一种改进的综合Borda元搜索引擎结果排序算法

在传统的元搜索引擎中采用了Borda排序算法,即根据成员引擎检索结果的相关位置赋予一定分值,求和后按总分递减排序。这对各个成员引擎检索结果重叠度较高的检索排序非常有效,但对独立的搜索结果效果不好,速度较慢。另有根据检索字符串和检索结果的标题、摘要等相似度进行排序,这种排序快速,实现简单,但返回的信息简单,可能导致摘要信息多的排在前面,而不是内容相关的高的排在前面。针对这两种算法的不足,提出了一种改进的综合Borda排序算法,计算检索字符串和结果标题、摘要的相似度,再把相似度作为相关分值进行排序,它综合了两种算法。实验结果表明,他的查准率优于传统的Borda算法。     

基于投票模型的元搜索排序合成算法

排序合成问题是元搜索引擎研究的一个重要方面。该文分析了基于投票模型的排序合成问题。在讨论2个常用的投票规则Borda和Condorcet的基础上，介绍了用图论算法实现的淘汰投票算法，包括Kemeny算法。针对Kemeny算法是NP-hard问题，提出了一种易于实现的启发式淘汰投票算法，并且利用TREC数据集进行实验比较这些方法。实验结果表明，淘汰投票算法与Borda算法执行效果相当，有时甚至超过Borda算法。     

非最小平方误差局部-全局加权融合的稀疏表示遮挡人脸识别

考虑到图像遮挡后部分局部信息属性改变,在利用最小残差判决函数分类时,各类残差可能因较接近而导致分类错误。针对此问题,从分类器判决函数出发,提出基于稀疏系数累积的局部-全局加权融合的稀疏表示遮挡人脸识别算法。该算法主要利用各类稀疏表示系数累积作为判决函数,使用Borda投票机制进行分类。利用系数累积进行全局分类,然后对局部各块分类,考虑到子块作用不同,利用稀疏度和残差两个参数表示其可信度权重,最后将全局和局部融合Borda投票,统计各类投票总数,实现分类。在公用数据库进行实验,结果表明该算法具有较好的有效性和鲁棒性。     

结合分词技术与语句相似度的主观题自动判分算法

针对网络考试系统中主观题自动评分面临的困难和问题,提出一种基于中文分词技术结合语句相似度的主观题自动判分算法.该算法利用字典与统计相结合技术将语句切分成具有独立意义的单词,通过计算词与词之间的相似度,并结合词形、词序和语句长度等多层次相似度计算得到整句的相似度.利用语句相似度计算结合改进关键字匹配算法得到最终分值.经课题中多媒体简答题的测试,结果表明了该算法的有效性.     

基于标签相似度的不良信息多标签分类方法

在多标记分类中,标签与标签之间的相关关系是影响分类效果的一个重要因子。而传统的经典多标签分类方法如BR算法,ML-KNN算法等,忽略了标签之间的相关关系对实际分类的影响,分类效果一直不能令人满意。面对类别关联度极高的不良信息的多标签分类,分类效果更是大打折扣。针对上述问题,本文改进一种经典的多标签分类算法RAkEL,首先根据训练文本计算出各标签之间的相似度系数,然后再根据自定义不良信息层次关系计算出综合标签相似度系数矩阵,最后在RAkEL算法投票过程中根据综合标签相似度与中心标签重新确定最终的结果标签集合。与传统的分类方法在真实的语料库上进行多标签分类效果对比,实验证明,该方法在对不良信息分类具有较好的效果。     

填补法和改进相似度相结合的协同过滤算法

针对稀疏的用户评分数据,国内外学者对协同过滤算法做了很多改进,归纳为填充法、改进相似度方法、结合内容的推荐等,这些单一方法都不能真正解决数据稀疏的问题。针对这个问题,提出一种填充法和改进相似度相结合的协同过滤算法。该算法首先利用填充法随机填充部分数据,改进的填充法预测评分时融入了项目属性信息,然后利用填充后的数据和新相似度方法做推荐,产生推荐结果,迭代m次,按照迭代m次被推荐项目平均评分的高低进行最后的推荐。实验表明,在数据稀疏的情况下,该算法与单一的方法比有更好的推荐效果。     

