基于机器学习的分类算法研究

如今社会发展进入信息化时代,各行各业的所使用或产生的数据规模呈几何级增长。如何对大量复杂数据进行有效分类,对推进服务质量、决策制定都有积极的意义。本文主要研究运用机器学习的方法对数据进行分类的算法,从机器学习算法引入,介绍主流的数据分类算法,并比较各类算法的优势与劣势。最后提出利用机器学习进行数据分类的方法以提升分类操作中的数据运算的速率以及分类结果的可信度,并提出对大数据进行机器学习的研究展望。     

推荐系统中的算法

近些年随着大数据时代的来临,人们对于信息的需求量日益增多。那么,由此产生的一个自然的问题是:我们如何在浩瀚的数据海洋中尽可能准确地找到自己所感兴趣的内容呢?由此,在计算机科学领域中便产生了一个特定的研究领域——个性化的推荐系统。而推荐算法正是推荐系统的核心所在。个性化的推荐系统运用在生活的不同领域中,它主要是利用用户的行为数据和其之相关的物品属性等,通过特定的数学算法来达到向用户推荐所感兴趣信息的目的。现代个性化的推荐系统所利用的推荐算法可以分为4种,在这篇论文中,我们将分别来讨论这四种不同的推荐算法的特征。     

基于机器学习的电磁脉冲相位特征挖掘算法

对电磁脉冲信号相位特征的准确挖掘和参量估计可以有效准确地确定信号源的方位,实现对识别目标的准确定位。传统的相位特征挖掘算法采用贝叶斯估计算法,算法在受到脉冲干扰时估计性能不好。提出一种基于机器学习的电磁脉冲信号相位特征挖掘算法,实现对相位估计精度的改进提高。首先构建电磁脉冲信号的模型,得到相位特征挖掘模型原始模型,求解相位模糊数搜索结合解得到两个阵列输出数据的相位差。计算电磁脉冲信号参数相位补偿项,采用机器学习算法进行电磁脉冲信号相位特征挖掘,构建调频信号作为估计目标方位角的载波信号,采用最小二乘拟合求斜率最终实现相位特征等相关信息的挖掘。仿真实验表明,该算法能准确估计出电磁脉冲信号辐射源的相位等参数信息,相位特征挖掘性能较好,展示了优越的数据挖掘和目标检测定位性能。     

基于机器学习的旅游推介系统的设计

个性化的旅游服务往往能得到客户更多的关注。潜在客户对旅行社计划推出的旅游线路的关注信息,常出现在留言板上或者关于旅游线路或景点的投票页上,利用这些信息,借助文本挖掘和机器学习技术,可以找出最适合推荐给潜在客户的旅游线路,从而实现旅游服务（线路）的推介。     

基于TOPSIS算法的个性化推荐研究

个性化推荐服务可以帮助用户克服信息过载问题,受到广泛的关注.虽然目前的个性化推荐方法较多,但大多数方法与用户之间的交互性不强,很难满足用户个性化需求.鉴于TOPSIS方法是一种常用的有限方案多属性决策分析法,对对象评估既全面又客观,所以将其用到了个性化推荐研究之上,进而提出了基于TOPSIS算法的个性化推荐模型及其算法,最后通过举例表明了该算法能够较好地与用户进行交互,同时能够为用户提供满足其需求偏好的个性化推荐.     

电子商务推荐系统的算法与模型分析

作为电子商务中最重要的技术之一,电子商务推荐系统能够向客户产生有价值的商品推荐,帮助客户在大量的商品中找到需要的商品,从而顺利完成购买过程。对电子商务推荐系统进行了分析,介绍了电子商务推荐系统的输入和输出以及电子商务推荐系统推荐算法。在此基础上,提出了五个电子商务推荐模型,并指出了电子商务推荐系统面临的主要挑战和研究方向。     

图书借阅推荐系统算法的python实现

本文对协同过滤算法中最常用的基于用户的协同过滤算法和基于物品的协同过滤算法进行了描述,然后针对图书借阅推荐系统实例进行了算法的pyhton实现代码,并对这两种算法进行了评价,对于实际工作者具有较好的参考价值。     

基于蚁群算法和浏览路径的推荐算法研究

本文提出了一种结合双群觅食算法和偏好浏览路径的推荐算法。引入了蚁群算法中的挥发概念,考虑字时间变量、项目的距离变量改进了挖掘用户浏览偏爱路径的算法。在推荐阶段根据用户的浏览行为结合偏爱浏览路径,在用户每一次浏览时计算出转移概率,动态地进行推荐。该算法能够反映用户的偏好并进行有效推荐。     

基于机器学习的miRNA靶基因预测算法研究概况

首先小结目前所发现的miRNA：mRNA对的统计特征,然后对基于机器学习的各类靶基因预测算法逐一作研究,最后对现有靶基因预测算法的研究现状及优缺点给出系统的结论。     

基于信任的推荐算法的鲁棒性分析

基于信任的推荐是一种新兴技术,其核心原理是利用用户信任网络选择可靠的建议者.虽然在先前的研究中认为它的鲁棒性优于协同过滤,但这种技术抵抗攻击的实际能力尚未被量化研究.我们就此问题提出了一个形式化的评估框架,并对2种代表性的算法进行了比较评估.实验采用的数据集来源于Epinions.com网站.实验结果展示了影响算法鲁棒性的关键因素,据此给出了几项应对策略.     

