CN110188289A - 一种面向群组的服务推荐列表生成方法 - Google Patents
一种面向群组的服务推荐列表生成方法 Download PDFInfo
- Publication number
- CN110188289A CN110188289A CN201910486817.7A CN201910486817A CN110188289A CN 110188289 A CN110188289 A CN 110188289A CN 201910486817 A CN201910486817 A CN 201910486817A CN 110188289 A CN110188289 A CN 110188289A
- Authority
- CN
- China
- Prior art keywords
- subgroup
- group
- user
- item
- service
- 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.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9536—Search customisation based on social or collaborative filtering
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种面向群组的服务推荐列表生成方法,该方法包括步骤:根据群组内用户的关系,生成用户关系有向图;在群组中选择p个质心用户,根据质心用户,将群组划分为p个子组,对每个子组建立分层分组模型;构建每个子组的推荐服务集评级矩阵,并计算每个子组对待推荐服务集的推荐权重;根据所有子组的推荐服务集评级矩阵和推荐权重,计算每个待推荐服务的聚合指数,对所有服务按照聚合指数做升序排列,得到服务推荐列表。该方法得到的服务推荐列表能够提高推荐服务的用户满意度,而且以用户‑群组‑项目之间的相互关系为中心,可以实现更加优质的群组推荐服务体验。
Description
技术领域
本发明属于服务推荐技术领域,具体涉及一种面向在线社交群组的服务推荐列表生成方法。
背景技术
面向群组的服务推荐是基于群组内用户需求,以用户允许识别符合他们的需求、偏好、品味的服务为基础,查找对整个用户群组有益的服务。在服务推荐的实现过程中,用户之间的信任度量、整个群组中的小分组以及以子组为单位的各项指标(用户活跃度、子组贡献度)和推荐项目列表都扮演着重要的角色,可以说,群组推荐是综合了各种因素的用户与推荐服务关系传递的抽象与凝练。群组推荐具有自组织、低耦合、可分层、可组合和可替换等特性。
面对日益复杂的群组推荐服务,单一的基于前N项排名进行推荐已经不能满足群组用户的需求,这时就需要将用户、服务以及群组之间的关系进行综合考虑,以便产生满足群组推荐特定的复杂需求的服务。然而,由于群组构成并非仅以个体为单位,某些聚合方法在执行时过程中仍然存在极端推荐情况,为了解决这个问题,群组的分组成了一种行之有效的解决方法。另外,子组与服务项目之间的相关性和子组对整个群组的贡献度与推荐服务项目排序问题密切相关,进行动态聚合后对满足用户的个性化需求和提高群组推荐均具有重要意义。
发明内容
发明目的:本发明旨在提供一种开放网络环境下面向社交群组的服务推荐列表生成方法。
技术方案:本发明采用如下技术方案:
一种面向群组的服务推荐列表生成方法,包括如下步骤:
(1)根据目标群组G内用户的关系,构建用户关系有向图GrapG;所述用户关系有向图GrapG中的节点为群组内的用户;两个用户之间有消息发送则所述两个用户对应的节点之间存在路径,所述路径方向为所述两个用户之间第一条消息的发送方向;
每个用户具有对群组G的信任权值,设用户ui的信任权值为
(2)遍历群组G内的所有用户,计算每个用户与其他用户的不相关度,选取不相关度最大的p个用户作为质心用户kl,l=1,2,…,p;所述用户ui的不相关度计算为:
其中,
为用户关系有向图GrapG中用户ui,uj之间的路径实例数量;为用户关系有向图GrapG中从用户uj出发再回到uj的路径实例数量;
(3)根据p个质心用户,将群组G划分为p个子组,每个子组中包含一个质心用户;G={SubG1,SubG2,…,SubGl,…,SubGp},SubGl为第l个子组,包含质心用户kl;对每个子组建立分层分组模型,将所述子组划分为多个小组;
(4)待推荐服务集为:Item={item1,item2,…,itemm};采集每个小组对待推荐服务集中每个服务的兴趣指数;在每个子组中构建推荐服务集评级矩阵,第l个子组的评级矩阵为:
其中wl为第l个子组中小组的数量,m为待推荐服务的总数,Rab为第l个子组中的第a个小组ma对第b个待推荐服务itemb的推荐评级,a=1,…,wl,b=1,…,m;
第a个小组ma的信任权值为ma内所有用户的信任权值之和;rab为小组ma对服务itemb的兴趣指数;
