一种基于自外积异构信息网络的改进推荐模型

网络嵌入是近年来大数据领域的研究热点。异构信息网络（HIN）已被提取用于提高推荐系统的性能，然而现有的提取方法没有考虑到向量自身的不同维度交互暗含的有用信息。为此，文章提出一种基于自外积的异构信息网络模型（HSopRec）用于改进推荐系统的性能。该模型能够通过自外积的方式有效地提取用户和物品原本暗含在异构信息网络的潜在关系。在世界开放商业数据集Yelp上进行的推荐性能的验证结果表明，与现有其他异构网络模型相比， HSopRec模型展现了更好的效果。     

一种基于注意力机制的节点相似性度量方法

在异构信息网络挖掘中,度量节点之间的相似性是一项非常有挑战性的工作.为了更准确地度量节点之间的相似性,通过结合注意力机制,从节点与元路径两方面单独进行计算,提出一种全新的节点相似性度量方法.通过在真实网络数据集上与传统算法进行实验对比,证明所提出相似性度量算法的准确性.     

基于树形结构的评论文本相似度计算算法

文本相似度度量对于促进信息处理领域的发展具有重要意义。针对评论文本提出了一种基于树形结构的内容相似性度量方法。该方法利用评论文本的内容组织特征,将其分解为对应树各层之间的相似性度量,从而使得每层相似度的度量对象都为同类型的词语,进而分别采用合适的相似性度量方法,最后再对各层相似度赋予不同的权重,并通过融合树各层的相似度最终得到整体的相似度。在Amazon数据集上的实验结果表明文章方法较之于其它常见度量方法更加有效,准确率更高。     

基于传播概率矩阵的异构信息网络表示学习

根据元路径和可交换矩阵,结合节点一阶和二阶相似性得到最后的传播概率矩阵;利用降噪自动编码器对传播概率矩阵进行降维得到异构信息网络的节点表示;将异构信息网络的节点表示用梯度提升树（GBDT）分类,得到不同百分比训练集下的分类准确率,用聚类指标标准化互信息（NMI）评价聚类效果,用T-SNE展现可视化效果. 在数据集DBLP和AMiner上分别进行实验,相比DeepWalk、node2vec和metapath2vec方法,在应用任务节点分类上,所提出的基于传播概率矩阵的异构信息网络表示学习（HINtpm）的准确率与DeepWalk相比最高提升了24%,聚类指标NMI与DeepWalk相比最高提升了13%.     

基于流形排序的社会化推荐方法

提出一种基于流形排序和社会化矩阵分解的推荐方法,采用流形排序方法度量用户间的社会相似度,利用正则化技术构建用于评分矩阵因式分解的目标函数,将用户之间的偏好差异作为目标函数的惩罚项,从而将用户之间的社会相似性融入评分矩阵的低阶矩阵分解过程. 实验结果表明,在大型的数据集上,该方法获得了比当前同类方法更好的推荐精度和更低的评分预测均方根误差/评分预测平均绝对误差（RMSE/MAE）值.     

一种引入加权异构信息的改进协同过滤推荐算法

协同过滤作为当前应用最成功的推荐技术之一,其推荐质量在很大程度上取决于近邻用户选取的准确性,而数据的稀疏性问题（sparsity）和相似度度量方式（similarity metrics）严重影响着最近邻的选择。该文提出了一种引入加权异构信息的改进协同过滤算法。首先利用异构网络中丰富的语义信息和边属性信息,得到用户之间基于不同元路径的相似度;然后将相似度分别应用到典型的基于用户的协同过滤推荐算法中,得到基于每个相似度的用户评分值;最后采用监督学习算法为每个打分值分配不同的权重,融合为用户最终评分。在扩展MovieLens经典数据集上的实验结果表明,本文所提算法在精确度上较传统算法有显著提高。     

融合用户感知和多因素的兴趣点推荐

针对传统的基于协同过滤的兴趣点(POI)推荐方法存在数据稀疏问题和现有工作往往单纯利用上下文信息却没有合理平衡各因素的作用影响的问题，提出融合用户感知和多因素的兴趣点推荐模型（UPMF）.为基于用户感知的隐式建模提取用户相似性以丰富用户表示，并利用序列、地理和社交等上下文信息构建用户感知协同影响的POI推荐模型，缓解数据稀疏问题.设计新颖的用户感知的融合策略(UPIS)，在基于用户感知的同时合理利用各种上下文信息挖掘用户的动态偏好.提出基于分段的活动区域选择算法针对不同活动区域对用户的影响进行建模.实验结果表明，与其他流行的POI推荐方法相比，UPMF在准确率、召回率和归一化折损累计增益(NDCG) 3个评价标准上都有一定程度的提高.在Gowalla和Yelp数据集上，UPMF模型的NDCG@10比SUCP的分别高12.77%、7.24%.     

融合信任相似度的偏置概率矩阵分解算法

为解决社会化推荐算法推荐效果严重依赖用户信任数据的问题,提出一种融合信任相似度的偏置概率矩阵分解算法(bias probability matrix factorization algorithm fused with trust similarity, TTSPMF)。该算法引入稀疏性更低的信任相似度网络,使用信任关系的相似性弥补用户信任数据的稀疏性。通过用户信任矩阵计算得出信任相似度矩阵,然后将信任相似度矩阵和用户信任矩阵共同进行矩阵分解,同时加入偏置项来表达用户和物品的偏好,从而更好地刻画用户和物品的特征,避免因用户或物品本身因素带来的评分偏差。使用概率矩阵分解模型融合信任矩阵和信任相似度矩阵并迭代求解,得到用户特征矩阵和物品特征矩阵。在多个数据集上的试验证明,在不同评价指标下,该算法的推荐准确度明显高于传统推荐算法,可以有效缓解数据稀疏带来的推荐效果差的问题。     

