【摘 要】
：
为了减少协同过滤算法存在的噪音数据以及数据稀疏性问题,提高算法准确性,本文提出一种基于信息熵和改进相似度的协同过滤算法,使用用户信息熵模型来判断噪音数据,排除噪音数据对实验结果的干扰;使用面向稀疏数据的改进相似度计算方法,使用全部评分数据而不是依靠共同的评分项来计算,对缓解稀疏数据对推荐结果的精确性影响有很大帮助。实验结果表明,该算法能在一定程度上排除噪音数据对结果的影响,缓解数据稀疏对推荐结果精确性的干扰,提高该推荐算法的精确性,且缓解了传统推荐系统算法中常见的一些问题,与传统的协同过滤算法相比,该算法
【基金项目】
：
国家自然科学基金资助项目(71871144)。
论文部分内容阅读
为了减少协同过滤算法存在的噪音数据以及数据稀疏性问题,提高算法准确性,本文提出一种基于信息熵和改进相似度的协同过滤算法,使用用户信息熵模型来判断噪音数据,排除噪音数据对实验结果的干扰;使用面向稀疏数据的改进相似度计算方法,使用全部评分数据而不是依靠共同的评分项来计算,对缓解稀疏数据对推荐结果的精确性影响有很大帮助。实验结果表明,该算法能在一定程度上排除噪音数据对结果的影响,缓解数据稀疏对推荐结果精确性的干扰,提高该推荐算法的精确性,且缓解了传统推荐系统算法中常见的一些问题,与传统的协同过滤算法相比,该算法
其他文献
关键词：BIM技术;公路征地拆迁;扬尘监测;BIM信息库;谱特征量 公路征地拆迁中扬尘对大气环境具有很大的负面影响，因此，需对其展开实时监测，从而提高对公路征地拆迁中扬尘的治理和实时监管能力，保障公路征地拆迁的环境生态安全。可以说，研究公路征地拆迁中扬尘的实时监测方法，在公路环境污染治理和保护中具有重要意义。因此，相关公路征地拆迁中扬尘实时监测方法的研究成果也受到相关领域的极大关注。 一般来说
针对结构设计不合理的卷积神经网络导致MNIST识别的准确率低、收敛速度慢和训练参数多等问题,提出卷积神经网络结构的改进模型。改进的模型采用2次卷积、2次池化和3次全连接、采用Relu激活函数和Softmax回顾函数相结合,加入Dropout层防止过拟合,加入Flatten层优化结构。为了缩减代码量,采用API功能强大的Keras模型替代Tensorflow。对MNIST的训练集和测试集数据的准确率
關键词：流量分析;网络优化;流量控制;交换机;过程层;智能变电站 随着智能变电站的推广应用，大量的变电站采用过程层网络进行SV（采样值，Sampled Value）、GOOSE（面向通用对象的变电站事件，GenericObject Oriented Substation Event）报文传输，过程层网络架构如图1所示。 间隔层设备保护装置和测控装置通过过程层交换机与过程层设备合并单元和智能终端
无人机围捕是一项具有挑战性和现实意义的任务,为使无人机可以成功有效地围捕移动目标,提出一种基于动态预测围捕点和改进鲸鱼优化算法的多无人机围捕算法。在环境未知,目标运动轨迹未知的情况下,首先利用多项式拟合预测目标运动轨迹,通过动态预测步数得到预测点,在其周围设置围捕点,然后使用双向协商法为无人机合理分配各个目标点。针对鲸鱼优化算法容易陷入局部最优的缺点,提出基于自适应权重和改变螺旋线位置更新的方法,
在监督或半监督学习的条件下对数据流集成分类进行研究是一个很有意义的方向。从基分类器、关键技术、集成策略等三个方面进行介绍,其中,基分类器主要介绍了决策树、神经网络、支持向量机等;关键技术从增量、在线等方面介绍;集成策略主要介绍了boosting、stacking等。对不同集成方法的优缺点、对比算法和实验数据集进行了总结与分析。最后给出了进一步研究方向,包括监督和半监督学习下对于概念漂移的处理、对于
为提高对数据量较少的短文本分类效果,有效降低特征空间的特征维度,本文针对传统CHI统计方法和TF-IDF权重计算方法的缺点,提出一种新的类词因子改进特征选择方法,用来提高分类准确性。对于传统CHI统计方法对低频词敏感、TF-IDF权重计算方法忽略特征项在类别间和类别内分布情况,通过引入类词因子来改进传统CHI统计方法和TF-IDF权重计算方法,并将两者结合使用,减少低频词带来的干扰。同时考虑类内和类间特征词分布的特殊情况,使用XGBoost分类算法将提出方法用在数据量少且文本短的话题文本分类实验中,实验结
能力满足度是衡量系统建设意义和作用的重要指标,基于体系结构框架进行能力满足度分析,能够实现在系统设计阶段对能力满足程度的分析判断,避免早期分析不足导致后期建设成本的增加。本文提出一种基于信息主导的体系结构(Inf-ProA)框架的能力满足度计算方法。该方法首先构建一种面向能力的核心体系结构要素追踪关系元模型,然后设计核心体系结构要素的权重计算方法以及满足度计算方法,并基于核心要素的权重、满足度值以及追踪关系链提出一种能力满足度计算方法。最后,对该方法使用应用案例进行了实验验证,实验结果表明该方法能够有效地
针对经典的单阶段多目标检测算法SSD对小目标物检测效果差的问题,提出DF-SSD算法,其核心技术贡献包括基于反卷积与特征融合的方法和改进后的先验框尺寸计算算法。反卷积与特征融合能够增加浅层特征层的语义信息。改进后的先验框尺寸计算引入了数据集的特点,能有效利用每一个先验框进行训练和预测。改进后的方法 DF-SSD与基于SSD改进的R-SSD和RSSD模型相比,具有较高的检测准确率。同时,DF-SSD
针对现有的动态手势识别3D卷积方法计算参数量大和对2D卷积长时间序列的空时特征难以提取的问题,提出一种基于2D卷积神经网络和长短期记忆网络相结合的提取时空域特征的动态手势识别方法。首先基于2D卷积神经网络提取空域特征,再通过长短期记忆网络进行序列图像时序上的相互关联提取时间维度上的信息。为验证算法的有效性,使用自采集的7种动态手势动作和IsoGD公开数据集对本文所提算法进行验证。实验结果表明,在线
为了能更好地对手机数据接口的缺陷进行检测,提出一种基于Faster R-CNN的检测算法。将Faster R-CNN检测架构中的RoIPooling替换成RoIAlign,解决RoIPooling计算过程中2次量化造成的目标回归位置的偏差。使用ResNet50融合FPN的网络作为特征提取网络,提高模型对小型目标缺陷的检测效果。最后使用测试集进行预测,实验表明本文提出算法的均值平均精度(mAP)达到了91.17%,比使用VGG为特征提取网络时的mAP提高了24.72个百分点,比单独使用ResNet50为特征