結(jié)合評(píng)分和信任的協(xié)同推薦算法

秦繼偉，鄭慶華，鄭德立，等

摘要：目的：推薦系統(tǒng)作為一種信息過(guò)濾的手段，通過(guò)挖掘、分析用戶與資源之間的關(guān)系，幫助用戶準(zhǔn)確、高效地從海量數(shù)據(jù)中發(fā)現(xiàn)其可能感興趣的資源，使其盡可能滿足用戶的需求，有效地解決了信息過(guò)載的問(wèn)題，被廣泛地應(yīng)用于各大門戶網(wǎng)站和電子商務(wù)領(lǐng)域。然而，在傳統(tǒng)推薦中存在數(shù)據(jù)稀疏而造成冷啟動(dòng)問(wèn)題，同時(shí)在電子商務(wù)中一些商家為了各自的利益，做出虛假評(píng)價(jià)等，易形成欺騙問(wèn)題。隨著社會(huì)網(wǎng)絡(luò)的出現(xiàn)，信任作為人際關(guān)系的核心概念被引入到推薦系統(tǒng)。它作為用戶對(duì)推薦者推薦資源的滿意程度的一種期望，取代傳統(tǒng)推薦中的用戶之間偏好的相似權(quán)重，在某種程度上解決了冷啟動(dòng)問(wèn)題和由虛假評(píng)分引起的欺騙問(wèn)題。方法：在此推薦系統(tǒng)中，歷史交互數(shù)據(jù)包含用戶對(duì)項(xiàng)目的評(píng)分?jǐn)?shù)據(jù)和用戶間信任網(wǎng)絡(luò)的數(shù)據(jù)。這里，用戶—項(xiàng)目評(píng)分?jǐn)?shù)據(jù)集可以用一個(gè)n×m矩陣表示，其中行表示用戶，列表示項(xiàng)目，元素（i，j）表示用戶i對(duì)項(xiàng)目j的評(píng)分；用戶間信任網(wǎng)絡(luò)數(shù)據(jù)用一個(gè)n×n矩陣表示，其中元素（u，v）是用戶u對(duì)用戶v的信任值，表示用戶u對(duì)用戶v的信任程度。然后，基于共同評(píng)分項(xiàng)目數(shù)目設(shè)置閾值，有策略地選擇基于用戶評(píng)分的相似度與信任值相結(jié)合計(jì)算用戶之間的推薦權(quán)重，建立用戶之間的偏好關(guān)系；生成鄰居集合；通過(guò)鄰居集合對(duì)未評(píng)價(jià)過(guò)項(xiàng)目的評(píng)分進(jìn)行預(yù)測(cè)，最后產(chǎn)生推薦集合。結(jié)果：在數(shù)據(jù)集Epinions上對(duì)所提算法進(jìn)行驗(yàn)證，所得結(jié)果：在覆蓋率方面，RTCR算法的Rating Coverage指標(biāo)優(yōu)于傳統(tǒng)協(xié)作推薦方法和信任推薦方法，分別提高了3%和32.1%。RTCR算法的User Coverage指標(biāo)也優(yōu)于傳統(tǒng)協(xié)作推薦方法和信任推薦方法，分別提高了8.2%和15.1%。RTCR算法在精度損失極小的情況下，取得了較大的覆蓋率提升，從而獲得了精度與覆蓋率的良好平衡。結(jié)論：針對(duì)現(xiàn)有基于信任的推薦系統(tǒng)雖能緩解冷啟動(dòng)和虛假評(píng)價(jià)但較難獲取用戶之間的信任關(guān)系，難以建立用戶彼此之間的偏好關(guān)系的問(wèn)題，提出了基于評(píng)分—信任協(xié)同的推薦算法并給出了相關(guān)數(shù)學(xué)表達(dá)式和實(shí)現(xiàn)流程。該算法充分利用推薦系統(tǒng)中的共同評(píng)分，協(xié)同用戶間的信任關(guān)系，有策略的選擇用戶評(píng)分的相似度和用戶間信任值，建立用戶之間的偏好關(guān)系，進(jìn)而實(shí)現(xiàn)推薦。實(shí)驗(yàn)結(jié)果表明，這種混合推薦的方法相比傳統(tǒng)協(xié)作推薦方法與信任推薦方法，在精度損失極小的情況下，較大地提升了覆蓋率。從而獲得了精度與覆蓋率的良好平衡。

