检索结果

Select

1. 基于模块度和标签传递的推荐算法

盛俊, 李斌, 陈崚

计算机应用 2020, 40 (9): 2606-2612. DOI: 10.11772/j.issn.1001-9081.2020010095

摘要（502）

PDF （1025KB）（453）

针对基于网络信息的商品推荐的问题，提出了在二部网络上基于社区挖掘和标签传递的推荐算法。首先，用带权的二部图来表达用户-项目的评分矩阵，利用标签传递技术对二部网络进行社区挖掘；然后，基于二部网络中的社区结构信息，充分利用用户所在的社区之间的相似性以及项目之间、用户之间的相似性来挖掘用户可能感兴趣的项目；最后，向用户进行项目的推荐。在实际网络上的实验结果表明，与基于双向关联规则项目评分预测的推荐算法（BAR-CF）、基于项目评分预测的推荐算法（IR-CF）、基于网络链接预测的用户偏好预测方法（PLP）和改进的基于用户的协同过滤的方法（MU-CF）相比，该算法的平均绝对差（MAE）低0.1~0.3，准确率高0.2。因此，所提算法可以取得比其他类似方法更高质量的推荐结果。

参考文献 | 相关文章 | 多维度评价

Select

2. 基于隐空间映射的带符号网络上的顶点分类

盛俊, 顾沈胜, 陈崚

计算机应用 2019, 39 (5): 1411-1415. DOI: 10.11772/j.issn.1001-9081.2018112559

摘要（477）

PDF （832KB）（502）

社会网络顶点分类在解决实际问题中有广泛的应用，但绝大多数现有的网络顶点分类算法都集中在无符号的网络，而在边上具有符号的社交网络上的顶点分类算法却很少，且负链接对于符号网络分析的作用大于正链接。研究了符号网络中顶点的分类问题。首先将正、负网络映射到相对应的隐空间，提出基于隐空间的正负链接的数学模型；然后提出优化该模型的迭代算法，通过对隐空间矩阵和映射矩阵的迭代优化，来对网络中的顶点进行分类。由带符号的社会网络数据集的实验结果证明，该算法在数据集Epinions上得到结果的F1值在11以上，在数据集Slashdo上得到结果的F1值在23.8以上，与随机算法相比具有较高的精确度。

参考文献 | 相关文章 | 多维度评价

Select

3. 流数据上的频繁项挖掘算法

屠莉陈崚

计算机应用 2011, 31 (02): 450-453.

摘要（1392）

PDF （583KB）（1141）

提出了一种流数据上的频繁项挖掘算法（SW-COUNT）。该算法通过数据采样技术挖掘滑动窗口下的数据流频繁项。给定的误差ε，SW-COUNT可以在O(ε-1)空间复杂度下，检测误差在εn内的数据流频繁项，对每个数据项的平均处理时间为O(1)。大量的实验证明，该算法比其他类似算法具有较好的精度质量以及时间和空间效率。