基于多阈连续条件随机场的标签推荐

标签推荐系统的推荐结果质量不高,会影响和误导用户对资源的查找与定位,甚至引发信息迷航的现象。为了提高推荐结果的准确度和覆盖度,提出的多阈连续条件随机场模型,不仅保持了条件随机场无须对数据作独立性假设且能避免标注偏执问题的优势,同时还使用标签间共现率、语义相似度和用户相似度三重阈提取特征,一并挖掘出显性和隐性标签,充分结合用户差异性,通过最大似然估计法迭代计算模型参数,建立模型来推荐标签。在BibSonomy数据集上测试表明该方法可行,实验效果与基于连续条件随机场模型、最大熵模型方法对比显示了本模型推荐的标签更精准、更全面;本模型在标签推荐中表现出了良好的稳定性。

农民工的标签该摘下了

"三农"问题的核心是农民问题,而农民问题的核心在某种程度上是农民工问题。农民工对社会的贡献远远大于其所享受的权利。农民工的标签是社会对之绝对剥夺和相对剥夺的结果。摘掉标签,是城乡协调发展的迫切要求,它需要制度创新和安排,以及文化的发展。

基于用户多属性与兴趣的协同过滤算法

传统的协同过滤算法广泛应用于推荐系统领域,但该算法仍存在用户冷启动和数据稀疏性问题,造成算法的推荐质量较差。对此,提出一种基于用户多属性与兴趣的协同过滤算法AICF(attributes and interests collaborative filtering)。首先通过对多种用户属性分配权重计算出用户多属性相似度。其次利用改进的Slope One算法填充用户—项目评分矩阵,然后计算基于隐性标签的用户兴趣相似度。最后基于两种相似度的组合进行推荐。实验结果表明,AICF算法不仅明显提高了推荐结果的准确性,同时也改善了用户冷启动和数据稀疏性问题。

基于手机信令数据的城市居民非通勤出行群体画像——以苏州市为例

构建考虑多维特征的城市居民非通勤出行群体画像概念模型,提出一种按序结合相关系数矩阵与二阶聚类的方法,以进行非通勤出行群体画像。利用苏州市手机信令数据,基于非通勤出行时空规律和社会属性将城市居民出行者进行群体划分,并结合城市居民非通勤出行群体画像概念模型对不同类型非通勤出行群体进行多维度解析。结果显示:(1)城市居民出行者可划分为:活跃-波动-工作日主导型群体、非活跃-稳定-均衡型群体。(2)不同类型非通勤出行群体画像在多维特征上存在显著差异。(3)根据群体画像标签关联分析,除显性关联外,群体画像不同标签间存在隐性关联。