(5)根据每个子组的评级矩阵,计算每个子组对待推荐服务集的推荐权重,包括步骤501-503:
(501)计算每个子组SubGl与待推荐服务集Item的相关性S(Item,SubGl):
其中为rab,rcd的余弦相似度;a,c=1,2,…,wl;b,d=1,2,…,m;λ为调整时间参数,取值λ<1;tb为Item中第b个服务itemb在子组SubGl内的热度持续时间;
(502)计算子组SubGl与群组G之间的相关性Cl,包括步骤:
获取子组SubGl内用户ui的在子组内的活跃指数Actui,计算每个子组的群组影响力因子,第l个子组的群组影响力因子Infl为:
其中是子组SubGl内用户ui的用户信任权重;
计算每个子组与群组G之间的相关性,第l个子组与群组G之间的相关性Cl为:
其中i=1,2,…,l,…,p,表示子组个数,Rab表示第a个小组mia对推荐项目itemb的推荐评级。
(503)计算每个子组对待推荐服务集的推荐权重,SubGl对服务集Item的推荐权重g(Item,SubGl)的计算式为:
α为影响度参数,取值范围是[0,1];
(6)计算每个待推荐服务的聚合指数,根据聚合指数的升序排列,得到服务推荐列表ListR,具体包括如下步骤:
(6.1)计算每一个服务的聚合指数,其中第b个服务itemb的聚合指数D(itemb)的计算步骤如下:
计算对服务itemb评级最大的子组即当l=Lb时,取最大值;
计算D(itemb):
其中wLb为子组中小组的数量,βb为协同参数,β1+β2+…+βp=1;
(6.2)对待推荐服务集Item中的服务按照聚合指数升序排序,截取排序后的前Ψ个服务组成推荐列表ListR,ListR={itemA,itemB,…,itemΨ};
D(itemA)≤D(itemB)≤…≤D(itemΨ),ListR∈Item,Ψ≤m。
步骤(3)中对群组G划分子组的步骤为:
遍历群组中所有的非质心用户,将质心用户kl作为簇心,与kl存在路径实例且路径实例数量大于1的用户划分到子组SubGl中。
步骤(3)中在第l个子组内建立分层分组模型包括步骤:
(301)将第l个子组中信任权值最大和最小的用户作为第一层,并分别划分为第1个小组和第2个小组;在第l个子组所有用户中去掉划分出的第一层用户,得到剩余用户集合Slr;row=1,team=2;
(302)查看剩余用户集合Slr中用户的信任权值是否相同;如果不同,row的值加1,将剩余用户集合Slr中信任权值最大和最小的用户作为第row层,并分别划分为第team+1个小组和第team+2个小组,team的值加2;在用户集合Slr中去掉划分出的第row层用户;循环执行步骤(302),直到用户集合Slr中用户的信任权值相同,并划分为第team+1个小组。
步骤(502)中参数φ的取值为2。
有益效果:与现有的服务推荐方法相比,本发明公开的服务推荐列表生成方法具有以下有益效果:1、将用户的信任权重作为构建分层分组模型的依据,为群组推荐服务中的局部与整体问题中考虑局部用户的需求提供了一种有效且合理的途径;2、子组评级矩阵的设置以及子组与项目之间的相关性的计算,避免了单一的基于前N项排名中极端推荐问题;3、本发明公开的方法与现有的群组推荐方法是兼容的,该方法是对群组推荐列表进行排序,方法中用户信任权重的计算、分层分组模型以及用户-群组-项目之间的关系是灵活可变的,因此其中任一部分均适用现有的群组推荐方法;4、本发明在计算推荐项目权重时,考虑到子组对整个群组的影响不同,计算子组对群组的影响度,有益于提高项目在群组中的快速推广;5、在以用户共性-个性为共同目标的群组推荐服务中,推荐项目的排序问题尤为重要,本发明提供了一种排序方法来找到最优的推荐列表,不仅提高推荐服务的用户满意度,而且以用户-群组-项目之间的相互关系为中心,可以实现更加优质的群组推荐服务体验。
附图说明
图1为本发明公开的服务推荐列表生成方法的流程图。
具体实施方式
下面结合附图和具体实施方式,进一步阐明本发明。
如图1所示,一种面向群组的服务推荐列表生成方法,包括如下步骤:
步骤1、根据目标群组G内用户的关系,构建用户关系有向图GrapG;所述用户关系有向图GrapG中的节点为群组内的用户;两个用户之间有消息发送则所述两个用户对应的节点之间存在路径,所述路径方向为所述两个用户之间消息的发送方向;如果两个用户之间只有单向的消息发送,则路径为单向,从消息发送方指向消息接收方;如果是双向的消息交互,则路径为双向;
每个用户具有对群组G的信任权值,设用户ui的信任权值为信任权重定义为该用户在群组G中的基于用户各种信任因素共同交互的结果,的值被归一化到[0,1]的范围内。本实施例中,按照文献Chen LJ,Gao J.A trust-based recommendation methodusing network diffusion processes[J].Physica A:Statistical Mechanics and itsApplications,2018,506:679-691.来获取用户的信任权值。
