結(jié)合評分和信任的協(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)作為一種信息過濾的手段，通過挖掘、分析用戶與資源之間的關(guān)系，幫助用戶準確、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載的問題，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)稀疏而造成冷啟動問題，同時在電子商務(wù)中一些商家為了各自的利益，做出虛假評價等，易形成欺騙問題。隨著社會網(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問題和由虛假評分引起的欺騙問題。方法：在此推薦系統(tǒng)中，歷史交互數(shù)據(jù)包含用戶對項目的評分數(shù)據(jù)和用戶間信任網(wǎng)絡(luò)的數(shù)據(jù)。這里，用戶—項目評分數(shù)據(jù)集可以用一個n×m矩陣表示，其中行表示用戶，列表示項目，元素（i，j）表示用戶i對項目j的評分；用戶間信任網(wǎng)絡(luò)數(shù)據(jù)用一個n×n矩陣表示，其中元素（u，v）是用戶u對用戶v的信任值，表示用戶u對用戶v的信任程度。然后，基于共同評分項目數(shù)目設(shè)置閾值，有策略地選擇基于用戶評分的相似度與信任值相結(jié)合計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；通過鄰居集合對未評價過項目的評分進行預(yù)測，最后產(chǎn)生推薦集合。結(jié)果：在數(shù)據(jù)集Epinions上對所提算法進行驗證，所得結(jié)果：在覆蓋率方面，RTCR算法的Rating Coverage指標優(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：針對現(xiàn)有基于信任的推薦系統(tǒng)雖能緩解冷啟動和虛假評價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)系的問題，提出了基于評分—信任協(xié)同的推薦算法并給出了相關(guān)數(shù)學表達式和實現(xiàn)流程。該算法充分利用推薦系統(tǒng)中的共同評分，協(xié)同用戶間的信任關(guān)系，有策略的選擇用戶評分的相似度和用戶間信任值，建立用戶之間的偏好關(guān)系，進而實現(xiàn)推薦。實驗結(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。

來源出版物：西安交通大學學報，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)運動，數(shù)控機床結(jié)合部分為固定結(jié)合部和運動結(jié)合部。固定結(jié)合部主要影響數(shù)控機床的靜態(tài)性能，而運動結(jié)合部主要影響數(shù)控機床的動態(tài)性能。除了焊接以外，在整個機械中，總動剛度的60%～80%、大約總阻尼的90%、超過動柔度的55%和靜變形量的85%～90%來源于結(jié)合部。以修正分形幾何學理論和赫茲法向接觸力學方程為基礎(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)、分形粗糙度的嚴密解析解。編寫求解分形區(qū)域擴展因子的通用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在任一點均不可求導(dǎo)數(shù)的條件，嚴格證明了二維Weierstrass-Mandelbrot分形函數(shù)中分形維數(shù)D的整個取值范圍為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，建立了單個微凸體與平面接觸的法向接觸剛度方程。為提高整機的建模精度，提出利用各向同性虛擬材料假設(shè)的機床固定結(jié)合部動力學建模的解析法。將固定結(jié)合部的兩個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)合部兩側(cè)的零件皆為固定連接。結(jié)果：微凸體承擔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際接觸面積；當表面粗糙輪廓分形維數(shù)在較小范圍內(nèi)時，實際接觸面積隨著表面粗糙輪廓分形維數(shù)的增大而增大，而當表面粗糙輪廓分形維數(shù)在較大范圍內(nèi)時，實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；當表面粗糙輪廓分形維數(shù)小于臨界值時，法向接觸阻尼隨著分形粗糙度的增大而增大，而當表面粗糙輪廓分形維數(shù)超過轉(zhuǎn)折點時，法向接觸阻尼隨著分形粗糙度的增大而減??；當法向接觸載荷增大時，法向接觸阻尼略微減小。當分形維數(shù)低于第1個拐點值時，法向接觸阻尼隨著分形粗糙度的增大而增大；當分形維數(shù)超過第1個拐點值時，法向接觸阻尼隨著分形粗糙度的增大而減??；當D≤1.4時，法向接觸阻尼隨著法向接觸載荷的增大而減?。划擠＞1.4時，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，可獲得整機的理論模態(tài)。對實驗試件的理論模態(tài)與實驗?zāi)B(tài)進行比較（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)與實驗?zāi)B(tài)的前6階振型一致，理論模態(tài)與實驗?zāi)B(tài)前6階固有頻率的相對誤差在-8.1%～8.1%之間。驗證了虛擬材料參數(shù)解析解的有效性，虛擬材料模型可為計算機數(shù)控機床固定結(jié)合部的精確動力學建模提供一定的理論基礎(chǔ)。

