基于张量相似度的推荐方法研究

传统推荐方法中将用户建模为向量的建模方式只关注用户单方面偏好,为了弥补此种建模方法的局限性,提出一种将用户建模为矩形的张量建模方法。构建了一个基于融合协同过滤与序列推荐算法的推荐模型,该模型集成了Fastformer模型和键值记忆网络对用户张量进行建模;结合用户张量与目标物品的距离及偏置项对用户张量与目标物品的相似度进行计算。在MovieLens和CiaoDVD数据集上对该模型进行实验验证,实验结果表明,该模型能够关注用户多方面偏好并在推荐结果的精准度上优于基线方法,特别是在HR与NDCG评价指标上分别比现有基线方法平均提高了1.4%、1.95%。

移动群智感知中基于协同排序的任务推荐方法

针对移动群智感知中参与者积极性不高导致的数据质量低和激励成本高的问题,本文提出了一种基于混合用户模型与列表级排序学习算法相结合的协同排序任务推荐方法.根据参与者的历史行为对其进行分析,初步过滤掉一些劣质感知用户,同时利用参与者间的相似性构建混合用户模型.利用概率矩阵分解对参与者的意愿值进行预测,并根据排序学习得到一个排序模型.根据排序模型生成任务推荐列表,作为目标参与者的优选任务列表.基于真实数据集的仿真实验结果表明,本文提出的方法有效地提高了任务分配的准确率,与此同时减少了感知用户的移动距离.

基于内容的推荐与协同过滤融合的新闻推荐方法

针对基于内容的新闻推荐方法中用户兴趣多样性的缺乏问题和混合推荐方法存在的冷启动问题,提出一种基于内容与协同过滤融合的方法进行新闻推荐。首先利用基于内容的方法发现用户既有兴趣;再用内容与行为的混合相似度模式,寻找目标用户的相似用户群,预测用户对特征词的兴趣度,发现用户潜在兴趣;然后将用户既有兴趣与潜在兴趣融合,得到兼具个性化和多样性的用户兴趣模型;最后将候选新闻与融合模型进行相似度计算,形成推荐列表。实验结果显示,与基于内容的推荐方法相比,所提方法的F-measure和整体多样性Diversity均有明显提高;与混合推荐方法相比,性能相当,但候选新闻无需耗时积累足够的用户点击量,不存在冷启动问题。

新闻事件的分布式混合推荐算法

针对新闻的个性化服务差及推荐效率低的问题,提出了一种新闻事件的分布式混合推荐算法.该算法改进了传统的层次聚类算法用于新闻事件发现,通过协调簇中心距离和簇间最远距离的权重解决了传统层次聚类中的大簇问题;使用混合推荐算法进行事件推荐,引入了事件的多重特征来计算用户兴趣模型,更准确地表示用户的兴趣偏好;采用Spark分布式计算平台实现该算法,可处理大数据的个性化推荐问题.在公开数据集上的实验结果表明本文方法有效.

基于混合Markov模型的用户浏览预测

建立有效的用户浏览预测模型,准确的预测用户的浏览路径,是开发各种Web站点导航工具的关键。传统的Markov模型是一种简单而有效的预测模型,但它存在测准确率低、预测覆盖率低以及存储复杂度高等缺点。通过对传统Markov模型的扩展,并研究了群体用户在Web上的浏览特性,采用了基于混合Markov模型的用户群兴趣导航发现方法。实验结果表明,该方法比传统Markov模型更准确的反映了用户的访问兴趣,可以获得更高的预测准确率与覆盖率,以及有效地降低存储复杂度。

基于混合形状特征的三维模型检索研究与实现

将基于视图描述的形状特征和3D Zernike矩两种特征应用于三维模型检索,并且根据用户反馈在输出层进行融合。实验表明,采用混合形状特征在提高检索准确率的同时,也能保证检索效率。

基于用户偏好的产品设计知识的推送算法研究

随着知识经济的发展,汽车产品设计活动越来越依赖于有效的知识支持。针对国内汽车企业中普遍存在的设计知识重用率低、经验知识未充分利用等问题,对汽车产品设计知识进行分析与本体建模;在此基础上设计了基于用户偏好的产品设计知识的混合推送算法,将知识文本向量空间化并由本体标注,采用设计任务与用户偏好共同构造知识需求向量,通过计算知识需求向量与知识文本向量的语义相似性得到知识推送结果。最后通过算例对知识推送过程进行说明。

融合用户和区位资源特征的混合房源推荐方法

随着时代的发展,用户购买房屋的观念也在发生改变,在决策过程中更加注重房屋的区位资源。文中给出一种融合用户和区位资源特征的混合推荐方法,通过层叠式的方式将基于内容的推荐算法和基于用户的协同过滤算法相组合,通过用户兴趣偏好与区位资源的融合,提供更准确的房源推荐。通过整合17万余条房源交易数据和上千条区位资源数据,实验结果表明,该方法相比传统模型具有更好的推荐效果。