步骤2、遍历群组G内的所有用户,计算每个用户与其他用户的不相关度,选取不相关度最大的p个用户作为质心用户kl,l=1,2,…,p;所述用户ui的不相关度计算为:
其中,
为用户关系有向图GrapG中用户ui,uj之间的路径实例数量;为用户关系有向图GrapG中从用户uj出发再回到uj的路径实例数量;
步骤3、根据p个质心用户,将群组G划分为p个子组,每个子组中包含一个质心用户;G={SubG1,SubG2,…,SubGl,…,SubGp},SubGl为第l个子组,包含质心用户kl;
对群组G划分子组的步骤为:
遍历群组中所有的非质心用户,将质心用户kl作为簇心,与kl存在路径实例且路径实例数量大于1的用户划分到子组SubGl中。
社交网络群组的用户基数庞大,即使划分为子组,子组内的用户数量也较大,因此直接对子组用户矩阵进行处理时耗较大,而且简单处理在推荐效率上不尽人意。另外,整个群组中大量用户兴趣爱好并不完全统一,用户的兴趣来源方向复杂,简单聚合项目排名并不能捕获关于不同用户偏好的判断信息,导致对群组用户的不准确推荐。因此本发明继续对子组进行划分,避免出现高信任权值用户被覆盖的现象。对每个子组建立分层分组模型,将所述子组划分为多个小组;在第l个子组内建立分层分组模型包括步骤:
(301)将第l个子组中信任权值最大和最小的用户作为第一层,并分别划分为第1个小组和第2个小组;在第l个子组所有用户中去掉划分出的第一层用户,得到剩余用户集合Slr;row=1,team=2;
(302)查看剩余用户集合Slr中用户的信任权值是否相同;如果不同,row的值加1,将剩余用户集合Slr中信任权值最大和最小的用户作为第row层,并分别划分为第team+1个小组和第team+2个小组,team的值加2;在用户集合Slr中去掉划分出的第row层用户;循环执行步骤(302),直到用户集合Slr中用户的信任权值相同,并划分为第team+1个小组。
步骤4、待推荐服务集为:Item={item1,item2,…,itemm};采集每个小组对待推荐服务集中每个服务的兴趣指数;兴趣指数通过投票决定,取值为{1,2,3,4};
在每个子组中构建推荐服务集评级矩阵,第l个子组的评级矩阵为:
其中wl为第l个子组中小组的数量,m为待推荐服务的总数,Rab为第l个子组中的第a个小组ma对第b个待推荐服务itemb的推荐评级,a=1,…,wl,b=1,…,m;
第a个小组ma的信任权值为ma内所有用户的信任权值之和;rab为小组ma对服务itemb的兴趣指数;
步骤5、根据每个子组的评级矩阵,计算每个子组对待推荐服务集的推荐权重,包括步骤501-503:
(501)计算每个子组SubGl与待推荐服务集Item的相关性S(Item,SubGl):
其中为rab,rcd的余弦相似度;a,c=1,2,…,wl;b,d=1,2,…,m;λ为调整时间参数,取值λ<1;tb为Item中第b个服务itemb在子组SubGl内的热度持续时间;
(502)计算子组SubGl与群组G之间的相关性Cl,包括步骤:
获取子组SubGl内用户ui的在子组内的活跃指数Actui,计算每个子组的群组影响力因子,第l个子组的群组影响力因子Infl为:
其中是子组SubGl内用户ui的用户信任权重;
本实施例中,参数φ的取值为2。
计算每个子组与群组G之间的相关性,第l个子组与群组G之间的相关性Cl为:
其中i=1,2,…,l,…,p,表示子组个数,Rab表示第a个小组mia对推荐项目itemb的推荐评级。
(503)计算每个子组对待推荐服务集的推荐权重,SubGl对服务集Item的推荐权重g(Item,SubGl)的计算式为:
α为影响度参数,取值范围是[0,1];
步骤6、计算每个待推荐服务的聚合指数,根据聚合指数的升序排列,得到服务推荐列表ListR,具体包括如下步骤:
(6.1)计算每一个服务的聚合指数,其中第b个服务itemb的聚合指数D(itemb)的计算步骤如下:
计算对服务itemb评级最大的子组即当l=Lb时,取最大值;
计算D(itemb):
其中wLb为子组中小组的数量,βb为协同参数,用于调整每个子组所推荐项目在整个群组内的比重,β1+β2+…+βp=1;
(6.2)对待推荐服务集Item中的服务按照聚合指数升序排序,截取排序后的前Ψ个服务组成推荐列表ListR,ListR={itemA,itemB,…,itemΨ};
D(itemA)≤D(itemB)≤…≤D(itemΨ),ListR∈Item,Ψ≤m。
Claims (4)
1.一种面向群组的服务推荐列表生成方法,其特征在于,包括如下步骤:
(1)根据目标群组G内用户的关系,构建用户关系有向图GrapG;所述用户关系有向图GrapG中的节点为群组内的用户;两个用户之间有消息发送则所述两个用户对应的节点之间存在路径,所述路径方向为所述两个用户之间消息的发送方向;
每个用户具有对群组G的信任权值,设用户ui的信任权值为
