Pearson相关系数下非对称相似度计算及其应用

稀疏性是推荐算法存在的问题之一,解决稀疏性问题的常用方法是矩阵分解,矩阵分解结合用户相似度可以提高推荐的准确率,但是传统的相似度计算方法并未考虑用户对项目评分数量的差异,因此构建的相似度矩阵是对称的.针对这一问题,结合Pearson相关系数,给出一种新的计算方法——用户非对称相似度.在考虑用户对相同项目评分的同时,计算用户间评分相同的项目数与用户所有评分项目数的比值,以此拉近用户之间相似的程度,且得到用户之间的非对称关系.其次,利用用户非对称相似度方法计算用户间相似度矩阵,将相似度矩阵与用户评分矩阵融入到概率矩阵分解框架中,实现用户的社会化推荐.在公开数据集上测试,结果显示改进的非对称相似度公式相比传统的相似度计算公式,在稀疏的数据集上进行社会化推荐能得到更准确的推荐结果.

动态量化非对称相似关系的不完备知识约简算法

量化非对称相似关系是处理不完备信息系统的重要工具之一.本文针对非对称关系中明显相似的对象分类不合理的问题,定义了动态量化非对称相似关系,提出带有自动阈值调节的动态量化非对称相似关系模型,根据实际数据自动确定其阈值,使之更加灵活和合理.并采用快速排序提高知识约简过程中相容类的计算效率.通过实例验证了该算法处理不完备知识约简的有效性.最后,应用该模型解决了地下空间信息化施工的不完备知识约简问题.

不完备信息系统下非对称相似关系的改进

通过分析现有粗糙集扩充模型,提出了一种修正非对称相似关系。基于该关系的扩充模型有效地克服了容差关系和非对称相似关系的不足。实例结果表明了其对不完备信息系统处理更简单有效,获取的信息更充分。

一种非对称相似度矩阵约束的群组协同过滤算法

针对传统协同过滤算法无法处理社交网络中逐渐形成的以群组为中心的群体行为且很少考虑用户间普遍存在的不对称关系,提出一种非对称因子约束相似度矩阵的群组协同过滤算法.首先通过构建虚拟用户作为群组特征,把多维数据降维成与用户特征等价的虚拟用户,以替代群组进行相似度计算.其次引入影响因子和偏移因子两种相似度限制因子来构建非对称相似矩阵,影响因子表示用户相互影响力的大小关系,偏移因子则考虑用户评分习惯间的差异.实验结果表明该方法与传统推荐算法相比具有收敛速度快、预测精度高的优势,提高了推荐质量并解决了群组特征处理问题.

基于限制非对称相似关系模型的规则获取算法研究

粗糙集理论在不完备信息系统中的应用,是将粗糙集理论进一步推向实用的关键之一,而经典的粗糙集理论对不完备信息系统的处理显得束手无策.在分析研究已有的扩充粗糙集理论模型的基础上,进一步提出基于限制非对称相似关系模型,并将经典的可辨识关系矩阵加以扩充,定义了限制非对称相似关系下的可辨识关系矩阵,采用布尔推理方法,直接从不完备信息系统中提取规则而无需改变初始不完备信息系统的结构.实验结果表明,所获得的决策规则简洁,与缺省值无关.

一种利用非对称相似度强化信任用户关系的推荐算法

为提高推荐算法的准确率,针对Social MF中用户将其信任用户同等对待的问题,提出一种在评分数据稀疏情况用于计算信任用户相似度的方法—非对称相似度方法(AC-Sim),通过AC-Sim来判别存在信任关系用户间是否有共同偏好,并将此偏好信息融合到已有的用户关系网中,达到强化信任网络的目的;其次将强化后的信任网络应用到PMF算法中,评分矩阵在分解过程中,用户特征向量受信任用户影响的同时,也受到与其有共同偏好用户的影响.实验结果表明,与目前较为流行的算法相比,新算法在RMSE和MAE上均取得更好的推荐效果.

基于用户非对称相似性的协同过滤推荐算法

针对传统协同过滤推荐算法的数据稀疏以及用户关系衡量不准确的问题,提出了基于用户非对称相似关系的推荐算法.利用用户的潜在特征的样本数量,结合奇异值矩阵分解,计算用户之间非对称的相似度,明确用户间关系.仿真结果表明,随着邻居数量的增加,该算法的平均绝对误差始终优于传统算法,误差值在邻居数量为40~60之间值为最小,约为0.682,传统算法平均绝对误差值约为0.758,可以看出该算法判断用户关系较为准确,预测评分比传统算法更接近实际评分.

基于限制非对称相似关系的粗糙集模型

基于不可分辨关系的粗糙集理论不适用于含未知值的不完备信息系统.需要将经典的粗糙集理论不可分辨关系加以扩充才能处理不完备信息系统.目前已经提出了基于容差关系、量化容差关系、限制容差关系、非对称相似关系等的扩充粗糙集理论.但是,这些理论还存在一些局限性.文章提出了一种新的基于限制非对称相似关系的粗糙集扩充模型.理论分析和实验证明,与其它模型相比,可以从基于限制非对称相似关系模型的近似集中获取更多的信息.

