CN109615421B - 一种基于多目标进化算法的个性化商品推荐方法 - Google Patents

一种基于多目标进化算法的个性化商品推荐方法 Download PDF

Info

Publication number
CN109615421B
CN109615421B CN201811433908.6A CN201811433908A CN109615421B CN 109615421 B CN109615421 B CN 109615421B CN 201811433908 A CN201811433908 A CN 201811433908A CN 109615421 B CN109615421 B CN 109615421B
Authority
CN
China
Prior art keywords
prediction model
training
samples
individuals
sample
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201811433908.6A
Other languages
English (en)
Other versions
CN109615421A (zh
Inventor
程凡
许飞
袁莘智
王子立
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Anhui University
Original Assignee
Anhui University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Anhui University filed Critical Anhui University
Priority to CN201811433908.6A priority Critical patent/CN109615421B/zh
Publication of CN109615421A publication Critical patent/CN109615421A/zh
Application granted granted Critical
Publication of CN109615421B publication Critical patent/CN109615421B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/06—Buying, selling or leasing transactions
    • G06Q30/0601—Electronic shopping [e-shopping]
    • G06Q30/0631—Item recommendations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0201—Market modelling; Market analysis; Collecting market data

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Finance (AREA)
  • Accounting & Taxation (AREA)
  • Strategic Management (AREA)
  • Development Economics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Game Theory and Decision Science (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Computation (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于多目标进化算法的个性化商品推荐方法，包括：按照预设比例将多类数据集分成多类训练集与测试集，再将多类训练集以一对多方式分成若干个二类训练子集；对多目标种群进行初始化，并对二类训练子集进行二进制编码得到N个个体；将N个个体体进行多目标迭代得到pareto前沿面；将pareto前沿面上AUC值最大的个体对应的SVM分类器作为预测模型；根据模型改进策略对预测模型进行改进，得到目标预测模型；根据目标预测模型对测试集进行预测，根据测试集中每个样本的AUC值对测试集中每个样本进行分类，得到测试集中每个样本的类别。

