检索结果

Select

1. 基于隐式信任和群体共识的群体推荐方法

李婷婷, 楚俊峰, 王燕燕

《计算机应用》唯一官方网站 2024, 44 (2): 460-468. DOI: 10.11772/j.issn.1001-9081.2023030267

摘要（111）

HTML （5）

PDF （1711KB）（63）

针对现有群体推荐方法较少考虑群体成员间社会化关系的隐式估计以及利用群体共识减少偏好冲突的问题，提出一种基于隐式信任和群体共识的群体推荐方法（GR-TC），所提方法分为推荐阶段和共识阶段。在推荐阶段根据成员间偏好信息和社交关系挖掘隐式信任值，估计成员的个人偏好、权重和初始群体偏好；在共识阶段通过共识测量和识别规则识别不一致成员，建立最大和谐度优化共识模型，调整更新群体偏好，传递群体推荐列表。实验结果表明，成员间社交关系影响群体推荐结果，合理选择隐式信任权值会提高不一致成员的和谐度；相较于传统共识反馈机制，隐式信任诱导的最大和谐共识反馈机制调整成本更小，对不一致成员的影响更小。

图表 | 参考文献 | 相关文章 | 多维度评价

Select

2. 基于新型间谍技术的半监督自训练正例无标记学习

李婷婷, 吕佳, 范伟亚

计算机应用 2019, 39 (10): 2822-2828. DOI: 10.11772/j.issn.1001-9081.2019040606

摘要（412）

PDF （1083KB）（242）

正例无标记（PU）学习中的间谍技术极易受噪声和离群点干扰，导致划分的可靠正例不纯，且在初始正例中随机选择间谍样本的机制极易造成划分可靠负例时效率低下，针对这些问题提出一种结合新型间谍技术和半监督自训练的PU学习框架。首先，该框架对初始有标记样本进行聚类并选取离聚类中心较近的样本来取代间谍样本，这些样本能有效地映射出无标记样本的分布结构，从而更好地辅助选取可靠负例；然后对间谍技术划分后的可靠正例进行自训练提纯，采用二次训练的方式取回被误分为正例样本的可靠负例。该框架有效地解决了传统间谍技术在PU学习中分类效率易受数据分布干扰以及随机间谍样本影响的问题。通过9个标准数据集上的仿真实验结果表明，所提框架的平均分类准确率和F-值均高于基本PU学习算法（Basic_PU）、基于间谍技术的PU学习算法（SPY）、基于朴素贝叶斯的自训练PU学习算法（NBST）和基于迭代剪枝的PU学习算法（Pruning）。

参考文献 | 相关文章 | 多维度评价

Select

3. 面向工程约束优化的自适应分工微粒群算法

芦进肖人彬李婷婷

计算机应用

摘要（1749）

提出了一种新的算法结构，通过建立"局部环境因数"模型，利用集中式处理模式，动态分配全局勘探和局部开采子种群比例，有效地实现分工目的，平衡算法的局部和全局搜索能力。将其应用到两个不同类型的实际工程约束优化问题中进行验证，并与其他文献的改进算法进行了对比。实验结果表明，该算法比其他改进算法在计算精度、效率、鲁棒性上都有很大的提高。