数字仿真中的用户自定义建模技术

强调了用户自定义建模技术对分析软件开放性的重要意义 ,讨论了自定义模型的描述形式和求解算法。以电厂和电力系统数字仿真软件为例 ,分析了不同建模技术的优缺点 。

一种新的预测用户浏览模式的度量方法

在Web环境中,度量用户的浏览模式对Web站点结构的改进是有益的。挖掘和度量Web日志能够识别用户的访问模式模型,Web站点管理者能够应用这些模型研究用户的访问偏爱度,由此改进站点的体系结构以及分析这些改进带来的影响。因此,提出用户群偏爱度这样一个新概念,并使用了基于用户群的模糊聚类算法(UGFC),然后根据聚类结果,即具有相似访问习惯的用户群体,度量用户群偏爱度,再基于用户群偏爱度,利用混合阶Markov模型(HOMM)进行预测。实验表明,这种新的度量预测方法(UGFC-HOMM)比传统Markov模型(TMM)预测更准确,并且实验用精确率、覆盖率和运行时间这3个度量评价值对预测性能进行评估。

认知无线网络中混合式频谱分配策略及性能研究

针对认知无线网络中的非实时业务,考虑集中式频谱分配可以实现全局优化,分布式频谱分配具有更好灵活性的特点,引入随机退避和控制中心调度的协作机制,提出一种混合式频谱分配策略.基于系统中授权用户和认知用户分别占用的信道个数,建立一个二维Markov模型,在认知用户理想感知的前提下,给出系统的转移概率矩阵,并进行系统模型的稳态分析.导出混合式频谱分配策略下的信道利用率、认知用户中断率及阻塞率等系统性能指标,并通过系统实验,定量的刻画认知用户数,认知用户到达率及信道数对系统性能的影响.

基于一维卷积混合神经网络的用户兴趣分类

个性化推荐系统的关键是挖掘用户的情感偏好,而网络中大量的用户浏览行为记录为此提供了线索。传统描述兴趣度采用的方法是选择典型的浏览行为构造多元线性回归模型,然而浏览行为之间相互联系,容易导致共线性问题。为了提高挖掘用户兴趣的准确度,引入卷积神经网络(CNN)和胶囊网络(CapsNet),提出一种混合神经网络预测模型。首先,在卷积神经网络中对多种浏览行为使用一维卷积和最大池化操作提取局部特征;其次,在胶囊网络中将卷积网络输出的特征向量作为胶囊层的输入,使用动态路由算法对行为特征进行整体特征提取;最后,使用softmax分类器进行兴趣预测分类。实验结果表明,该模型在训练集的准确率高达95.8%,同时在测试集上的准确率都优于CNN和CapsNet,且该模型在训练过程中交叉熵损失明显低于CNN和CapsNet。采用该方法可以利用多种浏览行为准确挖掘用户的兴趣,提高了推荐系统的服务质量。

基于ADPSS大区电网混合仿真的直流系统辅助控制建模

在基于ADPSS的大区交直流电网混合仿真中,直流输电控制模型不够完善,影响直流系统的运行特性。对直流控制器原理进行研究,探讨了直流系统无功消耗、关断角、换相角、直流电流等变量之间相互关系,利用程序自定义功能,建立了考虑分接头调整和无功补偿装置投切联合控制的直流辅助控制模型。仿真分析了大区电网直流功率提升时辅助控制模型的动作特性,验证了模型的正确性和有效性。仿真结果表明,辅助控制模型能够维持换流站的无功平衡,将直流运行参数控制在合理范围内,减少"换相失败"发生的风险,适用于大规模电网的运行特性和协调控制研究。

基于混合用户模型的二分图推荐算法

用二分图来实现个性化推荐的算法越来越受到研究者的注意。文中提出混合用户模型下的二分图推荐算法(MNBI),针对二分图推荐算法中存在的用户多、项目少时命中效率低的情况用混合用户模型进行改进,同时对于推荐中加权的二分图边的权值用用户集的总体的加权和进行改进。该算法基本思想就是在用户很多的情况下,用混合用户模型对用户首先进行一个预处理生成一定数量的用户集,然后用用户集和项目构成用户集-项目的二分图。通过在Movielens数据集中进行测试的实验结果表明,相比NBI算法,MNBI算法推荐的命中效率有一定的提高,同时对于推荐多样性有所提高,并且在数据冷启动情况下效果较好。

基于用户相似度和特征分化的广告点击率预测研究

大数据环境下如何对互联网广告进行精准投放一直是计算广告学领域高度关注的问题。作为在线广告投放效果的一个重要指标,点击率的精确预测关系到媒体、用户和广告主三方的利益。目前的主流方法是通过抽取特征建立单一点击率预测模型,其不足之处在于使用单个权重来度量特征对点击率的影响过于片面。该研究基于分而治之的思想,提出了基于用户相似度和特征分化的混成模型。该模型首先根据混合高斯分布来评估用户相似度,将其划分为多个群体。针对不同群体,分别构建子模型并进行有效组合,从而挖掘同一特征对不同群体的差异化影响,进而准确地预测广告点击行为。通过使用真实互联网公司的广告数据集进行实验,并与主流方法做了详细的对比分析,检验了该方法的有效性。