基于约束校对的协同过滤推荐算法

根据用户的个性化需求进行网络信息推荐,在电子商务商品推荐和网络信息推送中具有应用价值。本文针对传统的语义关键词推荐方法的指向性精度不高的问题,提出一种基于协同过滤融合和个性化特征约束校对的信息推荐算法,首先构建P2P网络模型下的信息传输模型,对用户的个性化需求信息进行信息融合和语义信息素特征提取,然后采用自相关匹配滤波方法进行信息融合和滤波,实现对个性化特征的协同过滤和信息推荐,最后通过仿真实现进行性能测试。仿真结果表明,采用该算法进行信息推荐的数据召回率和配准度较高,耗时较短,实现个性化信息定制和推荐。     

基于用户聚类的推荐算法研究

随着21世纪的到来,市场上出现了以淘宝和亚马逊为代表的一些电商平台,这些平台为消费者提供了极大购物便利的同时,也出现了很多因为数据过大而导致的一系列问题,例如数据量过大,导致聚类算法效率低下,不能及时给用户推荐产品,同时数据量过大,导致数据稀疏性问题明显。因此,文章研究了基于用户聚类的服装推荐技术。基于传统协同过滤算法中,由于其本身特性造成的推荐效果实时性不高以及效率低下的问题,引入用户兴趣变化模型,以及评分预测时间模型,提出基于时间和用户兴趣改变的协同过滤推荐算法,对传统过滤算法进行针对性的修改。     

基于矩阵分解的图书推荐算法研究

为了提高基于矩阵分解的推荐算法精度,解决传统矩阵分解结果出现负数和运算量大的问题,提出了改进的基于矩阵分解的推荐算法,在推荐模型中引进Sigmoid函数,该函数能够控制分解结果的值域,提高推荐算法评分的可理解性,消除矩阵分解结果出现负数的情况;在推荐模型中利用系数控制推荐算法中不同部分权重,能够使得算法更加的灵活,利用交替梯度下降法实现计算结果的部分分离,为分布式计算奠定了基础,通过实验验证,提出的推荐算法提高了评分的准确度,并增强了推荐算法的可扩展性。     

基于FP-Growth算法的图书馆订购推荐系统设计

<正>point针对传统图书馆无法为文献采访人员提供准确个性的图书推荐服务的问题,本文提出构建基于FP-Growth算法的数据挖掘的图书馆订购推荐系统,利用FPGrowth算法,对图书馆产生的图书借阅记录进行关联规则挖掘,为文献采访人员提供借阅率较高的馆藏图书数据。随着当今社会信息化的高速发展,数据挖掘技术已经在商业领域如电信、银行、互联网等行业实现了大范围的应用,给用户提供可定制的个性化服务,这给高校图书馆提供了一     

基于二部图的推荐算法研究

介绍了基于二部图的个性化推荐算法,探讨了近年来对该算法局限性的各种改进思路,主要有结合优化算法的改进、资源流转加权、冷启动问题的处理等方面,期望通过进一步深入研究提高二部图网络算法个性化推荐的质量。     

基于社会标签的推荐系统研究

社会标签是一种新颖的大众索引方法,在Web 2.0时代各种收藏、检索、共享网站中得到广泛的应用,个性化推荐系统是基于用户的偏好为用户提供个性化信息服务的重要技术。本文针对推荐技术如何与社会标签结合的问题,分析了最新的研究现状和应用。详细阐述了3个方面的研究进展:标签推荐系统的研究、基于社会标签的个性化推荐系统的研究、社会标签的推荐应用系统。     

基于用户偏好的文献推荐系统

本系统基于模糊联想记忆神经网络,建立偏好评价模型,根据用户偏好对搜索引擎搜索到的候选文献进行评级,为用户推荐偏好值高的文献。本系统的学习模块采用PCA-CG算法和误差反向传播算法,以用户阅读过的基准文献和其对应评级作为训练样本,对用户偏好进行学习;推理模块根据学习到的模糊规则和隶属函数来计算候选文献的偏好值,并以偏好值排序,把偏好值高的文献推荐给用户。把该模型应用于信息技术类文献的检索,实验表明系统提供的推荐文献具有较高可信度。     

基于元数据的国书推荐系统研究

推荐系统是进行个性化服务的重要手段,但是传统的推荐系统推荐效果受到冷启动、矩阵稀疏性、用户参与度等问题影响.在总结传统推荐系统基本工作原理和影响推荐效果问题产生的原因的基础上,认为以规范化和共享化的方式描述资源属性的元数据能够在一定程度上帮助解决推荐系统的相关问题,并结合书籍推荐的需要对都柏林核心元数据集进行了扩展,分析了填写这些数据元素的信息来源和填写的方式,给出扩展了的元数据集在书籍推荐中的作用机理和工作流程.     

基于项目的协同过滤推荐算法的改进

个性化推荐技术是在互联网迅速发展下应运而生的。协同过滤是各种个性化推荐技术中最受欢迎的,它在取得巨大成功的同时也同样遭遇到挑战。目前它所面临的最紧要问题就是如何解决数据稀疏带来的难题。本文主要研究协同过滤中的一种,即基于项目的协同过滤推荐算法,提出了一种改进算法:融合差异度和时间函数的协同过滤推荐算法,并通过实验证明改进的算法对于数据稀疏的问题确有改善作用。