基于非对称相似差别矩阵知识约简

信息系统中存在着大量数据值缺省的情况,为寻求约简的最优解需耗费大量的时间。用非对称相似关系代替粗糙集理论中的等价关系,定义了非对称相似差别矩阵,提出了基于非对称相似差别矩阵的高效求核和知识约简算法。该算法无需改变初始不完备信息系统的结构,能直接处理缺省数据。实验结果表明,新算法所获得的决策规则简洁、高效,与缺省值无关。

对象间差异度的限制非对称相似关系模型

经典Rough集理论主要是利用了不可分辨关系对完备信息系统进行分析的。对现有粗糙集模型进行扩充后,才可以应用于不完备信息系统。容差关系、非对称相似关系、基于对象间完备度的限制容差关系、限制非对称相似关系等是现有的扩充模型。通过分析其优点和不足之处,提出一种新的模型——对象间差异度的限制非对称相似关系模型,在该模型中,给出的知识粒度更精确,更符合实际。实例结果也证明新模型可以从不完备信息系统获取更加精确的知识粒度。

基于非对称相似关系的粗集改进模型

改进了基于非对称相似关系的粗集的上、下近似的定义,并从理论上证明了新定义的上、下近似比原来的更合理,并进一步用一个算例来验证。

基于非对称相似粗糙集的规则获取算法

针对目前应用粗糙集相似关系理论与LEM2算法进行规则推理时获取规则较少以及规则简化程度不高的问题,提出了粗糙集非对称相似关系与近似集的计算方法,并对现有LEM2算法获取规则的过程进行了改进与补充,形成了一种新的基于非对称相似粗糙集的规则获取算法,以便从不完整信息中获取更多潜在规则。最后以实际算例对两种算法分别进行了测试并给出了结果对比分析,仿真结果表明新的规则获取算法在不改变原有信息集结构与内容的基础上具有更好的优化性能,能获得更好的优化结果。

在线社交网络好友推荐方法的研究——基于非对称相似性方法

考虑用户间影响的差异,从用户关注的兴趣点出发,及其他用户的消息或行为通过最短路径影响该用户的最大可能性,提出了基于非对称相似性的半局部拓扑指标,并将其应用于在线社交网络好友推荐。通过Facebook数据集验证了该方法,实验结果证明,考虑了非对称相似性的好友推荐算法在准确率与召回率上都明显优于其他方法,从而证实了该方法的有效性。

改进非对称相似度和关联正则化的推荐算法

为了改善传统推荐系统中数据稀疏问题给推荐效果带来的影响,提出了改进非对称相似度和关联正则化的推荐算法。根据不同用户和不同项目之间的不对称关系,提出一种改进相关度计算式,用于预测评分。同时,由于社会化隐式关系的获取难度较大,利用传统相似度获取邻域集合作为用户社会关系,将关联正则化用于约束矩阵分解目标函数,缓解用户信息不对称造成的数据稀疏问题。最后在一些真实数据集上对算法进行验证,实验结果表明,与主流的推荐算法相比,该算法能够更加有效地预测实际评分。

不完备系统中基于非对称相似关系的粗集多属性决策

粗糙集理论在多属性决策、数据挖掘、机器学习、人工智能等领域发挥着越来越大的作用。经典粗糙集理论主要利用不可分辨关系对完备信息系统形成的划分来定义知识的上、下近似集,并在此基础上进行知识约简,规则推理和决策。而现实生活中存在大量不完备信息系统。针对不完备信息系统的多属性决策问题,从非对称相似关系的角度提出基于粗集的多属性决策方法。

基于非对称选择相似关系的扩充粗糙集模型

针对带"*"值的不完备决策系统,提出一种基于非对称选择相似关系的扩充粗糙集模型,通过定义"选择相似"的概念来合理地控制未知值和已知值的相似程度,克服了"*"值可与任意值相似的不足。理论分析表明,该模型不但符合人的"选择性"要求,而且具有更加合理的分类效果。实例分析进一步验证了非对称选择相似关系的优越性。

不完备信息系统中基于相似关系的知识约简

以具有丢失型未知属性值的不完备信息系统为研究对象,根据非对称相似关系,讨论了知识约简问题。在不完备决策系统中,引入了近似、粗糙分布约简以及广义决策约简,讨论了它们之间的相互关系,给出了近似分布约简的判定定理、可辨识矩阵以及约简公式,并进行了实例分析,为从不完备信息系统中获取知识提供了新的理论基础与操作手段。

基于相似关系的不完备模糊决策信息系统知识约简

在不完备信息系统和模糊决策信息系统及其粗糙集模型的基础上,提出了不完备模糊决策信息系统的概念,并基于相似关系及其粗糙集模型,给出了不完备模糊决策信息系统的粗糙集模型.该模型是不完备信息系统,完备模糊决策信息系统和经典决策信息系统粗糙集模型的推广.还给出了该系统的知识约简及其算法.

多标记粒度不完备信息系统的粗糙近似

在粒计算看来,一个粒是由多个比较小的颗粒组成更大的一个单元.在许多场合下,由于不同尺度对数据集分割而得到不同层次的信息粒度,这些不同的信息粒度可以用不同的标记块来区分.首先介绍了用一个满射来定义标记块的概念,接着在标记块的基础上给出了多标记粒度结构.针对多标记粒度结构,先给出了完备信息系统中粒度信息变换函数,接着在多标记不完备信息系统中重新定义了粒度信息变换函数.由粒度信息变换函数,可以在多标记不完备信息系统中得到信息粒度的一个层次结构.在每一个层次中,利用非对称相似关系定义相似类,进而定义集合的上近似、下近似、近似精度和粗糙度等概念.在不同层次之间,分别讨论了上近似、下近似、近似精度和粗糙度的性质,在不同的知识粒度下探索的知识近似的变化规律.

基于粗糙集的不完备信息系统规则推理算法

定义了非对称相似关系的近似集概念,提出了一种利用非对称相似关系下近似集和属性值对的基于粗糙集的确定规则推理算法.该算法无需改变初始不完备信息系统的结构,能直接处理缺省数据.实验结果表明,所获得的确定决策规则简洁、高效,与缺省值无关.