基于随机森林修正的加权二部图推荐算法

对于基于二部图网络结构的算法忽视了兴趣偏好的影响,只考虑用户与项目之间的关系,结合随机森林分类模型和二部图网络结构,提出了一种基于随机森林修正的加权二部图推荐算法。在二部图网络结构的基础上,利用评分计算边权,充分考虑项目的度和用户共同评分项目的影响改进相似度公式。同时用随机森林算法对用户在项目特征的偏好构建分类模型,根据其对初步得出的推荐列表进行评分修正。对比在Movie Lens数据集上的实验结果,证明该方法比其他算法能够提高推荐的准确性和推荐精度。     

基于加权三部图的协同过滤推荐算法

针对基于用户的协同过滤算法推荐结果过度集中在热门物品,导致多样性和新颖性较低、覆盖率较小的问题,文中提出基于加权三部图的协同过滤推荐算法.在分析数据稀疏和附加信息较少的基础上引入标签信息,可同时反映用户兴趣和物品属性,利用用户、物品和标签三元关系构建三部图.通过三部图网络映射到单模网络的方法获得用户偏好度,构建用户偏好度加权的三部图模型.根据热传导方法在加权三部图上进行资源重分配,挖掘更多的相似关系,利用协同过滤框架预测评分并进行推荐.在真实数据集上的实验表明,文中算法可较好地挖掘长尾物品,实现个性化推荐.     

基于增强二部图网络结构的推荐算法

协同过滤推荐算法的数据稀疏性与冷启动问题影响和制约了推荐的质量.基于用户-项目二部图的信任计算可以有效的利用用户间的潜在联系提高推荐性能.提出一种融合基于二部图的增强繁殖信任与JMSD相关系数的推荐方法,包括对改进的加权用户-项目自适应繁殖信任度的计算,在此基础上融合用户偏好的增强信任度机制,以及线性加权JMSD相关系数,两组数据集下的对比实验表明,与三种基准算法对比改进的算法模型具有更低的平均绝对误差（MAE）,更高的召回率（Recall）,提高了推荐质量.     

基于图的混合推荐算法*

混合推荐是解决各种单一推荐方法缺陷的重要途径,文中提出基于图的混合推荐算法,通过在图中融合各种推荐因素进行建模,产生最终的推荐结果.利用推荐物品的内容属性计算物品间的相似度,构建最近邻图关联矩阵.根据物品的打分记录构建物品的兴趣模型,生成矢量函数.在此基础上,利用正则化框架组合关联矩阵和矢量函数,构建基于图的学习模型,实现基于图的混合推荐,并从理论上证明算法的收敛性.在MovieLens数据集和亚马逊网上商城交易数据上的对比实验验证文中算法的有效性.     

基于SVD++与改进Slope One混合推荐算法研究

协同过滤算法广泛应用于推荐系统中,论文针对传统协同过滤算法中数据稀疏性及推荐准确率不高的问题,提出了一种改进的协同过滤算法。首先通过SVD++算法对用户-项目评分矩阵进行填充,初步缓解数据的稀疏性问题,然后通过计算相似度引入项目属性,最后通过改进Slope One算法对评分矩阵进行二次预测计算,提高推荐算法的准确度。在数据集MovieLens100K数据集上对论文提出的混合推荐算法作五折交叉实验,结果表明混合算法提高了推荐系统的预测准确度。     

基于二部图多权重投影的大数据推荐算法

基于网络结构的推荐算法存在多样性不足的问题,为此提出了一种基于二部图多权重投影的大数据推荐算法。首先,提取出数据集的基础信息,将所有的项目—用户数据输入莱文斯坦距离程序,计算各个属性之间的相似性;然后,计算二部图网络中节点之间相同邻居的数量、节点之间的共同邻居度以及每个节点的度,计算二部图网络中每条边的三重权重;最后,采用增强的二部图投影技术提取二部图网络的潜在链接,实现基于相似性的链接预测。在大数据集与小数据集上分别开展了实验,结果显示该算法的准确率与覆盖率均优于其他几种类型的推荐算法,并且优于同类型的推荐算法。     

基于加权两层图的混合推荐方法

结合用户一项目评分矩阵和项目一类别关联矩阵,提出了一种新的混合推荐模型。首先,利用用户一项目评分矩 阵和项目一类别矩阵,提出一种新的项目关联度度量方法,该方法根据项目的特征信息和当前评分数据的稀疏情况,动 态调节关联度的计算值,真实地反映彼此之间的关联度;其次,分别以项目关联度和用户一项目评分信息为权值,构建 一个基于用户一项目的加权两层图模型;在此基础上,从两层图的全局结构出发,结合随机游走算法给出了基于加权两 层图的推荐算法,以为用户提供个性化的项目推荐和用户推荐。实验结果表明,该算法相比文献中的其他推荐方法具 有更高的准确度。     