來(lái)源出版物：西安交通大學(xué)學(xué)報(bào)，2013，47(4):100-104

入選年份：2017

新的柔性結(jié)合部法向接觸剛度和接觸阻尼方程

田紅亮，趙美云，鄭金華，等

摘要：目的：根據(jù)運(yùn)動(dòng)，數(shù)控機(jī)床結(jié)合部分為固定結(jié)合部和運(yùn)動(dòng)結(jié)合部。固定結(jié)合部主要影響數(shù)控機(jī)床的靜態(tài)性能，而運(yùn)動(dòng)結(jié)合部主要影響數(shù)控機(jī)床的動(dòng)態(tài)性能。除了焊接以外，在整個(gè)機(jī)械中，總動(dòng)剛度的60%～80%、大約總阻尼的90%、超過(guò)動(dòng)柔度的55%和靜變形量的85%～90%來(lái)源于結(jié)合部。以修正分形幾何學(xué)理論和赫茲法向接觸力學(xué)方程為基礎(chǔ)，推導(dǎo)出了柔性結(jié)合部法向接觸剛度和阻尼方程。方法：根據(jù)功率譜密度函數(shù)或結(jié)構(gòu)函數(shù)給出了分形維數(shù)、分形粗糙度的嚴(yán)密解析解。編寫求解分形區(qū)域擴(kuò)展因子的通用Matlab程序，推導(dǎo)自相關(guān)函數(shù)、功率譜密度函數(shù)和結(jié)構(gòu)函數(shù)的精確解析解。采用Hardy在任一點(diǎn)均不可求導(dǎo)數(shù)的條件，嚴(yán)格證明了二維Weierstrass-Mandelbrot分形函數(shù)中分形維數(shù)D的整個(gè)取值范圍為1≤D＜2。假設(shè)微凸體頂端的曲率半徑為變量，提出了一種全新的求導(dǎo)函數(shù)而非偏導(dǎo)函數(shù)的求解方法，建立了單個(gè)微凸體與平面接觸的法向接觸剛度方程。為提高整機(jī)的建模精度，提出利用各向同性虛擬材料假設(shè)的機(jī)床固定結(jié)合部動(dòng)力學(xué)建模的解析法。將固定結(jié)合部的兩個(gè)接觸面的微觀接觸部分假設(shè)為一種虛擬的各向同性材料，虛擬材料和固定結(jié)合部?jī)蓚?cè)的零件皆為固定連接。結(jié)果：微凸體承擔(dān)的法向彈性載荷與其頂端的變形量之間符合非線性冪函數(shù)凹弧關(guān)系；降低表面粗糙度或增大法向接觸載荷都將增大實(shí)際接觸面積；當(dāng)表面粗糙輪廓分形維數(shù)在較小范圍內(nèi)時(shí)，實(shí)際接觸面積隨著表面粗糙輪廓分形維數(shù)的增大而增大，而當(dāng)表面粗糙輪廓分形維數(shù)在較大范圍內(nèi)時(shí)，實(shí)際接觸面積隨著表面粗糙輪廓分形維數(shù)的增大而減??；降低表面粗糙度或增大表面粗糙輪廓分形維數(shù)和法向接觸載荷皆將增大法向接觸剛度；法向接觸阻尼隨著表面粗糙輪廓分形維數(shù)的增大先減小后增大；當(dāng)表面粗糙輪廓分形維數(shù)小于臨界值時(shí)，法向接觸阻尼隨著分形粗糙度的增大而增大，而當(dāng)表面粗糙輪廓分形維數(shù)超過(guò)轉(zhuǎn)折點(diǎn)時(shí)，法向接觸阻尼隨著分形粗糙度的增大而減?。划?dāng)法向接觸載荷增大時(shí)，法向接觸阻尼略微減小。當(dāng)分形維數(shù)低于第1個(gè)拐點(diǎn)值時(shí)，法向接觸阻尼隨著分形粗糙度的增大而增大；當(dāng)分形維數(shù)超過(guò)第1個(gè)拐點(diǎn)值時(shí)，法向接觸阻尼隨著分形粗糙度的增大而減小；當(dāng)D≤1.4時(shí)，法向接觸阻尼隨著法向接觸載荷的增大而減??；當(dāng)D＞1.4時(shí)，法向接觸阻尼隨著法向接觸載荷的增大而增大。結(jié)論：將虛擬材料參數(shù)的解析解導(dǎo)入到有限元軟件中，可獲得整機(jī)的理論模態(tài)。對(duì)實(shí)驗(yàn)試件的理論模態(tài)與實(shí)驗(yàn)?zāi)B(tài)進(jìn)行比較（相似振型定性比較，相應(yīng)的固有頻率定量比較）。比較結(jié)果表明：理論模態(tài)與實(shí)驗(yàn)?zāi)B(tài)的前6階振型一致，理論模態(tài)與實(shí)驗(yàn)?zāi)B(tài)前6階固有頻率的相對(duì)誤差在-8.1%～8.1%之間。驗(yàn)證了虛擬材料參數(shù)解析解的有效性，虛擬材料模型可為計(jì)算機(jī)數(shù)控機(jī)床固定結(jié)合部的精確動(dòng)力學(xué)建模提供一定的理論基礎(chǔ)。

來(lái)源出版物：西安交通大學(xué)學(xué)報(bào)，2015，49(1):118-126

入選年份：2017

基于改進(jìn)果蠅優(yōu)化算法的最小二乘支持向量機(jī)參數(shù)優(yōu)化方法研究及應(yīng)用

司剛?cè)?，李水旺，石建全，?/p>

摘要：目的：最小二乘支持向量機(jī)（LSSVM）具有運(yùn)算效率高、收斂速度快、預(yù)測(cè)精度高等一系列優(yōu)點(diǎn)，近年來(lái)在模式識(shí)別與預(yù)測(cè)方面得到了廣泛應(yīng)用。然而LSSVM模型的擬合精度和泛化能力在很大程度上取決于核帶寬和懲罰因子兩個(gè)超參數(shù)的取值，當(dāng)前對(duì)超參數(shù)取值的調(diào)整主要依靠網(wǎng)格搜索法，存在耗時(shí)長(zhǎng)、模型精度差等問(wèn)題。果蠅優(yōu)化算法作為一種新的群智能優(yōu)化算法，具有易于實(shí)現(xiàn)，調(diào)整參數(shù)少，并且優(yōu)化速度快等優(yōu)點(diǎn)，但由于搜索步長(zhǎng)固定，導(dǎo)致果蠅群體靠近最優(yōu)點(diǎn)時(shí)收斂速度下降，容易陷入局部最優(yōu)，導(dǎo)致算法早熟。因此，本文基于標(biāo)準(zhǔn)果蠅優(yōu)化算法，提出一種改進(jìn)的自適應(yīng)變步長(zhǎng)的果蠅優(yōu)化算法，并將其應(yīng)用于LSSVM模型的超參數(shù)尋優(yōu)，從而解決LSSVM建模過(guò)程中超參數(shù)選擇盲目的問(wèn)題。方法：新的改進(jìn)果蠅優(yōu)化算法在標(biāo)準(zhǔn)算法基礎(chǔ)上，引入自適應(yīng)變步長(zhǎng)，通過(guò)計(jì)算當(dāng)代果蠅群體與上代果蠅群體尋優(yōu)所獲得的最優(yōu)味道濃度值的差值，評(píng)價(jià)當(dāng)代果蠅群體尋優(yōu)效果以對(duì)下代果蠅群體尋優(yōu)過(guò)程的步長(zhǎng)提供指導(dǎo)。當(dāng)差值小于0時(shí)，表示當(dāng)代最優(yōu)味道濃度優(yōu)于上代最優(yōu)味道濃度，此時(shí)應(yīng)縮減步長(zhǎng)提高尋優(yōu)精度，同時(shí)評(píng)估差值的絕對(duì)值，絕對(duì)值較小時(shí)，說(shuō)明此時(shí)已經(jīng)靠近最優(yōu)值，應(yīng)讓步長(zhǎng)減小較快，以快速收斂到最優(yōu)值，而當(dāng)絕對(duì)值較大時(shí)，說(shuō)明此時(shí)離最優(yōu)值相對(duì)較遠(yuǎn)，應(yīng)讓步長(zhǎng)減小較慢，以減少搜索次數(shù)；當(dāng)差值大于或等于0時(shí)，表示上代最優(yōu)味道濃度值優(yōu)于或等于當(dāng)代最優(yōu)味道濃度值，此時(shí)應(yīng)增加步長(zhǎng)以擴(kuò)大搜索范圍，提高全局搜索能力，當(dāng)差值為0時(shí)，保持原步長(zhǎng)不變，當(dāng)差值絕對(duì)值較小時(shí)，說(shuō)明當(dāng)前區(qū)域?qū)?yōu)效果一般，應(yīng)讓步長(zhǎng)增加較快，以更換搜索區(qū)域，當(dāng)差值絕對(duì)值較大時(shí)，說(shuō)明已到新的搜索區(qū)域，應(yīng)讓步長(zhǎng)增加較慢，以更好地檢測(cè)未知區(qū)域的濃度值。根據(jù)上述原理，選擇不同的步長(zhǎng)計(jì)算公式以實(shí)現(xiàn)果蠅搜索步長(zhǎng)的自適應(yīng)更新，并將其應(yīng)用于LSSVM模型的超參數(shù)尋優(yōu)。結(jié)果：選取Sinc，Motorcycle，Nelson，Bodyfat，Pyrim這5組數(shù)據(jù)集和網(wǎng)格搜索法、粒子群優(yōu)化算法、標(biāo)準(zhǔn)果蠅優(yōu)化算法3種優(yōu)化對(duì)比算法，對(duì)所提方法優(yōu)化效果進(jìn)行評(píng)估，測(cè)試結(jié)果顯示本文所提方法在預(yù)測(cè)精度和訓(xùn)練時(shí)間方面均表現(xiàn)更出色。將所提方法應(yīng)用于某200 MW火力發(fā)電機(jī)組球磨機(jī)負(fù)荷預(yù)測(cè)，利用運(yùn)行過(guò)程中收集的的800組覆蓋低負(fù)荷、正常負(fù)荷以及高負(fù)荷等工況的數(shù)據(jù)作為訓(xùn)練樣本進(jìn)行建模，對(duì)之后的50組數(shù)據(jù)進(jìn)行預(yù)測(cè)，結(jié)果顯示本文所提方法得到的磨機(jī)負(fù)荷預(yù)測(cè)值與實(shí)際值吻合程度最高，誤差最小。結(jié)論：本文針對(duì)LSSVM模型的超參數(shù)尋優(yōu)問(wèn)題，基于標(biāo)準(zhǔn)果蠅優(yōu)化算法，充分考慮歷代果蠅群體所獲得的最優(yōu)味道濃度值之間的關(guān)系，針對(duì)不同情況采用不同的搜索步長(zhǎng)更新公式以克服標(biāo)準(zhǔn)果蠅優(yōu)化算法容易陷入局部最優(yōu)的缺陷，提出新的改進(jìn)果蠅優(yōu)化算法，并基于該算法建立LSSVM預(yù)測(cè)模型。在UCI回歸數(shù)據(jù)集以及火電廠磨機(jī)實(shí)際負(fù)荷上的測(cè)試結(jié)果表明，本文所提算法能夠顯著提高超參數(shù)尋優(yōu)效率以及LSSVM模型的預(yù)測(cè)精度。

來(lái)源出版物：西安交通大學(xué)學(xué)報(bào)，2017，51(6):14-19

入選年份：2017