信任传递的矩阵分解推荐算法

针对协同过滤推荐系统中数据稀疏性导致推荐准确性低下问题,提出信任传递的矩阵分解推荐算法.该算法利用用户社交网络的直接信任关系,基于信任传递思想,预测用户在社交网络中的间接信任关系,以解决社交网络信任关系的稀疏性问题.该算法使用填充后的社交网络信任数据,预测填充用户评分数据,以解决用户评分数据的稀疏性问题;将处理后的用户评分数据在基于正则化迭代最小二乘方法推荐系统中进行应用,取得良好效果.实验结果表明：使用Epinions数据集,相比传统的矩阵分解算法,该算法的平均绝对误差下降了10.77﹪.     

基于 EM聚类和用户评分的产品营销与推荐策略研究

网络技术的发展,特别是最近几年来“互联网＋”和大数据的发展,给企业产品营销带来了极大的机遇和挑战。相较于传统的通过简单粗暴的价格战来达到营销目的,一些企业通过对数据的充分利用和挖掘而在商战中获胜。利用数据融合技术从互联网大数据中挖掘用户的行为信息,通过分析消费者的个性化需求,利用 EM聚类算法构建基于模型的协同过滤推荐算法,给消费者推荐可能喜欢的产品,开展个性化主动营销服务;制定相应的个性化产品营销策略,从而提高产品销售的数量及产品推荐的成功率。利用从亚马逊网上书城获取的数据进行实验,验证了综合 EM聚类和用户评分方法具有较好的推荐效果。     

基于矩阵奇异值分解的空间谱估计算法

本文提出了一种利用矩阵奇异值分解来作空间谱估计的方法,即对由天线阵获取的数据所构成的数据矩阵作奇异值分解、删除来自噪声的贡献的诸最小奇异值以改善信噪比,并利用噪声奇异向量和天线阵的方向向量正交的性质来计算空间谱。除了奇异值分解算法本身给计算稳定性带来好处外,本方法的谱估计性能和计算量均优于近几年来国外广泛关注的一种谱估计算法——MUSIC算法。本方法可用于高分辨的测向系统中。     

广义延拓矩阵的QR分解

文章对广义拓矩QR进行分解,阐明Q矩阵、R矩阵与母矩阵的Q矩阵、R矩阵之间的定量关系,结出了两种快速算法.     

基于用户和基于项目结合的个性化推荐算法

这篇文章说明了一种新的推荐算法,结合基于用户的协同过滤算法和基于项目的协同过滤算法各自的优点,在新算法中,首先利用基于用户的协同过滤算法确定一定数量的邻居,以保证推荐的个性化,然后在确定的邻居数据集上利用基于项目的算法模型进行推荐。最后将这种新算法和基于项目的协同过滤算法进行比较,实验结果表明这种新算法只用一少部分部分的最相似邻居用户就能得到基于项目算法的推荐质量,而且要比基于项目的推荐更加个性化。     

广义延拓矩阵的奇异值分解

具有广义行或列对称性结构的矩阵（即广义延拓矩阵）的奇异值和奇异向量与原矩阵（母矩阵）的奇异值和奇异向量存在定量关系,从而对于广义延拓矩阵的奇异值分解,可利用母矩阵奇异值分解来实现。这不但可以节省计算量和运算量,而且不影响任何数据的精度。     

五对角矩阵的分解及其逆元素的快速算法

提出了五对角矩阵的一种分解方法,其运算量比建立在Gaussian消元法基础上的LU方法运算量少,拓广了相应文献的结果,给出了n阶五对角矩阵的扭曲分解式,得到了五对角矩阵逆矩阵元素的快速算法,结果推广到块五对角矩阵。     

实对称矩阵的广义Cholesky分解及扰动

设N为实对称矩阵，证得当p（N）〈1时。存在唯一分解J＋N=（I＋L）J（I＋L）^T；在此基础上，得到一些新的扰动结论，对以往的结果略有改进。     

矩阵分解的多步修正算法

讨论了基于矩阵分解的多步修正算法。特别对由Jacobi矩阵的LU分解、QR分解的修正矩阵所构成的多步Newton型方法作了详细讨论。数值实验表明,这些算法的计算结果是令人满意的。     

行(列)对称矩阵的满秩分解和正交对角分解

提出了行(列)转置矩阵与行(列)对称矩阵的概念,研究了其性质,给出了行(列)对称矩阵的满秩分解和正交对角分解公式,极大地减少了行(列)对称矩阵的满秩分解和正交对角分解的计算量与存储量,且没有降低数值精度.     