一种改进Borda分值的决策方法

针对传统的Borda法存在无法反映方案之间优劣程度和容易被操纵的缺陷,设计了一种Borda分修正算法。该算法充分考虑了全局成员和单个成员两方面的利益,借鉴模糊Borda法变换得分值和SPAN法中成员相互作用的全局思想,对Borda分矩阵进行修正;根据 加权和公式集结方案的综合值进行方案排序;最后,通过一个算例验证了该算法的可行性与准确性。     

一种概念相似度传播改进算法

相似度传播在本体概念相似度计算中有着重要的作用,常见的相似度传播算法大都采用固定比例的相似度传播值,未对相似度转播值进行合理的定量分析。针对以上问题,提出一种概念相似度传播改进算法,该算法根据匹配节点的概念信息量大小判断其子父节点匹配概率大小,通过匹配概率大小调整相似度传播值,从而进行更精确的相似度传播。理论分析与实验结果证明该算法是有效的。     

改进填补法和多权重相似度相结合的推荐算法

针对传统推荐算法中存在的数据稀疏性问题,国内外许多研究人员都提出了相应的推荐算法。然而,在个性化推荐方面,其中大多数并没有取得很好的推荐效果。因此,提出改进填补法和多权重相似度相结合的推荐算法,该算法首先采用改进填补法填充缺失值并对数据降维,接着分别计算社交网络用户信任度和改进的二部图用户关联度,最后采用多权重因子将这两者相似度进行结合。基于此,该算法根据相似度高低获取邻居用户并对目标用户进行商品推荐。实验结果表明,在数据稀疏性以及个性化推荐情况下,该算法的平均绝对误差（MAE）优于其他推荐方法。     

基于异构信息网络的学生成绩预测与预警模型研究

推荐系统是数据挖掘中强有力的技术,异构信息网络是推荐系统起步晚却发展迅猛的主流推荐方法。提出了基于异构信息网络的学生成绩预测与预警模型,该方法通过元路径计算得到学生间相似度矩阵,利用相似度矩阵构造成绩变化趋势矩阵和幅度矩阵,投票得到学生成绩预警与预测结果;最后,在公开数据集上验证所提模型的有效性,结果表明,该模型能够对学生成绩进行预警,并能在一定阈值下预测学生成绩具体分值。     

基于几何约束投票的图像特征匹配

为了改进单纯依靠相似度的图像特征匹配效果,提出了一种特征匹配方法,采用投票的方法在特征匹配的过程中引入几何约束。首先根据特征的描述向量进行初步的快速匹配,得到候选特征对以后通过投票的手段在特征之间相似度矩阵中引入一种鲁棒的几何约束,并通过自适应阈值过滤的方法获得图像特征匹配。在实验中验证了该方法对图像特征匹配正确与否具有较强的区分能力,在与已有技术接近的计算时间内得到了更高的匹配准确度。基于几何约束投票的图像特征匹配比单纯依靠相似度具有更好的匹配效果。     

基于图学习的社会网络图像标签排序算法

提出一种社会网络图像标签排序算法。将SIFT特征、卷积神经网络特征以及视觉词袋模型相结合,从图像训练集中获取目标图像的视觉近邻图像集;令所有视觉近邻图像为目标图像的初始标签进行加权投票,通过对图像视觉相似度和标签语义相似度的线性融合,计算投票权值;利用目标图像及其视觉近邻图像的标签,构造标签图模型;利用加权投票结果在标签图上执行随机漫步,完成标签排序任务。实验结果验证了提出方法的有效性。     

一种基于互补投票的高效光流计算方法

描述了一个基于互补投票的高效、带有信赖度的光流计算方法,简称CMV方法.为了计算一个感兴趣区域的光流, 我们首先分割这个区域为若干个子区域,然后利用一个匹配策略计算每一个子区域的相似度分布.这些相似度分布被用来抽取两种类型的投票角色:正投票和负投票.随后,这两种投票角色在一个准则的控制下被用来获取一个最优的投票结果, 这个投票结果将决定光流及其信赖度. 为了削减CMV的计算复杂度,我们提出了一个基于正投票的(PV-based)负投票策略.实验结果显示,CMV方法能够有效计算低质量图像序列的光流,并且这个新的负投票策略在几乎没有影响性能的情况下极大地削减了算法的计算复杂度.     