融合初始资源与协同过滤的二部图推荐算法

推荐系统的产生主要是为了解决信息过载的问题。基于二部图网络与基于协同过滤的推荐算法是目前应用比较广泛的算法,二者都取得了一定的推荐效果。基于加权二部图网络的算法忽略对初始资源的配置,基于物品的协同过滤算法在推荐时也产生数据稀疏等问题。组合推荐算法融合初始资源配置以及基于物品的协同过滤算法来解决相关的问题,可以达到更好的推荐效果。算法实验在MovieLens数据集上实施,结果表明,与传统的推荐算法以及最近的组合推荐算法相比,该方法有更好的推荐效果。     

基于混合用户模型的二分图推荐算法

用二分图来实现个性化推荐的算法越来越受到研究者的注意。文中提出混合用户模型下的二分图推荐算法（MNBI）,针对二分图推荐算法中存在的用户多、项目少时命中效率低的情况用混合用户模型进行改进,同时对于推荐中加权的二分图边的权值用用户集的总体的加权和进行改进。该算法基本思想就是在用户很多的情况下,用混合用户模型对用户首先进行一个预处理生成一定数量的用户集,然后用用户集和项目构成用户集-项目的二分图。通过在Movielens数据集中进行测试的实验结果表明,相比NBI算法,MNBI算法推荐的命中效率有一定的提高,同时对于推荐多样性有所提高,并且在数据冷启动情况下效果较好。     

基于图嵌入的用户加权Slope One算法

针对传统Slope One推荐算法在稀疏数据集上预测准确率较低的问题,提出一种基于图嵌入的加权Slope One算法。本文算法首先以融合时间信息的用户相似度为边权建立用户关联图,对该图进行图嵌入得到用户特征向量,然后基于Canopy聚类对用户进行类内加权Slope One推荐。另外,为优化算法性能,本文算法基于Spark计算框架实现。实验结果表明,对比传统的加权Slope One,本文算法在稀疏数据集和显式、隐式评分数据集上的推荐效果和评分预测准确率都更优。     

基于二部图投影的微博事件关联分析方法研究

文章针对微博事件相对于传统事件在传播过程中的新特征,提出了利用图论中二部图的理论来获取微博事件间的关联关系的新方法。文中给出了将微博事件和微博用户的关系转换为二部图网络的方法,并根据微博用户在微博事件中的角色特征,给出了微博用户的综合权重,由此来构造“微博事件--微博用户”加权二部图。通过对比多种二部图投影算法,提出了一种基于加权的一维投影算法,在保留二部图结构信息的基础上得出了微博事件间相互关联和影响的定量表示。最后通过实验验证了文章算法的合理性和正确性。     

3D Model Retrieval Using Bipartite Graph Matching Based on Attention

In this paper, we propose an attention-based bipartite graph 3D model retrieval algorithm, where many-to-many matching method, the weighted bipartite graph matching, is employed for comparison between two 3D models. Considering the panoramic views can donate the spatial and structural information, in this work, we use panoramic views to represent each 3D model. Attention mechanism is used to generate the weight of all views of each model. And then, we construct a weighted bipartite graph with the views of those models and the weight of each view. According to the bipartite graph, the matching result is used to measure the similarity between two 3D models. We experiment our method on ModelNet, NTU and ETH datasets, and the experimental results and comparison with other methods show the effectiveness of our method.

     

一种融合行为与结构特征推理的造假群组检测算法

在线评论对用户的购物决策有重要的影响作用,这导致一些不良商家雇佣大量水军有组织、有策略地给自己刷好评,以提高销量赚取更大利润,给竞争对手刷差评来抹黑对手,以降低其销量。为了检测这种有组织的水军群组,提出一种融合行为与结构特征推理的造假群组检测算法。该算法包含2部分：第1部分用频繁项挖掘方法产生候选群组,然后使用行为指标来计算群组中每个成员的协同造假可疑度,将该可疑度看作先验概率;第2部分先为每个群组建立加权评论者-商品二部图,然后使用循环信念传播算法推理后验概率,将推理后得到的后验概率值作为该成员的最终协同造假可疑度,最后使用熵值法来判定是否为共谋群组。在真实数据集上的实验结果表明,所提算法性能优于比较算法。     