基于协同过滤的高校图书个性化推荐算法研究

针对高校图书推荐存在数据稀疏性和推荐结果质量不高的问题,提出了一种基于协同过滤的高校图书推荐算法.该算法利用图书分类号代替具体图书,应用改进的布尔型相似度计算方法,根据学院分组计算用户相似度,解决了数据稀疏性问题,提高了算法效率.通过定义课程计划、用户兴趣域和流行图书的影响力,建立了图书类别的评价模型.根据类别评价确定各类别推荐数量,提高了推荐结果的质量和多样性.实验结果表明,算法能够有效识别用户感兴趣的图书类别,并且图书推荐质量更好.     

基于用户偏好的垂直搜索算法

提出并研究、实现了基于用户偏好的垂直搜索算法(PVSA)。以领域特征为基本出发点,PVSA借助领域主题偏好向量、领域元数据权重因子、检索名词差异化、行业词典库更新等4项策略,有效地挖掘、表征用户的领域个性化偏好,以此为基础构建基于用户偏好的垂直搜索算法。实验结果表明了PVSA算法的有效性和可行性。     

基于跨电商行为的交叉推荐算法

利用百分点科技推荐引擎提供的原始数据,分析了用户跨电商的行为,提出了一种可在多个电商之间进行交叉推荐的算法。结果证明,该算法不仅在精确性上较完全冷启动的随机推荐有巨大的提高,而且所推荐的商品可以保持相当的多样性与新颖性。分析显示有约5%～10%的点击、收藏和购买行为发生在有交叉行为的用户身上,这些用户的活跃性明显强于非交叉用户。这些结果暗示交叉用户可能是网上购物的重度用户。该文展现了全新的研究思路,研讨了全新的分析对象,其思路和结果对于电子商务研究有重要价值。     

基于支持向量机的企业现金流量评级

为了防范信贷风险,商业银行对企业的现金流量评级十分重视。这篇文章把企业现金流量分为三类:充足、一般和不足,然后把支持向量机(SVM)应用到企业现金流量评级研究中。通过实证研究表明,在现金流量评级问题中,SVM比BP神经网络更具有优越性。     

基于语义扩展的数字图书馆知识推荐系统

构建个性化知识推荐系统是数字图书馆实现个性化信息服务的有效手段,推荐服务的关键在于完整地理解用户兴趣并准确作出推荐.文章提出了一种基于语义扩展的知识推荐方法,通过分析读者文献检索、浏览的行为提取读者偏好.利用扩展激活模型扩充读者偏好档案,对文献信息资源进行匹配和分级,通过文献的级别决定推荐的次序,对推荐信息进行反馈,动态更新读者的偏好档案.     

基于数据阵共轭重构的MUSIC角估计算法

介绍了一种利用接收数据及其共轭重构得到新的数据矩阵,然后借助于数据阵奇异值分解实现的修正MUSIC算法,并指出了这将有助于改善协方差矩阵特征值的分布,从而提高信号到达方向（DOA）的估计性能。在相同的信噪比和快拍数条件下,该方法无论是在角估计的均方误差、信号源角分辨能力等方面均优于普通的MUSIC算法,并给出了验证理论分析的计算机仿真结果。     

虚拟阵的TOA定位算法

为了改进经典的多维标度测量(MDS)定位法中一次测量一次定位的精度不高的缺陷,提出一种新的动态MDS虚拟阵定位算法,该算法简单,计算量小,便于实时处理。仿真结果显示在虚拟测量次数多于4次时,该算法性能明显优于Chan+虚拟阵定位算法及经典的MDS定位法,并且虚拟次数越多,该算法的性能越好。经典的MDS定位法相当于测量次数为1的无虚拟时的该文算法。     

Multi-objective Trip Recommendation Based on Check-in Data and Traffic Tools

In general, users want to spend little money to visit as many attractions with different categories and high scores as possible. In order to solve this problem, this paper proposes a multi-constrained and multi-objective pruning algorithm. First, it analyzes users' historical check-in data, and proposes a rating mechanism of scenery spot based on users' check-in data-know users’ preferences and popularity of scenery spot. And this paper considers the different choices of vehicles, because the transfer between attractions will have different transfer time and costs. Finally, according to users’ needs, the MCPA-MO algorithm is used to calculate an optimal travel route for the user. The recommendation algorithm was implemented and evaluated using the real data on the Foursquare and the information on the famous attractions in Chengdu on the Horse Cell as the data set. Experimental results show that it can recommend personalized trip that meet the actual needs of users.