基于乘积蕴涵算子相似度量的异构网络垂直切换

为了使无线异构网络有效融合,给出一种基于乘积蕴涵算子R_π的Vague集相似度量算法H_W(x,y),将其表示式应用于多属性判决方法之中,从而得出一种基于H_W(x,y)的垂直切换算法。将所得算法应用到LTE和WLAN组成的无线异构网络模型中,仿真可得切换次数、服务质量和丢包率的评价指标值,与基于M_F(x,y)的异构网络垂直切换算法相比较,新算法可减少异构网络切换次数、提高用户服务质量,并减少丢包率。     

一种基于模糊信息熵的协同过滤推荐方法

针对评分数据的稀疏性制约协同过滤推荐性能的情况,提出一种新的相似性度量方法。首先,定义了用户的模糊信息熵以反映用户评分偏好的不确定程度;其次,利用两两用户的模糊互信息衡量用户之间的相似程度;最后,同时考虑用户之间的模糊互信息和用户的模糊信息熵,并设计一种基于模糊信息熵的相似性度量方法以计算用户之间的相似性。在两个公开数据集上的试验结果表明:基于模糊信息熵的相似性度量方法能够降低数据稀疏性的影响,并能显著提高推荐系统的推荐性能。     

结合概率矩阵的改进谱聚类社区发现算法

针对目前谱聚类算法的相似图包含较多错误社区信息的问题,引入了概率矩阵的概念,提出了一种改进的谱聚类社区发现算法。该算法首先利用马尔可夫过程计算节点间的转移概率,并基于转移概率构建复杂网络的概率矩阵;然后以均值概率矩阵重新构造相似图;最后通过优化归一化切割函数实现社区划分。采用人工网络和现实网络与其他典型算法进行对比实验,实验结果表明,该算法能够更加精准地划分社区,具有更加良好的聚类性能。     

一种异质图的Lorentz嵌入模型

异质图嵌入的目标是用低维稠密向量表示原网络的拓扑结构和节点属性信息。为提高异质图嵌入质量、减少失真，提出了一种将异质图嵌入到基于Lorentz模型的双曲空间中的方法。该方法采用元路径约束的随机游走进行节点关系和语义的发现，模型基于负采样的极大似然为目标函数，使目标节点与邻居更相近，而远离非邻居节点，优化方法不同于欧式空间的黎曼梯度下降；在引文网上将所提算法与4种基准图嵌入算法进行比较，实验证明该方法不但获得了优于其他基准算法的预测精度，而且还保留了可解释的图的层次结构。双曲嵌入为异质图的研究提供了一种新的思路，能够为异质图的下游任务提供更高质量的嵌入结果。     

基于模块度相似性的二分网络链路预测算法

基于社团结构，提出模块度相似性的二分网络链路预测算法，克服了二分网络在链路预测中丢失社团结构信息的局限性。首先，通过定义二分模块度，利用奇异值分解，将网络中的节点嵌入到欧式空间中的向量。其次，提出二分网络模块度相似性的框架，利用向量余弦相似度定义二分网络节点对之间的模块度相似性指标(MS指标)。最后，基于小提琴图和评价指标AUC，在3个真实网络上进行模拟仿真，与9种链路预测相似性指标进行对比，证明MS指标用于二分网络链路预测具有较高的精度。     

基于内外卷积网络的网络入侵检测

网络入侵检测通过分析流量特征来区分正常和异常的网络行为以实现入侵流量的检测,是网络安全领域的重要研究课题.针对已有入侵检测模型特征提取过程复杂、信息提取不足等问题,提出了一种基于内外卷积网络的入侵检测模型.首先使用一维卷积神经网络提取流量数据的内部特征,然后通过对内部特征计算相似度建模得到无向同质图,此外将流量在外部网络侧的通信行为建模为有向异质图,并对两图使用图卷积网络学习包含网络流量多种交互行为的嵌入向量,最后将学习到的流量嵌入向量输入到分类器中用于最终的分类.实验结果表明,所提模型的检测准确率和误报率均优于对比模型.     

基于关联图关键边发现的人脸图像聚类算法

针对真实场景中大量类别数未知、样本数量不均衡、数据分布复杂等导致人脸图像智能提取准确率低的问题，提出了基于关联图关键边发现的人脸图像聚类算法。首先，通过融合多个卷积神经网络提取的图像样本特征，获得鉴别性更强的特征向量，并计算不同样本之间的相似度；然后，利用拒真率和认假率设置合适的门限值，将得到的相似度结果与门限值进行比较，筛选出相似程度高的样本对，并添加样本对之间的连接边来构建关联图；再利用介数中心性测度，设计关键边发现方法，挖掘关联图中可能连接不同簇的重要连接边；最后，采用图卷积网络确认是否存在上述重要连接边以获得最终的聚类簇。实验结果表明，所提算法能够提高人脸图像聚类的准确率。     

元搜索引擎结果合成算法研究

提出了一种基于文本/位置分析和群决策的查询结果合成算法．在充分考虑搜索结果文本信息的基础之上,提出查询匹配度的概念,并对搜索结果的标题和短文摘进行相关度分析,通过将文本分析与规范化的搜索结果排序值相结合来计算文档的相关分值．在估计非相关文档的相关分值时,针对不同假设条件分别进行了讨论,并提出改进的影子文档算法．然后,采用基于群决策的合成方法对相关分值进行合并,实现搜索结果的一致性排序．实验结果表明采用该算法,搜索结果的相关性明显优于Round-robin、CombSum和CombMNZ 3种合成算法．