Description

一种基于多目标进化算法的个性化商品推荐方法
技术领域
本发明涉及是商品推荐技术领域，尤其涉及一种基于多目标进化算法的个性化商品推荐方法。
背景技术
当今社会日新月异，科学技术的不断发展使人们的生活更加便利，人们可以很便利地从各个渠道获取商品资源信息并购买想要的商品，同时大量的商品信息又容易造成客户选择困难；如何有效对海量商品资源进行检索和访问，商品推荐就变得非常重要。
目前个性化商品推荐方法的应用非常广泛，特别在电子商务领域，呈现出良好情景。对于大多数客户来说，他们想要的商品资源信息是他们所需要的，所感兴趣的；而目前的现状是自主经营的电商平台拥有较为丰富的商品类目及商品，但缺少用户量，同时积累的用户历史行为数据也相对较少，而且没有办法获取用户更多维度的信息，这就导致电商无法有效根据客户以往购买或者历史查询商品信息来构建一种有效对客户推荐商品的方法，因此急需要一种高效的个性化商品推进方法来解决上述问题。
发明内容
基于背景技术存在的技术问题，本发明提出了一种基于多目标进化算法的个性化商品推荐方法；
本发明提出的一种基于多目标进化算法的个性化商品推荐方法，包括：
S1、按照预设比例将多类数据集分成多类训练集与测试集，再将多类训练集以一对多方式分成若干个二类训练子集；
S2、对多目标种群进行初始化，并对二类训练子集进行二进制编码得到N个个体；
S3、将N个个体体进行多目标迭代得到pareto前沿面；
S4、将pareto前沿面上AUC值最大的个体对应的SVM分类器作为预测模型；
S5、根据模型改进策略对预测模型进行改进，得到目标预测模型；
S6、根据目标预测模型对测试集进行预测，根据测试集中每个样本的AUC值对测试集中每个样本进行分类，得到测试集中每个样本的类别，根据每个样本的类别确定每个样本对应的商品种类。
优选地，步骤S2，具体包括：
S21、对二类训练子集中的样本进行二进制编码，得到一组长度为二类训练子集样本数相同的01字符串，0表示选取该训练样本，1表示不选取该训练样本，将得到的二进制字符串记为一个个体；
S22、重复执行步骤S21，直到得到N个个体。
优选地，步骤S3，具体包括：
S31、将N个个体作为父代进入多目标种群迭代过程，并计算每个个体的TPR与FPR，TPR＝TP/(TP+FN),FPR＝FP/(FP+TN)，其中，TP表示正样本被正确分类成正类样本的个数，FN表示负样本被错误分类成正类样本的个数，FP表示正样本被错误分类成负类样本的个数，TN表示负样本被正确分类成负类样本的个数；
S32、根据TPR与FPR计算拥挤距离和适应度值，并产生子代个体；
S33、将父代与子代合并进入第一次迭代，并通过精英机制选出新的子代且作为下一次迭代中的父代；
S34、重复步骤S31至步骤S33，直到迭代次数达到预设的最大迭代数，得到pareto前沿面，所述pareto前沿面表示一组非支配的个体，每个个体为一组二进制字符串。
优选地，步骤S4，具体包括：
S41、选取pareto前沿面上的所有个体所对应的训练样本，然后利用线性SVM训练训练样本，得到每个个体的分类器，根据各个体的分类器计算各个体的AUC值；
S42、选取各个体的AUC值中AUC值最大的个体对应的SVM分类器作为预测模型。
优选地，步骤S5，具体包括：
S51、将预测模型对应的AUC值与预设的阈值进行比较，若预测模型对应的AUC值小于阈值时，执行步骤S52；否则，将预测模型作为目标预测模型；
S52、选取pareto前沿面上AUC值最大的个体对应的训练样本，然后将该训练样本中多数类样本进行欠采样技术，并与少数类样本进行合并后训练得到新的SVM分类器，并计算得到新的AUC值；；
S53、重复执行步骤S52，直到得到N个新SVM分类器与对应的AUC值；
S54、将N个AUC值中最大值的与预测模型对应的AUC值进行比较，选取二者中较大AUC值对应的SVM分类器作为目标预测模型。
本发明利用多目标进化算法能够快速实时的识别出当前的商品种类，同时随着多目标迭代过程的不断深入其对商品种类的识别率将越来越高，然后对商品进行针对性的个性化推荐操作，相对于此前的其他商品推荐方法更加高效，从而使得商品推荐的过程更加方便快捷，其次，只针对用户比较感兴趣的商品进行推荐，提高了商品推荐的有效率，进而减少了用户选择感兴趣商品的花费时间，有利于不同人群在最短时间内获取自己想要的商品种类，进一步的，在训练样本选择过程中，使用二进制进行样本编码，从而可以产生具有一定差异性的个体，从而保证了每一次的迭代过程都会有优异的预测模型产生，使用多目标进行迭代处理，每次从父代个体中产生新的子代个体，并与父代合并进行下一代进化，不仅可以保留父代中优异的解，同时也可以通过父代优异的解产生更优异的子代的解，从而得到分类效果很好的分类器，因此比较适用于商品推荐的场景，最后，在商品推荐预测模型的选择过程中，引入阈值进行判断，对小于阈值的预测模型进行模型改进，提高了性能较差的某些类的预测模型，进而提高分类精度。
附图说明
图1为本发明提出的一种基于多目标进化算法的个性化商品推荐方法的流程示意图。
具体实施方式
参照图1，本发明提出的一种基于多目标进化算法的个性化商品推荐方法，包括：
步骤S1，按照预设比例将多类数据集分成多类训练集与测试集，再将多类训练集以一对多方式分成若干个二类训练子集。
在具体方案中，按照预设比例将多类数据集分成多类训练集与测试集，如：将80％的多类数据集划分为多类训练集，将20％的多类数据集划分为测试集，目的是将多类问题间接转化为二类问题进行解决，这样可以节省训练分类器时间，同时也可以将问题简化。