大数据背景下基于网络搜索数据商品零售价格指数预测研究

大数据时代背景下,基于网络海量搜索数据包含大量有价值信息。针对宏观经济指标商品零售价格指数的非线性变化特征,结合与RPI相关的网络搜索数据,采用支持向量回归SVR多种参数优化模型对商品零售价格指数进行预测研究。借助多个预测性能度量指标对比分析,最终确定结合网络搜索数据粒子优化算法的支持向量回归模型PSO-SVR&US为最优模型。研究结果表明:网络搜索数据有助于商品零售价格指数的预测研究,并且预测效果好坏与预测精度高低还依赖于最优模型的选取;同时,基于最优模型的商品零售价格指数月度预测值比官方数据公布领先半月左右,其预测结果可为及时监测商品零售价格指数变动和经济宏观调控提供有价值的参考。

基于混合算法的通信用户规模预测

考虑到常规SVR预测模型及GA优化和PSO优化的SVR预测模型具有寻优结果稳定性差,容易陷入局部最优解等问题,将具有极强的鲁棒性能和全局搜索能力、能够快速跳出局部最优解等优点的人工鱼群算法与SVR算法进行混合,建立基于混合算法的预测模型。通过混合后的算法能够有效地使算法更快、更准确地得到全局最优解,避免了常规算法在人工鱼更新位置时没有全局信息,只有局部信息引起的收敛速度慢,精度低等问题。使用该混合算法预测模型以及使用传统的三次曲线拟合法和GA-SVR算法建立通信用户规模预测模型,针对2010—2012年通信用户规模进行预测,实验证明基于混合算法的通信用户规模预测模型的预测精度高,稳定性较好,相比另外两种算法,具有较强的优势。

基于Android智能终端的个性化新闻推荐系统

为更好的让智能终端的新闻阅读有针对性,本课题对新闻个性化推荐技术展开了研究,设计并实现了基于Android智能终端的个性化新闻推荐系统。系统采用C/S架构,服务器端首先进行新闻爬取和分类建模,然后根据新闻相似性和用户阅读行为,分阶段利用三种推荐模型即基于新闻分类的粗粒度推荐、基于内容的新闻推荐及基于内容和基于用户协同过滤混合的新闻推荐进行个性化新闻推荐;客户端负责个性化新闻阅读以及用户行为数据上传。经测试,本系统的分阶段不同个性化推荐算法可以很好的满足广大用户的个性化新闻阅读需求。

电动汽车驶离充电桩行为研究

电动汽车驶离充电桩行为能使充电设施资源得到充分利用,是目前车桩发展不平衡问题下需要关注的问题。现有研究缺乏对用户充电后驶离行为的分析,为探求电动汽车驶离行为的驱动因素,首先,通过引入社会责任意识和感知转换成本两个态度潜变量,融合结构方程模型与离散选择模型,构建了混合选择模型(HCM)。该模型框架下包含结构模型、测量模型和选择模型三部分。其次,采用D-efficient实验设计法生成意愿调查问卷,对电动汽车用户开展实证调查。最后,对HCM模型进行同步求解。结构模型和测量模型将难以直接观测的态度潜变量进行了量化,选择模型同时纳入了态度潜变量、个人社会经济属性变量和充电场景属性变量,并根据模型标定值对关键因素作弹性和边际分析。结果表明:社会责任意识更强和感知转换成本更低的个体更倾向于充电后驶离;移车费时和惩罚费用对用户影响最为显著,弹性值分别为-0.365和0.169,边际效用分别为-0.0173和0.0324;引入潜变量的HCM模型能够提高模型解释能力,拟合优度较普通Logit模型提升了0.237。

加权高效用因子的两阶段混合推荐算法

传统协同过滤算法大多是围绕如何降低评分误差展开研究,未涉及用户评分过程。本文考虑到用户评分动机和用户本身评分倾向的情况,将用户评分过程分为用户评分和物品选择两个阶段,从预测用户兴趣概率和用户效用角度出发,采用潜在狄利克雷分布模型(LDA)挖掘出用户潜在高效用因子和物品被靶向概率因子,进而将两种因子加权融合作为第一阶段;第二阶段采用奇异值分解预测用户评分值并根据该评分值选择物品。综上,本文提出一种加权高效用因子的两阶段混合推荐算法(hybrid recommendation algorithm based on two-phase weighted high utility factor,Htp_Uf)。在 MovieLens数据集上,实验结果表明,该算法在归一化累计折损增益(NDCG)和 1-Call两种评价标准下优于其他4种推荐算法,能够有效提高推荐质量。