(2)遍历群组G内的所有用户,计算每个用户与其他用户的不相关度,选取不相关度最大的p个用户作为质心用户kl,l=1,2,…,p;所述用户ui的不相关度计算为:
其中,
为用户关系有向图GrapG中用户ui,uj之间的路径实例数量;为用户关系有向图GrapG中从用户uj出发再回到uj的路径实例数量;
(3)根据p个质心用户,将群组G划分为p个子组,每个子组中包含一个质心用户;G={SubG1,SubG2,…,SubGl,…,SubGp},SubGl为第l个子组,包含质心用户kl;对每个子组建立分层分组模型,将所述子组划分为多个小组;
(4)待推荐服务集为:Item={item1,item2,…,itemm};采集每个小组对待推荐服务集中每个服务的兴趣指数;在每个子组中构建推荐服务集评级矩阵,第l个子组的评级矩阵为:
其中wl为第l个子组中小组的数量,m为待推荐服务的总数,Rab为第l个子组中的第a个小组ma对第b个待推荐服务itemb的推荐评级,a=1,…,wl,b=1,…,m;
第a个小组ma的信任权值为ma内所有用户的信任权值之和;rab为小组ma对服务itemb的兴趣指数;
(5)根据每个子组的评级矩阵,计算每个子组对待推荐服务集的推荐权重,包括步骤501-503:
(501)计算每个子组SubGl与待推荐服务集Item的相关性S(Item,SubGl):
其中为rab,rcd的余弦相似度;a,c=1,2,…,wl;b,d=1,2,…,m;λ为调整时间参数,取值λ<1;tb为Item中第b个服务itemb在子组SubGl内的热度持续时间;
(502)计算子组SubGl与群组G之间的相关性Cl,包括步骤:
获取子组SubGl内用户ui的在子组内的活跃指数Actui,计算每个子组的群组影响力因子,第l个子组的群组影响力因子Infl为:
其中是子组SubGl内用户ui的用户信任权重;
计算每个子组与群组G之间的相关性,第l个子组与群组G之间的相关性Cl为:
其中i=1,2,…,l,…,p,表示子组个数,Rab表示第a个小组mia对推荐项目itemb的推荐评级。
(503)计算每个子组对待推荐服务集的推荐权重,SubGl对服务集Item的推荐权重g(Item,SubGl)的计算式为:
α为影响度参数,取值范围是[0,1];
(6)计算每个待推荐服务的聚合指数,根据聚合指数的升序排列,得到服务推荐列表ListR,具体包括如下步骤:
(6.1)计算每一个服务的聚合指数,其中第b个服务itemb的聚合指数D(itemb)的计算步骤如下:
计算对服务itemb评级最大的子组即当l=Lb时,取最大值;
计算D(itemb):
其中wLb为子组中小组的数量,βb为协同参数,β1+β2+…+βp=1;
(6.2)对待推荐服务集Item中的服务按照聚合指数升序排序,截取排序后的前Ψ个服务组成推荐列表ListR,ListR={itemA,itemB,…,itemΨ};
D(itemA)≤D(itemB)≤…≤D(itemΨ),ListR∈Item,Ψ≤m。
2.根据权利要求1所述的面向群组的服务推荐列表生成方法,其特征在于,步骤(3)中对群组G划分子组的步骤为:
遍历群组中所有的非质心用户,将质心用户kl作为簇心,与kl存在路径实例且路径实例数量大于1的用户划分到子组SubGl中。
3.根据权利要求1所述的面向群组的服务推荐列表生成方法,其特征在于,步骤(3)中在第l个子组内建立分层分组模型包括步骤:
(301)将第l个子组中信任权值最大和最小的用户作为第一层,并分别划分为第1个小组和第2个小组;在第l个子组所有用户中去掉划分出的第一层用户,得到剩余用户集合Slr;row=1,team=2;
(302)查看剩余用户集合Slr中用户的信任权值是否相同;如果不同,row的值加1,将剩余用户集合Slr中信任权值最大和最小的用户作为第row层,并分别划分为第team+1个小组和第team+2个小组,team的值加2;在用户集合Slr中去掉划分出的第row层用户;循环执行步骤(302),直到用户集合Slr中用户的信任权值相同,并划分为第team+1个小组。
4.根据权利要求1所述的面向群组的服务推荐列表生成方法,其特征在于,步骤(502)中参数φ的取值为2。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910486817.7A CN110188289B (zh) | 2019-06-05 | 2019-06-05 | 一种面向群组的服务推荐列表生成方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910486817.7A CN110188289B (zh) | 2019-06-05 | 2019-06-05 | 一种面向群组的服务推荐列表生成方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110188289A true CN110188289A (zh) | 2019-08-30 |
