一种改进的重启动随机游走立体匹配算法

通过分析概率模型下重启动随机游走立体匹配算法的边缘权重仅由颜色相似性确定以及邻接矩阵不均衡的问题,对其提出了一种改进算法。首先对边缘权重进行改进,采用颜色相似性和空间邻近度共同确定,使算法在边缘区域和弱纹理区域的匹配更加精确;然后对邻接矩阵做均衡化处理,使算法对几何畸变干扰和异常值都具有很好的鲁棒性。测试结果显示,改进的算法在深度不连续区域和弱纹理区能获得更为精确的视差图。

用户兴趣变化感知的重启动随机游走推荐算法研究

针对目前重启动随机游走推荐算法忽略用户兴趣变化的问题,提出一种基于用户兴趣变化的重启动随机游走推荐算法。通过聚类识别用户的兴趣,建立用户兴趣模型,在此基础上,考虑兴趣的时间衰减,计算用户当前兴趣度。最后,根据用户当前兴趣度,形成用户转移概率矩阵,并做出推荐。实验表明提出的算法较传统的重启动随机游走推荐算法可以有效地提高推荐精度。

显式评分的重启动随机游走推荐算法研究

针对目前重启动随机游走推荐算法偏重隐式评分而忽略显式评分的问题,采用监督重启动随机游走算法,使得用户喜爱的项目被访问的概率大于用户不喜爱的项目的概率,从而做出推荐。实验表明,该算法可以有效地提高推荐的准确性。

基于RWR的自然图像抠图

提出了一种基于图论的自然图像抠图方法。该算法首先在图像上建立图的模型,并用不同颜色标记目标种子点和背景种子点;接着采用有重启概率的随机游走方法计算像素点之间的相似性,进而提出一个线性概率模型;最后求解模型并分别估计前景和背景物体。与目前的抠图方法相比,该算法具有以下特点:将RWR方法结合图论用于自然图像抠图中;减小了RWR算法在图像分割中迭代求逆的高复杂度,大大提高了抠图速度;解决了"弱"边界的问题。

基于均衡化概率模型的特征匹配及其应用

通过对匹配模型中邻接矩阵的均衡化分析,在概率框架下提出一种新的特征匹配算法。采用重启动的随机游走方法建立并求解概率模型,并对匹配邻接矩阵进行了均衡化分析,提出了一种有效的双向均衡方法。方法不仅考虑了两个待匹配特征点的全部几何关联以及各项关联之间的权重值,而且考虑了关联权重的均衡性,从而可加强匹配的区分度,提高匹配的准确性。经实验证明,所提出的算法对几何畸变干扰和异常值都具有很好的鲁棒性,且适用于多种点匹配场合,在目标定位和目标识别中具有较强的适应性,有较好的实用价值。

基于Term-Query-URL异构信息网络的查询推荐

查询推荐是一种帮助搜索引擎更好的理解用户检索需求的方法.基于查询的上下文片段训练词汇和查询之间的语义关系,同时结合查询和URL的点击图以及查询中的序列行为构建Term Query URL异构信息网络,采用重启动随机游走（Random Walk withRestart,RWR）进行查询推荐.综合利用语义信息和日志信息,提高了稀疏查询的推荐效果.基于概率语言模型构造查询的词汇向量,可以为新的查询进行查询推荐.在大规模商业搜索引擎查询日志上的实验表明本文方法相比传统的查询推荐方法性能提升约为3％～10％.

均衡化概率模型及其在特征匹配中的应用

针对计算机视觉研究中最基本的特征匹配问题,提出了一种新的特征匹配算法,通过对匹配的概率模型中邻接矩阵的均衡化分析完成匹配过程。该算法根据待匹配特征点的几何关联性,建立匹配的概率模型,并利用一种有效的双向均衡方法,使得待匹配特征点的关联权重达到平衡,从而增强了匹配的区分度和准确性。采用重启动的随机游走(randomwalkswith restart,RWR)方法对概率模型进行求解,结合具有约束限制的时序方法获取最优匹配集。实验结果表明,与同类方法相比,该算法具有更高的匹配准确率,且适用于多种匹配场合。

基于异构网络拓扑数据的人类必要基因预测

对必要基因进行研究不仅能够了解生物生存和繁殖的最低要求,且有助于寻找人类疾病基因和新的药物靶点.实验法鉴定人类必要基因虽有效但价格昂贵且耗时费力,开发高效算法预测必要基因是对实验法必要而有效的补充.提出一种基于融合多个异构网络拓扑数据预测必要基因的算法,该算法选用重启动随机游走算法将多个异构网络整合成统一的基因网络特征,采用SMOTE过抽样算法平衡训练支持向量机过程中的正负样本.实验结果表明,整合异构网络拓扑数据方法比基于单一网络的模型能更有效地预测人类必要基因.

基于混合图的在线社交网络朋友推荐算法

针对在线社交网络朋友推荐问题,尝试融合多个社会网络为一个混合图模型,采用基于混合图模型的重启动随机游走算法,为用户提供个性化的朋友推荐,并通过参数调节多个网络的权重。实验表明,该算法提高了在线社交网络朋友推荐的准确性。

融合社会网络的协同过滤推荐算法研究

针对传统协同过滤推荐算法的数据稀疏性及恶意行为等问题,提出一种新的基于社会网络的协同过滤推荐算法。该算法借助社会网络信息,结合用户信任和用户兴趣,寻找目标用户最近邻居,并以此作为权重,形成项目推荐,以提高推荐的准确度。实验表明,相对于传统的协同过滤算法,该算法可有效缓解稀疏性及恶意行为带来的问题,显著提高推荐系统的推荐质量。