【摘 要】
：
偏好补全已经被广泛应用到多个领域,如社交选择、推荐系统等。显然,在这些领域中,每个用户只有针对部分项目的排序,而让用户提供一份针对所有项目的完整的排序很多时候是不现实的。偏好补全的目标是利用所有人的不完整的偏好排序来推断出每个人的针对所有项目的一份完整的偏好排序。本文的主要工作如下:（1）针对现有的偏好补全方法由于偏好排序噪音的存在导致算法的准确性低的问题,本文提出了基于确定性的偏好补全算法。首先
论文部分内容阅读
偏好补全已经被广泛应用到多个领域,如社交选择、推荐系统等。显然,在这些领域中,每个用户只有针对部分项目的排序,而让用户提供一份针对所有项目的完整的排序很多时候是不现实的。偏好补全的目标是利用所有人的不完整的偏好排序来推断出每个人的针对所有项目的一份完整的偏好排序。本文的主要工作如下:（1）针对现有的偏好补全方法由于偏好排序噪音的存在导致算法的准确性低的问题,本文提出了基于确定性的偏好补全算法。首先引入了三支决策的概念。然后提出了从排序空间到偏好空间的映射,由偏好空间来讨论三支决策策略,并且利用贝叶斯原理推导出确定性。接下来,基于三支决策的思想,本文提出基于确定性的投票算法来对用户的偏好进行补全。将确定性和冲突性引入到投票决策中,只有确定性和冲突性满足一定的阈值,才能说明两个项目之间是可以进行偏好决策的,否则需要更多的信息来进一步决策。实验结果表明本文提出的偏好补全算法取得了更好的预测效果。（2）针对现有的偏好补全方法无法满足动态数据下对实时性的要求的问题,本文提出一种基于确定性的可扩展的偏好补全算法。这一算法避免在扩增后的数据集上重新进行耗时长的近邻计算,而是利用聚类算法将原始数据集生成多个聚类,用一个虚拟意见领袖来代表每个聚类,进而在虚拟意见领袖集合与新增的数据集上进行用户的偏好补全。通过实验,我们验证了基于确定性的可扩展的偏好补全算法的高效性和准确性。
其他文献
表情作为人类一种非语言交流方式,相比起语言交流方式,表情更能直接地反映一个人内心真实意图和心理状态。如何使计算机读懂人类表情,进行更加有效的交流成为人机交互领域的一项重要课题。人脸表情的表达是面部肌肉协同运动的结果,是一个动态变化的过程:相较于静态人脸图像,视频序列记录了表情发生的完整过程,对人脸表情的描述更加真实准确。人脸表情很大程度上是通过与表情相关的人脸关键区域的动态变化来完成,如何改善使其
多变量时间序列（Multivariate Time Series,MTS）分类致力于将具有多个变量和时间属性的数据划分到预定义的类别之中,在金融、医疗、人类活动识别等领域发挥着重要作用。但MTS分类任务中存在许多问题,例如MTS中变量之间存在着复杂的关系特征难以捕捉,样本间存在的潜在关系特征易被忽视,标注的MTS数据少等问题。提取关系特征为分类任务提供更多的关键特征具有重要的研究和应用价值。本文围
近年来,动作捕捉技术已经广泛地应用于影视制作、游戏、康复医疗和体育竞技等领域中。专业动作捕捉系统能够获取精确的人体运动数据,但是价格昂贵、需要较大的采集空间和复杂穿戴过程,难以为普通消费者所用。伴随着虚拟现实技术的快速发展,市场上将涌现更多的体感应用和游戏,将对通过价格低廉的动作捕捉设备获取高精度人体姿态信息的方法产生广泛的需求。本文基于可见光相机、Kinect和IMU传感器,提出了多模态多阶段去
伴随着数字化城市管理的快速发展,三维模型的场景应用愈加广泛,因此针对三维模型的快速建模,和对其动态可视化的探索是具有研究意义的。城市路网的模型是一直以来的研究热点,其中,立交结构是路网中结构复杂的部分,探索面向立交结构的路网模型的快速生成是当前研究的难点;在此基础上,提升三维场景的展示效果,研究关于三维模型场景的动态可视化也具有一定的研究价值。本文对于复杂立交结构模型的快速建模、交互编辑和针对三维
近年来,基于视觉的同时定位与建图（Simultaneous Localization and Mapping,SLAM）技术被应用于移动机器人、虚拟现实等领域,通过相机构建出环境地图并感知自身定位,为自主导航、虚拟交互等技术提供前提条件。环境中的动态物体会影响视觉SLAM系统的精度,通过图像分割技术分割出场景中的语义物体,能够为SLAM系统剔除动态物体提供帮助。而在图像分割中容易出现漏分割现象,使
众包技术通过整合互联网上的大众标注来完成计算机难以处理的问题,为工业界和学术界带来了巨大变革,在情感分析、实体解析、文本翻译等领域发挥了重要作用,为机器学习领域提供了高效的标注数据获取手段。然而,由于众包平台的开放性和隐私保护政策,众包标签往往存在噪声且缺乏先验信息。如何从噪声标签中提取正确的标签（称为真值推理）具有重要的研究和应用价值。本文围绕众包真值推理的单选问题开展相关研究,主要内容如下:（
在很多应用程序中,一个非常关键的操作是两个对象或者是多个对象之间相互模型的比较。如果结构化的信息可以用图表示,这种比较就可以转化为图的比较,而图模式匹配技术从本质上而言就是图的比较。给定一个模式图,在数据图中寻找与模式图具有相同或者相似结构的子图,这就是图模式匹配。然而目前图模式匹配的研究多集中于挖掘社交网络中满足特定要求的关系信息,在其他领域的研究相对偏少。同时由于医疗知识图谱中蕴含着大量丰富且
会话问题生成的目标是根据会话历史和文本段落生成延续历史内容的问题。目前针对会话问题生成任务的研究缺少对潜在信息的深入挖掘以及会话历史信息的关注。故本文从有答案意识和无答案意识两种方式对会话问题生成任务展开论述,具体内容如下:（1）有答案意识的会话问题生成任务需要在给定提示语句的情况下,生成与之相关联的问题。本文围绕会话历史设计单词及句子层次的注意力机制模块,提高生成的每一个单词与会话历史之间的关联
基于深度学习的目标检测模型近年来取得了巨大进步,然而检测图像中的小目标仍是目标检测领域的一大难题。由于小目标具有尺寸小、分辨率低等特点,大多数目标检测模型无法从小目标中获取足够的特征信息。本文将从不同的角度研究与改进基于深度学习的小目标检测模型,并进一步提升小目标检测模型的检测精度。本文的主要研究工作如下:（1）已有的YOLOv5目标检测模型虽然在特征增强网络中引入双向特征金字塔结构提升了检测精度
近年来,新冠疫情的爆发给人类生活方式带来了巨大的变化,其中线上学习和网络销售的用户量呈现指数式的增长,随之出现的大量文本评论常常隐藏着用户的观点和情感倾向,对这些文本评论作情感分析可以帮助政府和市场更精准分析用户意向,从而做出科学有效的决策。而传统的情感分析侧重于捕捉文本中单个实体的整体情绪,而不是捕捉该实体每个方面或特征的情感极性,使得用户对实体的看法无法被深度挖掘出来。因此提出了方面级情感分析