CN110188289B CN110188289B (zh) | 2021-02-26 |
Family
ID=67720495
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910486817.7A Active CN110188289B (zh) | 2019-06-05 | 2019-06-05 | 一种面向群组的服务推荐列表生成方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110188289B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2010037286A1 (zh) * | 2008-09-27 | 2010-04-08 | 华为技术有限公司 | 一种基于协同过滤的推荐方法和系统 |
CN105260390A (zh) * | 2015-09-11 | 2016-01-20 | 合肥工业大学 | 一种面向群组的基于联合概率矩阵分解的项目推荐方法 |
CN106651546A (zh) * | 2017-01-03 | 2017-05-10 | 重庆邮电大学 | 一种面向智慧社区的电子商务信息推荐方法 |
US9678993B2 (en) * | 2013-03-14 | 2017-06-13 | Shutterstock, Inc. | Context based systems and methods for presenting media file annotation recommendations |
CN108320062A (zh) * | 2018-03-21 | 2018-07-24 | 广东电网有限责任公司电力科学研究院 | 一种基于多目标种群群搜索算法的联合调度方法及系统 |
CN108780661A (zh) * | 2016-03-16 | 2018-11-09 | 皇家飞利浦有限公司 | 用于改善将具有相似简档的患者聚类在一起的聚类模型的性能的相关性反馈 |
CN109241411A (zh) * | 2018-08-15 | 2019-01-18 | 东软集团股份有限公司 | 推荐信息生成方法和装置,存储介质和电子设备 |
CN109241399A (zh) * | 2018-07-11 | 2019-01-18 | 杭州电子科技大学 | 一种基于信任和影响力结合的个性化推荐方法 |
-
2019
- 2019-06-05 CN CN201910486817.7A patent/CN110188289B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2010037286A1 (zh) * | 2008-09-27 | 2010-04-08 | 华为技术有限公司 | 一种基于协同过滤的推荐方法和系统 |
US9678993B2 (en) * | 2013-03-14 | 2017-06-13 | Shutterstock, Inc. | Context based systems and methods for presenting media file annotation recommendations |
CN105260390A (zh) * | 2015-09-11 | 2016-01-20 | 合肥工业大学 | 一种面向群组的基于联合概率矩阵分解的项目推荐方法 |
CN108780661A (zh) * | 2016-03-16 | 2018-11-09 | 皇家飞利浦有限公司 | 用于改善将具有相似简档的患者聚类在一起的聚类模型的性能的相关性反馈 |
CN106651546A (zh) * | 2017-01-03 | 2017-05-10 | 重庆邮电大学 | 一种面向智慧社区的电子商务信息推荐方法 |
CN108320062A (zh) * | 2018-03-21 | 2018-07-24 | 广东电网有限责任公司电力科学研究院 | 一种基于多目标种群群搜索算法的联合调度方法及系统 |
CN109241399A (zh) * | 2018-07-11 | 2019-01-18 | 杭州电子科技大学 | 一种基于信任和影响力结合的个性化推荐方法 |
CN109241411A (zh) * | 2018-08-15 | 2019-01-18 | 东软集团股份有限公司 | 推荐信息生成方法和装置,存储介质和电子设备 |
Also Published As
Publication number | Publication date |
---|---|
CN110188289B (zh) | 2021-02-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103106279B (zh) | 一种同时基于节点属性以及结构关系相似度的聚类方法 | |
