您的位置: 专家智库
>
资助详情>
江西省自然科学基金(2008GZS0074)
江西省自然科学基金(2008GZS0074)
- 作品数:6 被引量:15H指数:2
- 相关作者:段隆振朱敏王靓明刘飞荣杨艳玲更多>>
- 相关机构:南昌大学更多>>
- 发文基金:江西省自然科学基金更多>>
- 相关领域:自动化与计算机技术更多>>
- 一种基于项目推荐候选集的协同过滤算法
- 协同过滤推荐是目前最成功的个性化推荐技术。但随着用户数目和项目数目的不断增加,导致用户——项目评分矩阵极端稀疏,因而对推荐系统的准确性和实时性提出了新的挑战。本文针对上述问题,提出了一种基于项目推荐候选集的协同过滤算法。...
- 段隆振刘飞荣
- 关键词:协同过滤候选集
- 一种基于Kohonen神经网络Web用户行为模式的挖掘方法被引量:2
- 2009年
- 根据Kohonen自组织特征映射神经网络中学习阶段的性质,对标准Kohonen神经网络进行了改进,通过选取不同的学习率和邻域函数,将学习阶段分为粗调整学习和微调整学习二个阶段,使Kohonen神经网络的训练速度和收敛效果有一定程度的提高,改善了聚类效果。同时在Kohonen神经网络的输出层添加一模糊聚类层,为挖掘用户的多种兴趣提供了一种可行的方法。
- 朱敏段隆振王靓明
- 关键词:WEB挖掘用户行为模式聚类KOHONEN神经网络
- 基于粗糙集和自组织神经网络的聚类方法被引量:2
- 2009年
- 自组织神经网络在学习过程中采取竞争机制选取最优匹配神经元获胜,然而实际情况可能有一组神经元都非常匹配输入向量。引入粗糙集的上近似与下近似理论,选择一组最匹配神经元获胜。实验证明基于粗糙集和自组织神经网络的聚类算法,较之传统的自组织神经网络聚类算法聚类结果更平均,死神经元更少,是一种良好的聚类算法。
- 段文影朱敏
- 关键词:自组织神经网络粗糙集聚类
- 基于双Kohonen神经网络的Web用户访问模式挖掘算法被引量:4
- 2009年
- 本文根据Kohonen自组织特征映射神经网络中学习阶段的性质,运用双Kohonen神经网络组合成新的自组织训练挖掘模型,先使用粗调整训练,加快模型学习速度,紧接着使用微调整训练,提高模型学习精度。实验结果表明,本文提出的双Kohonen神经网络挖掘模型,相对于标准Kohonen神经网络在训练速度和收敛效果上都有一定程度的提高,改善了聚类效果,为挖掘用户的多种兴趣提供了一种可行的方法。
- 段隆振朱敏王靓明
- 关键词:WEB数据挖掘用户访问模式KOHONEN神经网络学习率
- 基于散列技术的高效剪枝关联规则挖掘算法被引量:2
- 2009年
- 该算法结合项集的有序特性有效压缩了频繁项集的数量,提高了算法效率,但是频繁2-项集的产生仍需要占用大量的存储空间,本文利用散列函数对候选频繁2-项集进行剪枝,这样频繁集的数目大大减少,不仅节省了存储空间、减少了计算开销,而且又保持了频繁项集的完整性。
- 彭永供王靓明朱敏段隆振
- 关键词:关联规则APRIORI性质散列函数频繁项集
- 一种基于动态模糊Kohonen网络的聚类模型及应用被引量:5
- 2010年
- 提出一种基于动态模糊Kohonen神经网络聚类模型,针对传统的Kohonen神经网络(KNN)聚类需要预先确定聚类数的问题,提出采用树形动态自组织映射网络算法(TGSOM)来确定聚类数,并且利用模糊Kohonen神经网络(FKNN)聚类结果与输入顺序无关的优势进行网络优化,得到更优的聚类结果。该模型应用于用户兴趣模式挖掘,通过数据测试分析,证明其有效性。
- 刘飞荣段隆振陈梅香杨艳玲
- 关键词:KOHONEN网络模糊聚类
- 商品层次填充协同过滤算法
- 传统协同过滤算法在构建用户评估矩阵时,对用户未评分的项目简单填充固定值。本文利用电子商务系统中商品属于不同层次的特点,通过计算该商品所属层次的特征值,将特征值高层次中商品填入特定值,提出一种层次填充协同过滤方法,同时通过...
- 段隆振段文影朱敏邱桃荣
- 关键词:协同过滤冷启动
- 基于不规则路径聚类算法的用户访问模式挖掘被引量:1
- 2010年
- 通过分析目前主流的Web用户访问模式挖掘的技术方法,针对各种挖掘算法存在复杂度高、灵活性低的缺陷,本文提出一种能对不规则用户访问路径进行用户访问模式挖掘的聚类算法,该算法可以简单高效地挖掘不定长度的用户兴趣模式。
- 杨彦玲任燕段隆振刘飞荣李磊
- 关键词:WEB日志挖掘聚类用户访问模式