步骤S2，对多目标种群进行初始化，并对二类训练子集进行二进制编码得到N个个体。
本步骤具体包括：S21、对二类训练子集中的样本进行二进制编码，得到一组长度为二类训练子集样本数相同的01字符串，0表示选取该训练样本，1表示不选取该训练样本，将得到的二进制字符串记为一个个体；
S22、重复执行步骤S21，直到得到N个个体。
在具体方案中，选用部分的训练样本进行训练得到不同的学习分类器，使得分类器间具有一定的差异性，提高分类精度。
步骤S3，将N个个体体进行多目标迭代得到pareto前沿面。
本步骤具体包括：
S31、将N个个体作为父代进入多目标种群迭代过程，并计算每个个体的TPR与FPR，TPR＝TP/(TP+FN),FPR＝FP/(FP+TN)，其中，TP表示正样本被正确分类成正类样本的个数，FN表示负样本被错误分类成正类样本的个数，FP表示正样本被错误分类成负类样本的个数，TN表示负样本被正确分类成负类样本的个数；
S32、根据TPR与FPR计算拥挤距离和适应度值，并产生子代个体；
S33、将父代与子代合并进入第一次迭代，并通过精英机制选出新的子代且作为下一次迭代中的父代；
S34、重复步骤S31至步骤S33，直到迭代次数达到预设的最大迭代数，得到pareto前沿面，所述pareto前沿面表示一组非支配的个体，每个个体为一组二进制字符串。
在具体方案中，利用多目标迭代方法来获得一组非支配解，这不仅可以从迭代过程中产生新的好个体，也可以从迭代后筛选得到一组最好的个体，这些个体之间都是非支配的关系，即没有任一个体a比个体b好或坏，有利于学习得到一组最好的分类器。
步骤S4，将pareto前沿面上AUC值最大的个体对应的SVM分类器作为预测模型。
本步骤具体包括：
S41、选取pareto前沿面上的所有个体所对应的训练样本，然后利用线性SVM训练训练样本，得到每个个体的分类器，根据各个体的分类器计算各个体的AUC值；
S42、选取各个体的AUC值中AUC值最大的个体对应的SVM分类器作为预测模型。
步骤S5，根据模型改进策略对预测模型进行改进，得到目标预测模型。
本步骤具体包括：
S51、将预测模型对应的AUC值与预设的阈值进行比较，若预测模型对应的AUC值小于阈值时，执行步骤S52；否则，将预测模型作为目标预测模型；
S52、选取pareto前沿面上AUC值最大的个体对应的训练样本，然后将该训练样本中多数类样本进行欠采样技术，并与少数类样本进行合并后训练得到新的SVM分类器，并计算得到新的AUC值；；
S53、重复执行步骤S52，直到得到N个新SVM分类器与对应的AUC值；
S54、将N个AUC值中AUC值最高的与预测模型对应的AUC值进行比较，选取二者中较大AUC值对应的SVM分类器作为目标预测模型。
在具体方案中，将性能较差的某些类的预测模型进行改进，并得到比之前性能较好的预测模型，最后提高预测样本的精度。
步骤S6，根据目标预测模型对测试集进行预测，根据测试集中每个样本的AUC值对测试集中每个样本进行分类，得到测试集中每个样本的类别，根据每个样本的类别确定每个样本对应的商品种类。
本实施方式利用多目标进化算法能够快速实时的识别出当前的商品种类，同时随着多目标迭代过程的不断深入其对商品种类的识别率将越来越高，然后对商品进行针对性的个性化推荐操作，相对于此前的其他商品推荐方法更加高效，从而使得商品推荐的过程更加方便快捷，其次，只针对用户比较感兴趣的商品进行推荐，提高了商品推荐的有效率，进而减少了用户选择感兴趣商品的花费时间，有利于不同人群在最短时间内获取自己想要的商品种类，进一步的，在训练样本选择过程中，使用二进制进行样本编码，从而可以产生具有一定差异性的个体，从而保证了每一次的迭代过程都会有优异的预测模型产生，使用多目标进行迭代处理，每次从父代个体中产生新的子代个体，并与父代合并进行下一代进化，不仅可以保留父代中优异的解，同时也可以通过父代优异的解产生更优异的子代的解，从而得到分类效果很好的分类器，因此比较适用于商品推荐的场景，最后，在商品推荐预测模型的选择过程中，引入阈值进行判断，对小于阈值的预测模型进行模型改进，提高了性能较差的某些类的预测模型，进而提高分类精度。
实施例：
本实施例使用winequality-red数据集作为标准数据集验证本发明的有效性，winequality-red数据集是广泛应用于不平衡多分类的基准数据集，在ijcnn1数据集中，包含1589条数据即对应数据样本中的1589个样本的特征信息，训练集和测试集采用80％/20％的规则进行分割，即随机选择1271个评分作为训练集，318个评分作为测试集。
采用AUC作为本实施例的评价指标，用来度量预测模型性能。
在标准数据集上进行实验，为了验证本发明所提方法的有效性，将本发明使用的MOEAP算法与此前经典的多类不平衡算法MDC以及ELM算法在winequality-red数据集上进行建模和预测，并将三者的预测结果进行比较。
实验结果如表1所示：
Figure BDA0001883294250000081
表1对比实验结果
从表1可以看到在不平衡数据集winequality-red中，本发明使用的MOEAP算法相对于其他两者的算法，具有明显的优势，进而体现出本发明可以快速捷地对商品样本进行分类，具有较高的灵敏度和准确率。
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。

