法,提高了服务推荐的质量和准确性。

一种基于评分时间差的协同过滤算法

基于用户的协同过滤算法(User CF)是推荐系统中最基本、最经典的算法之一,该算法在实际生活中得到广泛应用,但是传统的User CF算法在计算用户相似性时没有考虑用户评分行为产生的时间这一重要信息,这导致寻找到的K最近邻居集可能不是最准确的最近邻居。针对这个问题,提出一种基于评分时间差的协同过滤算法,该算法按照用户评分行为的时间差值给予每个评分值一个不同的权重,然后利用加权后的评分值计算用户的相似性,从而更准确地找到目标用户的K最近邻居。实验表明,与传统的User CF算法相比,改进后的User CF算法能够提高推荐系统的推荐质量。

发布/订阅系统中的新型组播树构造算法研究

为减轻发布/订阅系统中由于遍历代理网络带来的负载压力,基于小世界网络和邻居集关系,本文提出了一种新型的组播树构造算法,CCBMTRC算法。该算法通过在重叠网(Overlay Network)上构造组播树来进行订阅和事件的传播,抑制遍历代理网络所带来的广播风暴。并给出了详细的理论分析与仿真实验。