排序方式: 共有24条查询结果,搜索用时 0 毫秒
1.
2.
在统计机器翻译中融入有价值的句法层面的语言学知识,对于推动统计机器翻译的发展,具有重要的理论意义和应用价值。提出了三种由简到繁的把双语最大名词短语融入到统计翻译模型的策略,整体翻译性能逐步上升。Method-III采用“分而治之”的策略,以“硬约束”的方式在统计机器翻译中融入最大名词短语,并在双语最大名词短语层面上,融合了短语翻译模型和层次短语模型,对翻译系统的改善最显著。所述策略显著提高了短语翻译模型的质量,在复杂长句翻译中,Method-III的BLEU值比基于短语的基线翻译模型提高了3.03%。 相似文献
3.
基于LBSN的兴趣点推荐存在用户签到矩阵稀疏、推荐精度不高、上下文信息利用不充分等问题,提出一种融合社交信任的矩阵分解算法TGMF(Trust-Geo?Matrix?Factorization)来缓解以上问题。利用BPR模型优化矩阵分解的过程,改进偏序关系的生成策略。把信任影响和相似度计算相结合,提高推荐精度。融合两种模型得到用户的最终偏好列表。把偏好列表中的top-[k]个兴趣点推荐给用户。实验结果表明,在真实数据集Gowalla和Foursquare上,TGMF算法在准确率和召回率两个指标上均优于传统的兴趣点推荐算法。 相似文献
4.
针对物品流行偏置现象,将物品流行度引入到用户兴趣中建模,提出了基于物品流行度的用户兴趣特征相似度模型。针对传统模型没有考虑到用户兴趣稳定性和难以实时捕获用户兴趣问题,在计算用户兴趣相似度过程中引入时间敏感和兴趣稳定性,提出了引入时间敏感的用户兴趣稳定性的相似度模型。最后,融合权重因子将两种相似度模型线性加权,提出了一种新颖的IPSTS算法模型。实验表明,该算法相比传统协同过滤算法在平均绝对误差(MAE)和均方根误差(RMSE)上均有明显降低的同时也能挖掘出长尾物品,缓解了物品流行偏置现象。 相似文献
5.
传统的矩阵分解模型无法充分探索用户与物品在均值、偏置和特征之间的内在联系,提出拟合矩阵模型,通过构建用户与物品矩阵分别代表用户与物品特性来提高预测性能。矩阵分解模型在推荐系统领域有精度优势,但求解模型参数最常用的梯度下降法收敛速度缓慢,因此考虑与拟牛顿法融合,加快收敛速度。提出的算法命名为拟合矩阵与两阶融合迭代加速推荐算法(fitting matrix and two orders fusion iterative,FAST),实验表明,FAST算法比传统的非负矩阵分解(NMF)、奇异值矩阵分解(SVD)、正则化奇异值矩阵分解(RSVD)在平均绝对误差(MAE)与均方根误差(RMSE)上有下降,在迭代效率上有显著提高,缓解了精度与迭代效率难以平衡的问题。 相似文献
6.
为了解决传统哈希算法在图像近邻检索任务中的模糊排序问题,提出了模糊序列感知哈希,旨在学习满足首位区分规则的哈希函数,其可直接利用二值编码本身信息区分模糊序列,从而在近邻检索中无需额外计算比特位权值和加权汉明距离,能以较小的代价区分与查询样本具有相同汉明距离的数据点之间的序列。建立了类似于近邻检索性能评价指标平均准确率的目标函数,其属于序列保持约束条件,能够保证数据点对在汉明空间与欧式空间内具有相同的相对相似性,可确保所提算法适应于近邻检索任务。在训练过程中,对二值编码、汉明距离以及判断函数进行了连续化松弛处理,从而可直接采用批量梯度下降算法优化目标函数,降低了训练复杂度。在三种图像数据集上的对比实验证明,模糊序列感知哈希的近邻检索性能较优。 相似文献
7.
新闻每时每刻都在发生,阅读新闻已经成为很多人的习惯。新闻媒体众多,网络媒体凭其迅捷性和便利性成为很多人的首选。网络新闻众多导致新闻过载,这就迫切需要个性化的新闻推荐系统,帮助用户快速地找到感兴趣的新闻。伴随着新闻大数据的产生和移动互联网的蓬勃发展,个性化新闻推荐迎来了新的机遇和挑战。首先介绍了个性化新闻推荐的挑战性;然后提出了个性化新闻推荐系统的基本框架,该框架包含新闻建模、用户建模、推荐引擎和用户接口四个模块,并以该框架为基础,分别综述了每个模块的研究进展,列举了现有的个性化新闻推荐系统中四个模块所采用的技术;最后总结了常用数据集、实验方法、评测指标和未来的研究方向。 相似文献
8.
目前基于哈希技术的推荐算法常用汉明距离表示用户和项目哈希码的相似性,但忽略了哈希码中每位的潜在区别信息,为此提出了一个差异性汉明距离,通过考虑哈希码之间的差异性为哈希码赋予位权重;为差异性汉明距离设计了一个变分推荐模型,该模型分为用户哈希组件和项目哈希组件两部分,以变分自编码器结构连接。首先,模型利用编码器为用户和项目生成哈希码,为提高哈希码的鲁棒性,在哈希码中加入高斯噪声。其次,通过差异性汉明距离优化用户和项目哈希码,以最大限度地提高模型重构用户-项目评分的能力。在两个公开的数据集上的实验结果表明,在计算开销不变的前提下与最先进的哈希推荐算法相比,所提模型在NDCG上提高了3.9%,在MRR上提高了4.7%。 相似文献
9.
传统协同过滤算法大多是围绕如何降低评分误差展开研究,未涉及用户评分过程。本文考虑到用户评分动机和用户本身评分倾向的情况,将用户评分过程分为用户评分和物品选择两个阶段,从预测用户兴趣概率和用户效用角度出发,采用潜在狄利克雷分布模型(LDA)挖掘出用户潜在高效用因子和物品被靶向概率因子,进而将两种因子加权融合作为第一阶段;第二阶段采用奇异值分解预测用户评分值并根据该评分值选择物品。综上,本文提出一种加权高效用因子的两阶段混合推荐算法(hybrid recommendation algorithm based on two-phase weighted high utility factor,Htp_Uf)。在MovieLens数据集上,实验结果表明,该算法在归一化累计折损增益(NDCG)和1-Call两种评价标准下优于其他4种推荐算法,能够有效提高推荐质量。 相似文献
10.
针对评分矩阵和信任矩阵的稀疏性以及推荐精度不高等问题,提出基于社交信任的概率矩阵因子分解推荐算法PMFTrustSVD。该文采用概率矩阵分解算法对信任矩阵进行分解,分别获得用户作为信任者和被信任者的潜在社交偏好;根据用户在作为信任者或被信任者时的偏好不同,将TrustSVD算法中的无向信任矩阵修正为有向矩阵;融合两种算法来预测用户的评分矩阵。在FilmTrust数据集上实验结果表明,该算法优于现有基准算法,能有效缓解用户信任矩阵稀疏的问题并提高推荐精度。 相似文献