Claims (3)

1.一种基于多目标进化算法的个性化商品推荐方法，其特征在于，包括：
S1、按照预设比例将多类数据集分成多类训练集与测试集，再将多类训练集以一对多方式分成若干个二类训练子集；
S2、对多目标种群进行初始化，并对二类训练子集进行二进制编码得到N个个体；
S3、将N个个体进行多目标迭代得到pareto前沿面；
S4、将pareto前沿面上AUC值最大的个体对应的SVM分类器作为预测模型；
S5、根据模型改进策略对预测模型进行改进，得到目标预测模型；
S6、根据目标预测模型对测试集进行预测，根据测试集中每个样本的AUC值对测试集中每个样本进行分类，得到测试集中每个样本的类别，根据每个样本的类别确定每个样本对应的商品种类；
步骤S3，具体包括：
S31、将N个个体作为父代进入多目标种群迭代过程，并计算每个个体的TPR与FPR，TPR＝TP/(TP+FN),FPR＝FP/(FP+TN)，其中，TP表示正样本被正确分类成正类样本的个数，FN表示负样本被错误分类成正类样本的个数，FP表示正样本被错误分类成负类样本的个数，TN表示负样本被正确分类成负类样本的个数；
S32、根据TPR与FPR计算拥挤距离和适应度值，并产生子代个体；
S33、将父代与子代合并进入第一次迭代，并通过精英机制选出新的子代且作为下一次迭代中的父代；
S34、重复步骤S31至步骤S33，直到迭代次数达到预设的最大迭代数，得到pareto前沿面，所述pareto前沿面表示一组非支配的个体，每个个体为一组二进制字符串；
步骤S5，具体包括：
S51、将预测模型对应的AUC值与预设的阈值进行比较，若预测模型对应的AUC值小于阈值时，执行步骤S52；否则，将预测模型作为目标预测模型；
S52、选取pareto前沿面上AUC值最大的个体对应的训练样本，然后将该训练样本中多数类样本进行欠采样技术，并与少数类样本进行合并后训练得到新的SVM分类器，并计算得到新的AUC值；
S53、重复执行步骤S52，直到得到N个新SVM分类器与对应的AUC值；
S54、将N个AUC值中最大值的与预测模型对应的AUC值进行比较，选取二者中较大AUC值对应的SVM分类器作为目标预测模型。
2.根据权利要求1所述的基于多目标进化算法的个性化商品推荐方法，其特征在于，步骤S2，具体包括：
S21、对二类训练子集中的样本进行二进制编码，得到一组长度为二类训练子集样本数相同的01字符串，0表示选取该训练样本，1表示不选取该训练样本，将得到的二进制字符串记为一个个体；
S22、重复执行步骤S21，直到得到N个个体。
3.根据权利要求1所述的基于多目标进化算法的个性化商品推荐方法，其特征在于，步骤S4，具体包括：
S41、选取pareto前沿面上的所有个体所对应的训练样本，然后利用线性SVM训练训练样本，得到每个个体的分类器，根据各个体的分类器计算各个体的AUC值；
S42、选取各个体的AUC值中AUC值最大的个体对应的SVM分类器作为预测模型。
CN201811433908.6A 2018-11-28 2018-11-28 一种基于多目标进化算法的个性化商品推荐方法 Active CN109615421B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811433908.6A CN109615421B (zh) 2018-11-28 2018-11-28 一种基于多目标进化算法的个性化商品推荐方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811433908.6A CN109615421B (zh) 2018-11-28 2018-11-28 一种基于多目标进化算法的个性化商品推荐方法

Publications (2)

Publication Number Publication Date
CN109615421A CN109615421A (zh) 2019-04-12
CN109615421B true CN109615421B (zh) 2022-12-06

Family

ID=66005795

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811433908.6A Active CN109615421B (zh) 2018-11-28 2018-11-28 一种基于多目标进化算法的个性化商品推荐方法

Country Status (1)

Country Link
CN (1) CN109615421B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110992127B (zh) * 2019-11-14 2023-09-29 北京沃东天骏信息技术有限公司 一种物品推荐方法及装置
CN111191076B (zh) * 2019-12-30 2021-03-30 北京工业大学 基于前景理论与多目标进化的电影推荐方法
CN111291792B (zh) * 2020-01-19 2023-10-27 深圳大学 基于双进化的流量数据类型集成分类方法及装置

