期刊文献+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
共找到2篇文章
< 1 >
每页显示 20 50 100
已选择0条
导出题录 引用分析
参考文献
引证文献
 统计分析
检索结果
已选文献
显示方式：
基于区间数的不确定性数据聚类算法:UD-OPTICS 被引量：3
1
作者 吴翠先 何少元 《计算机工程与科学》 CSCD 北大核心 2019年第7期1303-1311,共9页
在不确定性数据聚类算法的研究中,普遍需要假设不确定性数据服从某种分布,继而获得表示不确定性数据的概率密度函数或概率分布函数,然而这种假设很难保证与实际应用系统中的不确定性数据分布一致。现有的基于密度的算法对初始参数敏感,... 在不确定性数据聚类算法的研究中,普遍需要假设不确定性数据服从某种分布,继而获得表示不确定性数据的概率密度函数或概率分布函数,然而这种假设很难保证与实际应用系统中的不确定性数据分布一致。现有的基于密度的算法对初始参数敏感,在对密度不均匀的不确定性数据聚类时,无法发现任意密度的类簇。鉴于这些不足,提出基于区间数的不确定性数据对象排序识别聚类结构算法(UD-OPTICS)。该算法利用区间数理论,结合不确定性数据的相关统计信息来更加合理地表示不确定性数据,提出了低计算复杂度的区间核心距离与区间可达距离的概念与计算方法,将其用于度量不确定性数据间的相似度,拓展类簇与对象排序识别聚类结构。该算法可很好地发现任意密度的类簇。实验结果表明,UD-OPTICS算法具有较高的聚类精度和较低的复杂度。 展开更多
关键词 不确定性数据 区间数 密度聚类算法 OPTICS
下载PDF
结合用户社区和评分矩阵联合社区的推荐算法研究 被引量：2
2
作者 文凯 朱传亮 何少元 《小型微型计算机系统》 CSCD 北大核心 2019年第10期2119-2124,共6页
当前基于社区的推荐算法虽然对大数据集的处理能力有所提高,但都是基于单一的社区结构,因此推荐精度损失很大.针对这个问题,本文提出一种结合用户社区和评分联合社区的推荐模型,首先利用用户间的信任关系和相似性构造用户间的新的相似度... 当前基于社区的推荐算法虽然对大数据集的处理能力有所提高,但都是基于单一的社区结构,因此推荐精度损失很大.针对这个问题,本文提出一种结合用户社区和评分联合社区的推荐模型,首先利用用户间的信任关系和相似性构造用户间的新的相似度,通过K-means算法进行用户社区的发现,以改善用户社区挖掘的效果;之后针对用户-项目评分矩阵中的用户和项目同时进行聚类,可以发现用户-项目的联合社区;最后将用户社区结构融入到面向联合社区的矩阵分解模型中.在Epinions数据集上与其他算法进行了对比实验,实验采用均方根误差(RMSE)和平均绝对误差(MAE)进行评价,结果表明改进算法相比其他传统算法在推荐准确率上有所提高,在保证一定推荐效率的同时提高了推荐的精度. 展开更多
关键词 信任关系 用户社区 联合社区 矩阵分解 推荐系统
下载PDF
已选择0条
导出题录 引用分析
参考文献
引证文献
 统计分析
检索结果
已选文献
上一页 1 下一页 到第 页
使用帮助 返回顶部