Salcedo-Sanz et al. | A hybrid Hopfield network-genetic algorithm approach for the terminal assignment problem | |
Baeza-Yates et al. | Pagerank Increase under Different Collusion Topologies. | |
Wu et al. | Modified the performance of differential evolution algorithm with dual evolution strategy | |
CN107256241B (zh) | 基于网格与差异替换改进多目标遗传算法的电影推荐方法 | |
CN107016461A (zh) | 一种混合多目标进化方法 | |
CN101616074B (zh) | 基于量子进化的组播路由优化方法 | |
CN102306336A (zh) | 基于协同过滤和QoS感知的服务选择框架 | |
Fan et al. | Game balanced multi-factor multicast routing in sensor grid networks | |
Alshahrani et al. | Top-k influential users selection based on combined katz centrality and propagation probability | |
Li et al. | Application deployment in mobile edge computing environment based on microservice chain | |
CN114154685A (zh) | 智能电网中电能数据调度方法 | |
CN110188289A (zh) | 一种面向群组的服务推荐列表生成方法 | |
Zhao et al. | Energy-efficient and fair IoT data distribution in decentralised federated learning | |
Xiaoguang et al. | Research on cloud computing schedule based on improved hybrid PSO | |
Abdelhamid et al. | PartLy: learning data partitioning for distributed data stream processing | |
Narendran et al. | Optimized lowest ID in wireless sensor network using Invasive Weed Optimization (IWO)-genetic algorithm (GA) | |
Guo et al. | Clustering effect of user-object bipartite network on personalized recommendation | |
Ludwig et al. | Selection algorithm for grid services based on a quality of service metric | |
CN111290853A (zh) | 一种基于自适应改进遗传算法的云数据中心调度方法 | |
Liu et al. | A method for member selection of virtual team based on comprehensive performance on cloud design services platform | |
Wang et al. | A QoS-aware Web Service Composition Approach Based on Cloud Model | |
CN105959960B (zh) | 一种基于进化多目标优化匹配的频谱决策方法 | |
Chen | Educational resource management in grid community based on learning object metadata standard | |
Wang et al. | Application and Performance Comparison of Biogeography-based Optimization Algorithm on Unconstrained Function Optimization Problem. |
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 |