Generalized Hough Transform Using Regions with Homogeneous Color

A novel generalized Hough transform algorithm which makes use of the color similarity between homogeneous segments as the voting criterion is proposed in this paper. The input of the algorithm is some regions with homogeneous color. These regions are obtained by first pre-segmenting the image using the morphological watershed algorithm and then refining the resultant outputs by a region merging algorithm. Region pairs belonging to the object are selected to generate entries of the reference table for the Hough transform. Every R-table entry stores a relative color between the selected region pairs. This is done in order to compute the color similarity and in turn generate votes during the voting process and some relevant information to recover the transformation parameters of the object. Based on the experimental results, our algorithm is robust to change of illumination, occlusion and distortion of the segmentation output. It recognizes objects which were translated, rotated, scaled and even located in a complex environment.     

Algorithms for the coalitional manipulation problem

We investigate the problem of coalitional manipulation in elections, which is known to be hard in a variety of voting rules. We put forward efficient algorithms for the problem in Borda, Maximin and Plurality with Runoff, and analyze their windows of error. Specifically, given an instance on which an algorithm fails, we bound the additional power the manipulators need in order to succeed. We finally discuss the implications of our results with respect to the popular approach of employing computational hardness to preclude manipulation.     

A Region Ensemble for 3-D Face Recognition

In this paper, we introduce a new system for 3D face recognition based on the fusion of results from a committee of regions that have been independently matched. Experimental results demonstrate that using 28 small regions on the face allow for the highest level of 3D face recognition. Score-based fusion is performed on the individual region match scores and experimental results show that the Borda count and consensus voting methods yield higher performance than the standard sum, product, and min fusion rules. In addition, results are reported that demonstrate the robustness of our algorithm by simulating large holes and artifacts in images. To our knowledge, no other work has been published that uses a large number of 3D face regions for high-performance face matching. Rank one recognition rates of 97.2% and verification rates of 93.2% at a 0.1% false accept rate are reported and compared to other methods published on the face recognition grand challenge v2 data set.     

影响最大化问题中基于K-truss的投票改进算法

在社交网络的影响最大化（IM）问题中,近似算法通过大量的Monte-Carlo模拟计算节点集的影响范围,导致时间复杂度提高,而多数启发式算法在具有不同拓扑结构的图上存在稳定性较差的问题。提出基于K-truss的改进投票算法TrussVote。在投票阶段,通过引入K-truss的相关理论及算法定义节点的有效投票能力,用于表示节点对其不同邻居的投票倾向,同时在计算得票分数时考虑边的传播概率,提高解决IM问题的效率。在每轮投票结束后,将得票分数最高的节点选为种子节点。在更新阶段,结合节点间的相似性指标定义衰减因子,以有效区分邻居节点投票能力的弱化程度。此外,基于IC模型下的原始传播结果,提出传播差异作为传播范围的等价分析指标。在不同规模真实网络数据集上的实验结果表明,相比RNR、VoteRank++等算法,该算法不仅能有效降低时间复杂度,而且可在最短的时间内感染更多的节点,具有广泛的影响范围。     

基于异常值的拟态裁决优化方法

针对拟态裁决器多数一致性表决算法的优化方法,提出用异常检测的方法直接量化数据可靠性来提升表决正确率.基于异常值的表决算法,通过构建拟态系统异构执行体输出数据集和训练深度学习异常检测模型量化了执行体输出数据异常值;使用权值优化算法优化加权分配,在表决时选择最优加权结果作为表决输出结果.实验结果表明,该方法能够提升拟态裁决器的表决输出正确率,具有一定共模逃逸检测能力,提升了系统的安全性和可靠性.