随着互联网数量的不断增多,海量的数据信息为互联网用户带来了便利,同时也给推荐系统带来了技术性的挑战。用户-评分矩阵对传统的协同过滤算法具有关键性的作用,然而在大数据时代的背景下,用户面对海量的数据信息,很难对自己喜欢的项目...随着互联网数量的不断增多,海量的数据信息为互联网用户带来了便利,同时也给推荐系统带来了技术性的挑战。用户-评分矩阵对传统的协同过滤算法具有关键性的作用,然而在大数据时代的背景下,用户面对海量的数据信息,很难对自己喜欢的项目全部进行评分,这就造成了评分数据的稀疏,从而影响推荐算法的精度性。针对数据稀疏问题,利用社交网络信息,分别从用户评分、兴趣标签、社交关系三个方面分别建立用户相似度模型,然后采用协同过滤算法将三个模型进行融合,以进行推荐预测。在KDD CUP 2012 Track1数据集上进行实验。实验结果表明,该算法相比传统的协同过滤算法,算法精确度有较好的提高,对于数据稀疏问题也有较好的缓解作用。展开更多
为了克服当前图像匹配方法主要通过测量距离的方法来实现图像匹配,忽略了图像间的相似度,导致算法存在错误匹配较多以及鲁棒性较差的问题。本文提出了基于相似度模型耦合角度制约规则的图像匹配算法。采用FAST检测方法对图像特征进行检...为了克服当前图像匹配方法主要通过测量距离的方法来实现图像匹配,忽略了图像间的相似度,导致算法存在错误匹配较多以及鲁棒性较差的问题。本文提出了基于相似度模型耦合角度制约规则的图像匹配算法。采用FAST检测方法对图像特征进行检测,快速获取鲁棒特征点,以改善算法的匹配正确率。随后,利用SURF特征描述机制,通过计算特征圆域内的Haar小波响应值,对特征点进行描述。引入结构相似度SSIM(structural similarity index measurement)模型,将其与欧氏距离模型相结合,构造相似度模型,从结构相似度与测量距离两方面出发,将特征点进行粗匹配。最后,利用特征点的余弦关系,求取特征点间角度,建立角度制约规则,对粗匹配结果完成优化。实验结果显示:与典型的匹配方法相比,该算法具有更好的匹配性能较好,在多种几何变换下仍具有理想的匹配精度。展开更多
文摘随着互联网数量的不断增多,海量的数据信息为互联网用户带来了便利,同时也给推荐系统带来了技术性的挑战。用户-评分矩阵对传统的协同过滤算法具有关键性的作用,然而在大数据时代的背景下,用户面对海量的数据信息,很难对自己喜欢的项目全部进行评分,这就造成了评分数据的稀疏,从而影响推荐算法的精度性。针对数据稀疏问题,利用社交网络信息,分别从用户评分、兴趣标签、社交关系三个方面分别建立用户相似度模型,然后采用协同过滤算法将三个模型进行融合,以进行推荐预测。在KDD CUP 2012 Track1数据集上进行实验。实验结果表明,该算法相比传统的协同过滤算法,算法精确度有较好的提高,对于数据稀疏问题也有较好的缓解作用。
文摘为了克服当前图像匹配方法主要通过测量距离的方法来实现图像匹配,忽略了图像间的相似度,导致算法存在错误匹配较多以及鲁棒性较差的问题。本文提出了基于相似度模型耦合角度制约规则的图像匹配算法。采用FAST检测方法对图像特征进行检测,快速获取鲁棒特征点,以改善算法的匹配正确率。随后,利用SURF特征描述机制,通过计算特征圆域内的Haar小波响应值,对特征点进行描述。引入结构相似度SSIM(structural similarity index measurement)模型,将其与欧氏距离模型相结合,构造相似度模型,从结构相似度与测量距离两方面出发,将特征点进行粗匹配。最后,利用特征点的余弦关系,求取特征点间角度,建立角度制约规则,对粗匹配结果完成优化。实验结果显示:与典型的匹配方法相比,该算法具有更好的匹配性能较好,在多种几何变换下仍具有理想的匹配精度。
