在实际分类决策中,序贯三支决策模型为决策者提供了一个渐进式的决策方法.然而,现有序贯三支决策模型的研究从提高分类精度或减少不确定性的动机来求取每一粒层的决策阈值,缺乏对二者的综合考虑.为了解决这个问题,本文结合博弈论的思想...在实际分类决策中,序贯三支决策模型为决策者提供了一个渐进式的决策方法.然而,现有序贯三支决策模型的研究从提高分类精度或减少不确定性的动机来求取每一粒层的决策阈值,缺乏对二者的综合考虑.为了解决这个问题,本文结合博弈论的思想构建了基于错误分类率与边界域不确定性博弈的序贯三支决策模型.首先,分析了序贯三支决策模型中边界域不确定性与决策区域错误分类率的变化关系并构建了二者之间的博弈;其次,从博弈终止的条件出发,基于纯策略纳什均衡原理,提出了求取每一粒层自适应决策阈值的优化模型;再次,为了比较不同模型的效果,从多目标决策的角度,设计了基于TOPSIS(Technique for Order Preference by Similarity to an Ideal Solution)的阈值选取方法;最后,通过UCI数据集进行了两种模型的对比实验.实验结果表明:基于博弈论的序贯三支决策模型求取的决策阈值具有更小的错误分类率以及更合理的阈值结构.展开更多
虽然协同过滤可以实现用户的个性化推荐,但是大多数协同过滤及其改进模型未考虑用户和项目等特征,因而不能发掘样本间的非线性关系.与协同过滤相比,深度学习能挖掘丰富的用户兴趣模式,但网络拓扑结构是基于二支决策的方式,忽略了推荐样...虽然协同过滤可以实现用户的个性化推荐,但是大多数协同过滤及其改进模型未考虑用户和项目等特征,因而不能发掘样本间的非线性关系.与协同过滤相比,深度学习能挖掘丰富的用户兴趣模式,但网络拓扑结构是基于二支决策的方式,忽略了推荐样本的难易程度.为了增强模型的非线性表达,同时区分推荐样本的难易,受序贯三支决策的启发,提出序贯三支决策神经网络个性化推荐模型(personalized recommendation model based on sequential three-way decision with single feedforward neural network, STWD-SFNN-PR).首先,为了将高维稀疏特征向量映射为低维稠密的特征向量, STWD-SFNN-PR采用嵌入进行特征处理.其次,在增量式的网络结构中学习推荐样本,使用Adam优化网络参数,并返回难以推荐的样本.再次,利用序贯三支决策增加延迟决策的策略,并在不同的粒度层采用序贯的阈值,从而动态地实现难以推荐样本的划分.最后,为了验证模型的可行性和有效性,选择多种电影推荐数据集进行研究,并选择经典的神经网络推荐、经典的深度学习推荐和最新的三支协同过滤推荐进行对比.实验结果表明, STWD-SFNN-PR具有更优的推荐质量.展开更多
序贯三支决策是近年来发展起来的一种新兴粒计算模型,由于其在处理代价敏感问题上的明显优势,已被广泛的应用于诸多领域.为了降低传统静态分类器的分类成本,本文将序贯三支决策的思想引入分类过程中,利用"三分而治"的动态分...序贯三支决策是近年来发展起来的一种新兴粒计算模型,由于其在处理代价敏感问题上的明显优势,已被广泛的应用于诸多领域.为了降低传统静态分类器的分类成本,本文将序贯三支决策的思想引入分类过程中,利用"三分而治"的动态分类策略和多粒度的静态分类器对样本进行差异化处理,进一步考虑粒化过程中虑冗余属性和属性添加顺序对分类结果的影响,通过引入Wrapper特征选择框架对属性进行选择和排序,提出了Wrapper特征选择下的序贯三支分类方法(Wrapper with Sequential three-way classifier,WS3WC).最后,以两种经典分类器逻辑回归(LOG)和支持向量机(SVM)为例,对WS3WC进行实验验证.实验结果表明,WS3WC不但保持了良好的分类质量,而且能够大幅降低分类成本.展开更多
文摘在实际分类决策中,序贯三支决策模型为决策者提供了一个渐进式的决策方法.然而,现有序贯三支决策模型的研究从提高分类精度或减少不确定性的动机来求取每一粒层的决策阈值,缺乏对二者的综合考虑.为了解决这个问题,本文结合博弈论的思想构建了基于错误分类率与边界域不确定性博弈的序贯三支决策模型.首先,分析了序贯三支决策模型中边界域不确定性与决策区域错误分类率的变化关系并构建了二者之间的博弈;其次,从博弈终止的条件出发,基于纯策略纳什均衡原理,提出了求取每一粒层自适应决策阈值的优化模型;再次,为了比较不同模型的效果,从多目标决策的角度,设计了基于TOPSIS(Technique for Order Preference by Similarity to an Ideal Solution)的阈值选取方法;最后,通过UCI数据集进行了两种模型的对比实验.实验结果表明:基于博弈论的序贯三支决策模型求取的决策阈值具有更小的错误分类率以及更合理的阈值结构.
文摘虽然协同过滤可以实现用户的个性化推荐,但是大多数协同过滤及其改进模型未考虑用户和项目等特征,因而不能发掘样本间的非线性关系.与协同过滤相比,深度学习能挖掘丰富的用户兴趣模式,但网络拓扑结构是基于二支决策的方式,忽略了推荐样本的难易程度.为了增强模型的非线性表达,同时区分推荐样本的难易,受序贯三支决策的启发,提出序贯三支决策神经网络个性化推荐模型(personalized recommendation model based on sequential three-way decision with single feedforward neural network, STWD-SFNN-PR).首先,为了将高维稀疏特征向量映射为低维稠密的特征向量, STWD-SFNN-PR采用嵌入进行特征处理.其次,在增量式的网络结构中学习推荐样本,使用Adam优化网络参数,并返回难以推荐的样本.再次,利用序贯三支决策增加延迟决策的策略,并在不同的粒度层采用序贯的阈值,从而动态地实现难以推荐样本的划分.最后,为了验证模型的可行性和有效性,选择多种电影推荐数据集进行研究,并选择经典的神经网络推荐、经典的深度学习推荐和最新的三支协同过滤推荐进行对比.实验结果表明, STWD-SFNN-PR具有更优的推荐质量.
文摘序贯三支决策是近年来发展起来的一种新兴粒计算模型,由于其在处理代价敏感问题上的明显优势,已被广泛的应用于诸多领域.为了降低传统静态分类器的分类成本,本文将序贯三支决策的思想引入分类过程中,利用"三分而治"的动态分类策略和多粒度的静态分类器对样本进行差异化处理,进一步考虑粒化过程中虑冗余属性和属性添加顺序对分类结果的影响,通过引入Wrapper特征选择框架对属性进行选择和排序,提出了Wrapper特征选择下的序贯三支分类方法(Wrapper with Sequential three-way classifier,WS3WC).最后,以两种经典分类器逻辑回归(LOG)和支持向量机(SVM)为例,对WS3WC进行实验验证.实验结果表明,WS3WC不但保持了良好的分类质量,而且能够大幅降低分类成本.