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106646158A (zh) * 2016-12-08 2017-05-10 西安工程大学 基于多分类支持向量机变压器故障诊断提升方法
CN106778832A (zh) * 2016-11-28 2017-05-31 华南理工大学 基于多目标优化的高维数据半监督集成分类方法
CN107516141A (zh) * 2017-06-24 2017-12-26 燕山大学 一种基于支持向量机预测策略的动态多目标进化算法
CN107798187A (zh) * 2017-10-24 2018-03-13 北京理工大学 一种高效卫星星座多目标优化方法
CN108171365A (zh) * 2017-12-15 2018-06-15 南京理工大学 一种基于改进svm算法的交通状态预测方法
CN108681570A (zh) * 2018-05-04 2018-10-19 安徽大学 一种基于多目标进化算法的个性化网页推荐方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8849790B2 (en) * 2008-12-24 2014-09-30 Yahoo! Inc. Rapid iterative development of classifiers

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106778832A (zh) * 2016-11-28 2017-05-31 华南理工大学 基于多目标优化的高维数据半监督集成分类方法
CN106646158A (zh) * 2016-12-08 2017-05-10 西安工程大学 基于多分类支持向量机变压器故障诊断提升方法
CN107516141A (zh) * 2017-06-24 2017-12-26 燕山大学 一种基于支持向量机预测策略的动态多目标进化算法
CN107798187A (zh) * 2017-10-24 2018-03-13 北京理工大学 一种高效卫星星座多目标优化方法
CN108171365A (zh) * 2017-12-15 2018-06-15 南京理工大学 一种基于改进svm算法的交通状态预测方法
CN108681570A (zh) * 2018-05-04 2018-10-19 安徽大学 一种基于多目标进化算法的个性化网页推荐方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Pareto Rank Learning in Multi-objective Evolutionary Algorithms;Chun-Wei Seah;《2012 IEEE Congress on Evolutionary Computation》;20140319;第26卷(第1期);全文 *
两层聚类的类别不平衡数据挖掘算法;胡小生等;《计算机科学》;20131115(第11期);全文 *
基于Biased-SVM的非平衡半监督分类算法;杜利敏等;《河南大学学报(自然科学版)》;20170716(第04期);全文 *

Also Published As

Publication number Publication date
CN109615421A (zh) 2019-04-12

Similar Documents

Publication Publication Date Title
CN109615421B (zh) 一种基于多目标进化算法的个性化商品推荐方法
CN105069470A (zh) 分类模型训练方法及装置
CN112070125A (zh) 一种基于孤立森林学习的不平衡数据集的预测方法
CN108921604B (zh) 一种基于代价敏感分类器集成的广告点击率预测方法
CN105354595A (zh) 一种鲁棒视觉图像分类方法及系统
CN109635010B (zh) 一种用户特征及特征因子抽取、查询方法和系统
CN108681742B (zh) 用于分析司机驾驶行为对车辆能耗敏感性的分析方法
JP6004015B2 (ja) 学習方法、情報処理装置および学習プログラム
JPWO2019187594A1 (ja) 学習装置、学習方法および学習プログラム
Lumauag et al. An enhanced recommendation algorithm based on modified user-based collaborative filtering
CN111309577B (zh) 一种面向Spark的批处理应用执行时间预测模型构建方法
CN107016416B (zh) 基于邻域粗糙集和pca融合的数据分类预测方法
Dahiya et al. A rank aggregation algorithm for ensemble of multiple feature selection techniques in credit risk evaluation
US11829442B2 (en) Methods and systems for efficient batch active learning of a deep neural network
CN101937440A (zh) 特征选择的方法及装置
CN112836750A (zh) 一种系统资源分配方法、装置及设备
CN104572623A (zh) 一种在线lda模型的高效数据总结分析方法
CN111159569A (zh) 一种基于用户个性化特征的社交网络用户行为预测方法
CN106529585A (zh) 一种基于大间隔投影空间学习的钢琴乐谱难度识别方法
CN115730152A (zh) 基于用户画像分析的大数据处理方法及大数据处理系统
JP6004014B2 (ja) 学習方法、情報変換装置および学習プログラム
Benchaji et al. Novel learning strategy based on genetic programming for credit card fraud detection in Big Data
CN113344747A (zh) 一种基于潜分类Logit模型的旅游景点吸引力评估方法
CN113360392A (zh) 一种跨项目软件缺陷预测方法及装置
Tanai et al. Model-based clustering analysis of student data

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant