基于项目聚类和评分预测的协同过滤推荐算法研究

协同过滤算法是目前个性化推荐系统中应用最成功的推荐算法之一。目前协同过滤构建的用户-项目矩阵,一般是按用户对所有项目的评分构建,却没有考虑项目之间的分类情况,导致寻找的邻居集合可能不是最近邻居集合。针对此问题,本文提出基于项目聚类和评分预测的协同过滤推荐算法,该算法首先按商品聚类,将大矩阵按聚类的商品来进行子矩阵的计算,在子矩阵里进行兴趣度的测量,最后将在所有区域相似用户的推荐项目合并,成为该用户的最后推荐结果。实验证明新算法能够提高协同过滤推荐系统的推荐质量。     

基于模糊聚类的数字图书馆个性化推荐系统方案设计

用户建模是数字图书馆个性化推荐系统中的关键技术,本文依据中图法对用户兴趣进行了建模,并通过Apriori关联规则算法挖掘了信息资源各类别间的关联,然后通过FCM算法对用户进行聚类分析得到目标用户的最近邻,在Top_n最近邻居集中通过协调过滤技术产生推荐。实验结果表明,本文提出的方案是可行的和有效的,也为创新数字图书馆个性化服务提供了一种新的思路。     

基于聚类算法和蚁群算法的物流配送路径优化研究

物流配送的研究已经成为提高物流效率、降低物流成本的关键。文中在研究物流问题现状以及相关配送路径算法的基础上,提出了一种新的物流配送路径优化方案,对于一个城市内的多个配送点,首先通过K均值算法进行聚类分析得到局部配送中心及其配送范围内的客户点,然后利用蚁群算法设计该配送区域内的最优配送路径。通过仿真实验得知,文中方案设计出的最优配送路径长度较单纯采用蚁群算法有了较大改善。     

基于改进的PALM的聚类算法及应用

由于K-means聚类算法具有很强的非凸性,其聚类效果常常取决于初始化结果。近期,Xie等人为了克服初始化问题,将K-means模型松弛为具有非凸约束的优化问题,同时应用近端交替线性化极小化算法求解该类优化问题,但该类算法中的梯度计算复杂度较高。所以,在此基础上,将K-means模型进行了更新,得到了一种改进的PALM聚类算法;通过6个基准数据对新算法聚类结果的评估,实验结果表明：改进的算法的时间复杂度低于原来的算法,且部分数据集解的聚类精度更高。     

并行DBSCAN聚类算法

本文针对DBSCAN算法在计算速度方面的瓶颈,提出了一种新的基于内存的并行DBSCAN算法：合理划分数据库,各个处理器并行聚类,之后合并聚类结果,可以达到很好的聚类结果效果和计算效率。通过对一台双核计算机的实验,发现实验速度可以提高50%左右。     

基于K-means和布谷鸟算法的流程模型聚类

流程模型聚类是流程管理领域的一个热门话题。本文提出一种基于布谷鸟算法的K-means算法,该算法弥补了K-means算法的依赖初始解、易陷入局部最优等缺点。本文从流程模型结构性能、成本、效率、顾客满意度以及质量等五个方面模拟数据集,并选择权重较高的属性进行试验操作,结果表明算法的具有较高的可行性和有效性。     

基于K-Means聚类算法的配送中心物流成本分析

文章提出了一种基于聚类算法的配送中心选址问题。针对复杂的配送中心选址问题,利用聚类算法中的K-means算法解决配送中心选址问题,该算法的实证中解决了125个配送点的配送中心寻优问题,而且在选择配送中心时充分考虑客户的需求和各地实际情况(各地的消费能力、地理位置以及交通等),通过定量分析和定性分析结合的方式,建立起了二级配送网络。实证结果表明,该配送网络具有实际应用价值并具有良好的经济效果。     

个性化推荐系统综述

随着信息时代的不断发展,信息过载是目前互联网用户面临的一个严重问题,个性化推荐系统就是解决这一问题的重要工具。为了解国内对个性化推荐领域的研究现状与发展趋势,通过对相关文献进行收集处理并借用VOSviewer、Excel对发文量、发文期刊、发文作者、关键词进行现状分析,同时对个性化推荐系统的关键技术用户兴趣模型和推荐算法进行阐述介绍。最后指出了未来个性化推荐系统的挑战与研究重点。     

基于谱聚类算法的烟草立体仓库储位优化

基于烟草立体仓库的运作背景,从行业发展和企业需求出发,为促使仓库分拣运作更均衡,提出了考虑产品关联与周转率的储位优化方法。方法中,建立了储位优化模型,通过肘方法确定聚类的最佳簇数,再基于谱聚类算法对产品进行聚类,最后设置了货位指派规则,将聚类结果有效地科学地应用到了运作实际场景中,得到了储位优化布局。     

基于离散选择模型的推荐系统改进算法

准确地预估用户的点击率,并根据该概率对商品排序以供用户选择在推荐系统领域有着重要的意义。推荐系统中常用的因子分解机等机器学习模型一般只考虑用户选择单个商品的概率,忽略了候选商品之间的相互影响,离散选择模型则考虑将商品候选集作为整体进行考虑。提出了使用深度学习模型来改进离散选择模型,模型使用相对特征层、注意力机制等网络结构帮助深度学习模型进行不同商品间的特征比较,研究结果表明引入离散选择模型的深度学习模型表现优于梯度提升决策树、因子分解机等模型。     

基于云计算的信息推荐系统研究

通过对推荐系统和云计算技术的理论、技术问题进行研究,构建基于云计算的信息推荐系统,并对推荐系统中的推荐算法进行深入研究,利用云计算技术设计信息推荐系统,解决互联网中信息过载问题,为不同用户提供个性化的推荐服务,最后对云计算下的推荐系统的研究难点和发展趋势进行展望。     

基于聚类算法的云平台物流调度模型研究

基于聚类算法的云平台是当前公有云的主要应用形式.平台整体资源利用率最大化、单虚拟机性能的最优化以及平台的服务接受率是聚类算法的设计目标.抽象出基于聚类算法的交叉环物流服务模型,对物流的服务模式、交叉环物流调度服务器等进行了设计.在此基础上对函数聚类算法各种需求向量的交叉环物流调度进行优化分析,最后在自主研发的云计算平台上验证了可行性.     

基于聚类算法的云平台物流调度模型研究

基于聚类算法的云平台是当前公有云的主要应用形式。平台整体资源利用率最大化、单虚拟机性能的最优化以及平台的服务接受率是聚类算法的设计目标。抽象出基于聚类算法的交叉环物流服务模型,对物流的服务模式、交叉环物流调度服务器等进行了设计。在此基础上对函数聚类算法各种需求向量的交叉环物流调度进行优化分析,最后在自主研发的云计算平台上验证了可行性。     

基于局部SVD++的服装推荐算法研究

随着社会的飞速发展,生活节奏不断加快,消费者逐渐开始注重购买服装的效率,对个性化服装的需求也在不断增加。所以,个性化服装推荐系统对于消费者和商家来说都尤为重要。本文利用皮尔森相关系数和矩阵分解的有关理论,在K-NN(k-Nearest Neighbor)算法和SVD(Singular Value Decomposition)算法的基础上构建基于局部SVD++的服装推荐算法。     

基于均值聚类的背景估计算法

本文提出了基于均值聚类的背景估计算法。首先利用提取特征点,然后利用K-means聚类算法去除错误的特征点对。最后利用随机样本一致(RANSAC)算法和最小二乘方法求解运动参数。实验结果表明本文算法比原始算法的峰值信噪比提高。该算法能更加准确的实现运动背景估计,提高了运动背景估计的鲁棒性,同时提高了计算速度。     

基于蚁群聚类算法的绿色内陆港宏观布局研究

为解决绿色理念指导下的内陆港宏观布局问题,考虑了备选城市的环境友好性对内陆港发展空间持续性的影响,首先分析影响内陆港宏观布局的因素,之后选取具有较强鲁棒性、采用正反馈原理的蚁群聚类方法,从经济发展水平、多式联运能力、政策环境、发展空间持续性等角度,构建绿色内陆港布局模型.最后以天津港为对象的实例分析表明,蚁群聚类模型对于解决环境友好型内陆港布局问题是有效的,结果基本符合实际情况.该研究为构建绿色内陆运输网络、实现绿色物流提供了科学方法.