期刊导航
期刊开放获取
cqvip
退出
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
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
检索
高级检索
期刊导航
共找到
3
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:
文摘
详细
列表
相关度排序
被引量排序
时效性排序
基于互信息的中医症状推荐系统
被引量:
2
1
作者
李颖
王月
+1 位作者
郝建军
王嘉锋
《自动化与信息工程》
2023年第5期52-57,共6页
针对中医诊断过于依赖医生经验的问题,提出一种基于互信息的中医症状推荐系统。首先,对原始病例数据进行中医症状规范化,构建症状术语字典,使系统输入规范的症状;然后,通过互信息计算症状之间的关联性;最后,利用归一化折损累计增益(NDCG...
针对中医诊断过于依赖医生经验的问题,提出一种基于互信息的中医症状推荐系统。首先,对原始病例数据进行中医症状规范化,构建症状术语字典,使系统输入规范的症状;然后,通过互信息计算症状之间的关联性;最后,利用归一化折损累计增益(NDCG)指标验证症状的推荐效果,获得症状的推荐列表。实验结果表明,该系统能根据一个症状或多个症状获得其他相关联的症状,实现中医症状推荐功能。
展开更多
关键词
中医
互信息
症状推荐
数据挖掘
症状术语字典
归一化折损累计增益
下载PDF
职称材料
基于非凸上界的ranking模型构造算法
2
作者
程凡
王煦法
李龙澍
《华南理工大学学报(自然科学版)》
EI
CAS
CSCD
北大核心
2012年第4期57-63,共7页
现有的ranking算法均通过最小化原目标函数的凸上界构造ranking模型,得到的模型不够精确.为此,文中提出一种基于非凸上界的ranking算法.该算法首先给出一个基于多类支持向量机(SVM)的框架,然后定义面向NDCG的目标函数,在此基础上设计一...
现有的ranking算法均通过最小化原目标函数的凸上界构造ranking模型,得到的模型不够精确.为此,文中提出一种基于非凸上界的ranking算法.该算法首先给出一个基于多类支持向量机(SVM)的框架,然后定义面向NDCG的目标函数,在此基础上设计一个比现有的凸上界更为紧凑的非凸上界逼近原目标函数;针对上界函数的非凸非光滑,提出使用凹-凸过程进行凸逼近,并采用割平面算法进行求解;最后,通过在基准数据集上的实验对该算法进行验证,并与现有算法进行对比.结果表明,相比现有的基于凸上界的ranking算法,文中算法得到的模型不但更为精确,而且更加稳定.
展开更多
关键词
ranking算法
非凸上界
NDCG
凹-凸过程
割平面算法
多类支持向量机
下载PDF
职称材料
基于pairwise的改进ranking算法
被引量:
1
3
作者
程凡
仲红
《计算机应用》
CSCD
北大核心
2011年第7期1740-1743,共4页
传统基于pairwise的ranking算法,学习后得到的模型在用NDCG这样的ranking标准评价时效果并不好,对此提出了一种新型ranking算法。该算法也是使用样本对作为训练数据,但定义了一个面向NDCG评估标准的目标函数。针对此目标函数非平滑、难...
