一种新的协同过滤的相似性度量方法缓解新用户冷启动问题

协同过滤是在线商店中自动化产品推荐最成功和最广泛使用的方法之一。该方法最关键的组成部分是使用产品评分数据找出用户之间的相似性的机制,以便根据相似性推荐产品。相似性的计算依赖于传统的距离和矢量相似性度量,例如Pearson相关系数和余弦相似度,然而,它们在推荐问题领域的有效性方面很少受到质疑。文章提出了一种新的启发式相似性度量,其重点在于提高冷启动条件下的推荐性能,其中只有少量评级可用于每个用户的相似度计算。使用三个不同数据集的实验显示了该测量在新用户冷启动条件下的优越性。

基于Map-Reduce模型的BCkmeans并行聚类算法

针对传统Canopy-Kmeans算法中的随机性Canopy选取的问题,提出了一种BCKmeans并行优化算法。采用"二分法"全局确定初始Canopy Center(Canopy中心点),避免了Canopy选取的局部最优问题;采用"初始动态迭代的最值原则"对Canop Center的选取进行优化,动态迭代改变区域半径T1的值;在Map-Reduce并行计算框架上扩展算法的并行性,充分利用集群的计算和存储能力,从而适应海量分布式存储数据的应用环境。以UCI数据库中的3D Road Network(North Jutland,Denmark)数据集作为聚类应用的背景,对改进后的算法进行了实验分析。实验结果表明:该算法能进一步改善聚类质量,在扩展率以及分类准确率上与随机选取Canopy策略相比都有明显提高。

基于智能手机的交通事故预防系统设计

随着"低头族"引发的交通事故的增多,预防该类事故的技术亟待研发。然而目前国内外针对驾驶人以及行人自身设计的交通事故预防措施近乎空白。文章中以Android智能手机为例,利用高德开放平台提供的地图开发工具,结合辅助GPS技术(A-GPS)设计了一种基于智能手机的交通事故预防系统。该系统仅需在智能手机上安装,无需其他外接设备的辅助即可实现所需功能,通过对使用者状态的判断,通过对手机屏幕的控制以半强迫方式提醒使用者注意安全,达到预防交通事故的目的。

GPU并行计算在医学光声成像中的应用

光声成像因其兼具纯光学成像的高对比度和超声成像的高空间分辨率,已经成为生物医学成像领域的研究热点之一。目前,光声成像技术已被证明在癌症和心血管疾病的研究和诊断中具有重要的应用价值。然而,光声成像中的大数据量采集和大规模的信号处理过程限制了光声成像速度,直接影响到该成像技术在疾病实时监测等领域的应用。GPU并行计算提供了便捷、有效的高速数据处理框架,在信号处理领域得到了广泛的应用,其为快速光声成像的实现提供了一条有效的途径。本文综述了目前GPU并行计算在光声成像中的应用方法和领域,阐述了GPU并行计算在加速光声成像过程中的有效性,对下一步GPU和光声成像的深入融合研究提供了有价值的参考。