基于加权二部图匹配的中文段落相似度计算

为了改进传统以向量空间模型（VSM）为代表的基于词频统计的方法在中文段落相似度计算时存在的精度不高问题,在基于加权二部图匹配的思想上提出了一种计算中文段落之间相似度的方法。该方法将相似度计算分为段落和句子两个层次,将句子作为简单段落看待,也使用二部图匹配进行相似度计算。首先利用句子主干词汇提取算法来提取句子的主干词汇,将主干词汇作为二部图的顶点,把主干词汇之间的相似度作为二部图顶点之间的权值系数,进行句子相似度的计算。其次,将句子作为加权二部图的顶点,把句子之间的相似度作为二部图顶点之间的权值系数,进行段落之间的相似度计算。实验结果表明,该方法与VSM相比,由于它能准确识别同义词,自动匹配两个在段落中不同位置的相似词语,因而在准确度上有了很大的提高。     

面向性能仿真的非连续微分代数模型的指标分析

针对物理系统性能仿真形成的非连续高指标微分代数模型,提出一种基于加权二部图的指标转换方法．该方法将微分代数系统表示为加权二部图,基于二部图匹配算法可以判定微分代数系统是否为高指标系统．对于高指标系统,采用文中方法可以找出需要求导的最小结构奇异方程子集,以便将高指标系统转换为低指标形式．最后,针对定结构与变结构的非连续微分代数模型给出了相应的指标分析策略．文中策略与相关算法已在基于Modelica语言的建模仿真平台MWorks上实现．     

蜂窝下含D2D系统基于二部超图的资源分配

针对蜂窝下含D2D系统的资源分配问题,提出一种基于二部超图的资源分配算法。首先,以最大化系统和速率为目标,将该问题建模为一个整数规划问题。为求解该NP-hard问题,相继提出二部超图的概念、二部超图边的感知比较构造法则以及基于二部超图的链路匹配算法。仿真结果表明,与二部图算法相比,所提算法在同等条件下可将系统频谱效率提升40b/s/Hz左右,同时可将系统容量提升0.5倍左右。     

基于二分图的协作通信中继选择技术*

合理的中继选择对于提升协作通信系统的能效具有重要意义。针对多用户多中继协作通信系统,为获得较高的系统能效并降低系统的复杂度,提出了基于二分图的中继选择策略,将协作通信系统中继选择问题转化为带权二分图的最大匹配问题。首先将用户节点与待选择的中继节点建模为二分图的顶点,根据中继的协作范围确定二分图的边集,然后将不同的协作组合所产生的能效给各边赋权,最后通过KM算法求解该带权二分图的最大匹配。仿真结果表明,相比于其它中继选择算法,该策略能够有效提高系统能效,同时具有低复杂度的优点。     

基于多层二部图的高光谱模糊聚类算法

针对传统模糊聚类算法对初始聚类中心非常敏感以及对高光谱图像处理效果不佳的问题,为减少聚类数据的复杂度、降低聚类过程的计算成本以提升聚类性能,提出了一种基于多层二部图的高光谱模糊聚类算法。首先使用SuperPCA预处理方法对超像素分割得到的每个同质区域进行PCA来学习HSI数据不同区域的固有低维特征,从而获得高光谱数据的低维表示;其次,构造一个多层二部图矩阵来描述数据点和锚点之间的关系,降低了计算复杂度;最后,在模糊聚类中加入基于多层二部图的非负正则项来约束模糊隶属度矩阵的解空间。在Indian Pines和Pavia University数据集上进行的实验表明,所提算法能提高聚类效果与性能。     

Graphical Inference for Multiple Intrusion Detection

In this paper, we consider vulnerabilities of networked systems and develop a multiple intrusion detection system (MIDS) which operates by running belief propagation on an appropriately constructed weighted bipartite graph. In this bipartite graph, one set of nodes represents the different types of intrusions that are possible, the other set of nodes represents the set of significant measures that are available, and the (weighted) connections represent the dependence of a certain measure on a particular type of intrusion. We assume that the effect of each active intrusion on a particular significant measure is superimposed on the normal operation of that measure; thus, we are able to obtain a complete representation of the overall bipartite graph model by superimposing the simpler graphs associated with each individual intrusion. The key ingredient of our MIDS is the development of a modified belief propagation max-product algorithm (MPA) that avoids the exponential complexity of the original MPA by limiting, during the iteration process, the number of active intrusions that are connected to a particular measure. Our simulation results indicate that the proposed MIDS performs well in detecting both single and multiple intrusions with a very low false alarm rate.