传统基于pairwise的ranking算法,学习后得到的模型在用NDCG这样的ranking标准评价时效果并不好,对此提出了一种新型ranking算法。该算法也是使用样本对作为训练数据,但定义了一个面向NDCG评估标准的目标函数。针对此目标函数非平滑、难以直接优化的特点,提出使用割平面算法进行学习,不仅解决了上述问题,而且使算法迭代的次数不再依赖于训练样本对数。最后基于基准数据集的实验证明了算法的有效性。
展开更多
关键词
ranking算法
pairwise方法
支持向量机
NDCG
割平面算法
下载PDF
职称材料
题名
基于互信息的中医症状推荐系统
被引量:
2
1
作者
李颖
王月
郝建军
王嘉锋
机构
东莞中科云计算研究院
广东电子工业研究院有限公司
广州市黄埔区中医院
出处
《自动化与信息工程》
2023年第5期52-57,共6页
基金
2021东莞市标准化研究资助项目。
文摘
针对中医诊断过于依赖医生经验的问题,提出一种基于互信息的中医症状推荐系统。首先,对原始病例数据进行中医症状规范化,构建症状术语字典,使系统输入规范的症状;然后,通过互信息计算症状之间的关联性;最后,利用归一化折损累计增益(NDCG)指标验证症状的推荐效果,获得症状的推荐列表。实验结果表明,该系统能根据一个症状或多个症状获得其他相关联的症状,实现中医症状推荐功能。
关键词
中医
互信息
症状推荐
数据挖掘
症状术语字典
归一化折损累计增益
Keywords
Chinese
medicine
mutual
information
symptoms
recommendation
data
mining
dictionary
of
symptom
terms
normalized
discounted
cumulative
gain
分类号
TP311 [自动化与计算机技术—计算机软件与理论]
下载PDF
职称材料
题名
基于非凸上界的ranking模型构造算法
2
作者
程凡
王煦法
李龙澍
机构
中国科学技术大学计算机科学与技术学院
安徽大学计算机科学与技术学院
出处
《华南理工大学学报(自然科学版)》
EI
CAS
CSCD
北大核心
2012年第4期57-63,共7页
基金
国家自然科学基金资助项目(60875027)
安徽省自然科学基金资助项目(090412054
+5 种基金
1104060M141
1208085QF120)
安徽省科技攻关计划重大科技专项项目(08010201002)
安徽省高校优秀青年人才资助项目(2012SQRL016)
安徽大学计算智能与信号处理教育部重点实验室开放基金资助项目
安徽大学青年科学基金资助项目(KJQN1119)
文摘
现有的ranking算法均通过最小化原目标函数的凸上界构造ranking模型,得到的模型不够精确.为此,文中提出一种基于非凸上界的ranking算法.该算法首先给出一个基于多类支持向量机(SVM)的框架,然后定义面向NDCG的目标函数,在此基础上设计一个比现有的凸上界更为紧凑的非凸上界逼近原目标函数;针对上界函数的非凸非光滑,提出使用凹-凸过程进行凸逼近,并采用割平面算法进行求解;最后,通过在基准数据集上的实验对该算法进行验证,并与现有算法进行对比.结果表明,相比现有的基于凸上界的ranking算法,文中算法得到的模型不但更为精确,而且更加稳定.
关键词
ranking算法
非凸上界
NDCG
凹-凸过程
割平面算法
多类支持向量机
Keywords
ranking
algorithm
non-convex
upper
bound
normalized
discounted
cumulative
gain
concave-convex
procedure
cutting
plane
algorithm
multi-class
support
vector
machine
分类号
TP181 [自动化与计算机技术—控制理论与控制工程]
下载PDF
职称材料
题名
基于pairwise的改进ranking算法
被引量:
1
3
作者
程凡
仲红
机构
安徽大学计算机科学与技术学院
中国科学技术大学计算机科学与技术学院
出处
《计算机应用》
CSCD
北大核心
2011年第7期1740-1743,共4页
基金
安徽省自然科学基金资助项目(11040606M141)
安徽省自然科学基金青年基金资助项目(11040606Q07)
安徽大学"211工程"资助项目
文摘
传统基于pairwise的ranking算法,学习后得到的模型在用NDCG这样的ranking标准评价时效果并不好,对此提出了一种新型ranking算法。该算法也是使用样本对作为训练数据,但定义了一个面向NDCG评估标准的目标函数。针对此目标函数非平滑、难以直接优化的特点,提出使用割平面算法进行学习,不仅解决了上述问题,而且使算法迭代的次数不再依赖于训练样本对数。最后基于基准数据集的实验证明了算法的有效性。
关键词
ranking算法
pairwise方法
支持向量机
NDCG
割平面算法
Keywords
ranking
algorithm
pairwise
method
Support
Vector
Machine(SVM)
normalized
discounted
cumulative
gain
(NDCG)
cutting
plane
algorithm
分类号
TP181 [自动化与计算机技术—控制理论与控制工程]
下载PDF
职称材料
题名
作者
出处
发文年
被引量
操作
1
基于互信息的中医症状推荐系统
李颖
王月
郝建军
王嘉锋
《自动化与信息工程》
2023
2
下载PDF
职称材料
2
基于非凸上界的ranking模型构造算法
程凡
王煦法
李龙澍
《华南理工大学学报(自然科学版)》
EI
CAS
CSCD
北大核心
2012
0
下载PDF
职称材料
3
基于pairwise的改进ranking算法
程凡
仲红
《计算机应用》
CSCD
北大核心
2011
1
下载PDF
职称材料
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
确定
用户登录
登录
IP登录
使用帮助
返回顶部