來源出版物：西安交通大學學報，2015，49(1):118-126

入選年份：2017

基于改進果蠅優(yōu)化算法的最小二乘支持向量機參數(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（LSSVM）具有運算效率高、收斂速度快、預(yù)測精度高等一系列優(yōu)點，近年來在模式識別與預(yù)測方面得到了廣泛應(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超參數(shù)的取值，當前對超參數(shù)取值的調(diào)整主要依靠網(wǎng)格搜索法，存在耗時長、模型精度差等問題。果蠅優(yōu)化算法作為一種新的群智能優(yōu)化算法，具有易于實現(xiàn)，調(diào)整參數(shù)少，并且優(yōu)化速度快等優(yōu)點，但由于搜索步長固定，導(dǎo)致果蠅群體靠近最優(yōu)點時收斂速度下降，容易陷入局部最優(yōu)，導(dǎo)致算法早熟。因此，本文基于標準果蠅優(yōu)化算法，提出一種改進的自適應(yīng)變步長的果蠅優(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建模過程中超參數(shù)選擇盲目的問題。方法：新的改進果蠅優(yōu)化算法在標準算法基礎(chǔ)上，引入自適應(yīng)變步長，通過計算當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，評價當代果蠅群體尋優(yōu)效果以對下代果蠅群體尋優(yōu)過程的步長提供指導(dǎo)。當差值小于0時，表示當代最優(yōu)味道濃度優(yōu)于上代最優(yōu)味道濃度，此時應(yīng)縮減步長提高尋優(yōu)精度，同時評估差值的絕對值，絕對值較小時，說明此時已經(jīng)靠近最優(yōu)值，應(yīng)讓步長減小較快，以快速收斂到最優(yōu)值，而當絕對值較大時，說明此時離最優(yōu)值相對較遠，應(yīng)讓步長減小較慢，以減少搜索次數(shù)；當差值大于或等于0時，表示上代最優(yōu)味道濃度值優(yōu)于或等于當代最優(yōu)味道濃度值，此時應(yīng)增加步長以擴大搜索范圍，提高全局搜索能力，當差值為0時，保持原步長不變，當差值絕對值較小時，說明當前區(qū)域?qū)?yōu)效果一般，應(yīng)讓步長增加較快，以更換搜索區(qū)域，當差值絕對值較大時，說明已到新的搜索區(qū)域，應(yīng)讓步長增加較慢，以更好地檢測未知區(qū)域的濃度值。根據(jù)上述原理，選擇不同的步長計算公式以實現(xiàn)果蠅搜索步長的自適應(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、標準果蠅優(yōu)化算法3種優(yōu)化對比算法，對所提方法優(yōu)化效果進行評估，測試結(jié)果顯示本文所提方法在預(yù)測精度和訓(xùn)練時間方面均表現(xiàn)更出色。將所提方法應(yīng)用于某200 MW火力發(fā)電機組球磨機負荷預(yù)測，利用運行過程中收集的的800組覆蓋低負荷、正常負荷以及高負荷等工況的數(shù)據(jù)作為訓(xùn)練樣本進行建模，對之后的50組數(shù)據(jù)進行預(yù)測，結(jié)果顯示本文所提方法得到的磨機負荷預(yù)測值與實際值吻合程度最高，誤差最小。結(jié)論：本文針對LSSVM模型的超參數(shù)尋優(yōu)問題，基于標準果蠅優(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，針對不同情況采用不同的搜索步長更新公式以克服標準果蠅優(yōu)化算法容易陷入局部最優(yōu)的缺陷，提出新的改進果蠅優(yōu)化算法，并基于該算法建立LSSVM預(yù)測模型。在UCI回歸數(shù)據(jù)集以及火電廠磨機實際負荷上的測試結(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)測精度。

來源出版物：西安交通大學學報，2017，51(6):14-19

入選年份：2017