【摘 要】
：
针对传统的推荐算法过于强调推荐的精准度导致推荐列表的同质化现象突出的问题,提出了一种新的推荐列表选择算法DivEnhance。首先给出了推荐列表的多样性和效用值的定义;然后将其建模为一个带约束的整数规划问题来求解,通过一个参数的调整,可以实现多样性和精准度的灵活控制。实验结果表明,该算法可以在一定精准度损失的条件下,大幅提高最终推荐列表的多样性。特别地,在推荐一些新颖性较高的内容上,该算法相对于传
【机 构】
：
中国科学院声学研究所国家网露新媒体工程技术研究中心,中国科学院大学
【基金项目】
：
国家“863”计划资助项目（2011AA01A102）,国家自然科学基金资助项目（60972082）
论文部分内容阅读
针对传统的推荐算法过于强调推荐的精准度导致推荐列表的同质化现象突出的问题,提出了一种新的推荐列表选择算法DivEnhance。首先给出了推荐列表的多样性和效用值的定义;然后将其建模为一个带约束的整数规划问题来求解,通过一个参数的调整,可以实现多样性和精准度的灵活控制。实验结果表明,该算法可以在一定精准度损失的条件下,大幅提高最终推荐列表的多样性。特别地,在推荐一些新颖性较高的内容上,该算法相对于传统的推荐算法具有较大的优势。
其他文献
针对Charm(channel-aware rate selection algorithm)算法在瑞利平坦衰落信道下误码率性能较差的问题,提出了M-Charm(modified Charm)速率自适应算法。该算法基于Charm算法,通过调整信噪比估计参数,增加差值补偿机制,以提高信道估计的准确性,进而降低了误码率。在瑞利平坦衰落信道模型下的仿真结果表明,M-Charm算法不仅保持了较好的吞吐量性
为提高基于单播测量的网络链路时延分布估计速度,提出了一种基于显式计算的单播链路时延快速估计方法。由于网络设备多样化导致链路时延特征存在差异,首先根据端到端测量数据为各链路分配不同的离散间隔;然后利用背靠背探测包在网络中引入的二层二叉树结构,通过显式计算推断各链路的时延分布,能明显提高估计速度。仿真结果表明,该方法将链路时延分布的估计时间降低至数百毫秒,同时更准确地捕获链路时延特征。该方法基于显式计
命名实体识别是自然语言处理必不可少的重要部分,其中组织机构名识别占了很大的比例。提出了基于词频统计的组织机构名识别方法。训练数据主要通过百度百科词条整理得到。训练时,利用百度百科词条名在词条文本中的频数统计进行机构构成词的词频统计。在此基础上,构建了数学模型,实现了组织机构名识别算法。该识别算法集成到了中文分词中,取得了较好的识别结果,可以满足一定的实际应用需求。
针对海量存储系统能耗建模的问题，在理论研究的基础上用数学语言描述系统能耗的各个组成部分，并进行整合以得出系统整体的能耗模型。通过模型估算值与实际测试值的对比，验证了该
以功能交互的视角解剖特征模型结构,从中分析特征之间存在的功能交互,并根据其中的功能实现特点设计了一套特征—构件模型映射算法来构造面向特征的高内聚构件模型。这一过程实现了特征的内在功能完整性,其之上的功能耦合也随之解除。这不仅提高了可复用软件资产自动化效率,且大大减低了日后的维护成本。
针对基本混合蛙跳算法的缺陷,提出了一种基于混沌优化策略的改进混合蛙跳算法(SFLA)。在青蛙更新策略中引入自适应扰动机制,平衡了算法搜索深度,并利用高斯变异算子代替随机更新操作,提高了算法搜索速度;在全局迭代中借鉴混沌优化策略思想,以概率形式对最优个体进行优化,避免了族群陷入局部最优,并证明了改进算法以概率1收敛于全局最优解。最后用MATLAB对测试函数进行了仿真,仿真结果表明改进的混合蛙跳算法在
介绍了M-LWDF、EXP和CD-EDD三种经典的实时调度算法,并在此基础上提出一种基于信道状态的WiMAX系统的实时调度算法CBRTS(channel-based real-time scheduling)。该算法核心思想是在数据链路层中考察物理层信道的传输条件,从而进一步将有限的无线资源更加合理地分配给用户。仿真结果表明,提出的算法具有更高的吞吐量、更小的时延和丢包率,能满足实时业务的QoS要
在不完备信息系统中,为了融合可变精度粗糙集和多粒度粗糙集的各自优点,提出一种基于容差关系的不完备可变精度多粒度粗糙集模型。研究了基于容差关系的可变精度乐观多粒度粗糙集和悲观多粒度粗糙集的相关性质。通过对可变精度多粒度粗糙集和经典多粒度粗糙集的对比分析,结果表明,基于容差关系的不完备可变精度多粒度粗糙集拥有更高的近似精度,实例分析的结果也验证了该理论的可行性。
针对GN算法在发现重叠社区时存在的不足,以及为了降低算法时间复杂度,提出一种基于网络图中连边相似度划分连边集的重叠社区发现算法EGN。算法依据网络图的连边集进行划分,每一条边被划分到某个特定的社区,而一个节点可以关联多条连边,因此节点可以被划分到不同的社区,从而发现重叠社区。EGN算法首先需要构造网络节点之间连边关系的边图;然后根据边图中节点的关系计算网络图中连边的相似度,在节点之间相似度的基础上
针对分子对接中生成评分网格需要花费很多的计算时间这一问题,提出了一种基于统一计算设备架构(CUDA)的评分网格生成并行算法。该算法把传统计算方法中三维计算空间中的一维通过在图形处理单元(GPU)上进行并行处理,使得总生成时间得到了降低,提高了评分网格的生成效率。实验结果表明,借助于GPU的浮点计算能力,提出的并行算法对比传统的计算方法可以显著缩短评分网格的生成时间,为评分网格的生成提供一种新的方式