检索结果

Select

1. 面向用户偏好发现的隐变量模型构建与推理

高艳, 岳昆, 武浩, 付晓东, 刘惟一

计算机应用 2017, 37 (2): 360-366. DOI: 10.11772/j.issn.1001-9081.2017.02.0360

摘要（787）

PDF （1019KB）（595）

电子商务应用中产生了大量用户评分数据，而这些数据中富含了用户观点和偏好信息，为了能够从这些数据中准确地推断出用户偏好，提出一种面向评分数据中用户偏好发现的隐变量模型（即含隐变量的贝叶斯网）构建和推理的方法。首先，针对评分数据的稀疏性，使用带偏置的矩阵分解（BMF）模型对其进行填补；其次，用隐变量表示用户偏好，给出了基于互信息（MI）、最大半团和期望最大化（EM）算法的隐变量模型构建方法；最后，给出了基于Gibbs采样的隐变量模型概率推理和用户偏好发现方法。实验结果表明，与协同过滤的方法相比，该方法能有效地描述评分数据中相关属性之间的依赖关系及其不确定性，从而能够更准确地推断出用户偏好。

参考文献 | 相关文章 | 多维度评价

Select

2. 基于粗糙集的定性概率网推理冲突解决方法

刘双贤刘惟一岳昆

计算机应用

摘要（1838）

PDF （593KB）（1082）

定性概率是贝叶斯网的定性抽象，它以有向边上的定性影响代替贝叶斯网中的条件概率参数，描述了变量间增减的趋势，具有高效的推理机制。但定性概率网中信息丢失导致推理的过程中往往产生不确定信息，即推理结果产生冲突。以尽可能消除定性推理中的冲突为出发点，在构建定性概率网时，基于粗糙集属性依赖度理论求解出网中节点间的依赖度，以依赖度作为变量间定性影响的权重，并根据依赖度改进已有的定性概率网推理算法，从而解决定性概率网推理冲突。实例验证表明，该方法既保持了定性概率网高效推理的特性，又能有效解决冲突。

相关文章 | 多维度评价

Select

4. 基于信息论的Bayesian网络结构学习算法研究

聂文广，刘惟一，杨运涛，杨明

计算机应用 2005, 25 (01): 1-3. DOI: 10.3724/SP.J.1087.2005.00001

摘要（1008）

PDF （186KB）（1002）

Bayesian网是一种进行不确定性推理的有力工具,它结合图型理论和概率理论,可以方便地表示和计算我们感兴趣的事件概率,同时也是对实体之间依赖关系提供了一种紧凑、直观、有效的图形表示。文中基于信息论中测试信息独立理论,对Bayesian网中各结点进行条件独立(CI)测试,以发现各结点的条件依赖关系,并通过计算结点之间的互相依赖度以发现Bayesian网边的方向,从而构造Bayesian网结构,算法的计算复杂度只需要进行O(N ²)次CI测试。

参考文献 | 相关文章 | 多维度评价