摘要：传统的协同过滤算法存在因评分预测误差导致的准确性不足,以及需要缓存大量相似性结果导致的算法可扩展性受限等缺点。为此提出了一种基于物品标签向量下的用户模糊偏好相似性度量方法,该方法使用模糊逻辑度量了不同用户对不同物品内容标签喜欢、不喜欢的程度,将用户间的相似性表示为物品内容标签上的一个向量。随后依据该向量与预测目标物品内容标签之间的关系,设计了相应的相似性计算和评分预测公式。在两个常用数据集上的实验结果表明,相较于其他算法该文在体现评分预测准确性指标平均绝对误差上提升了12.38%;在体现偏好预测准确性的F1值上提升了7.85%;在体现排序准确性的半衰期效用指标上提升了17.47%。同时,该文提出的算法减少了各指标的最优预测时需要的邻居数,缩短了算法运行时间,有效提升了可扩展性。

摘要：基于距离模型的协同过滤通过计算用户间已知评分的距离,并使用该距离来预测目标用户的未知评分,但该类算法因预测需要使用所有邻居而导致需要大量缓存距离计算结果。针对这一问题,设计了一种融合用户相似性与用户评分距离的个性化推荐算法,基于用户间的相似性对邻居进行筛选,使用筛选之后的邻居集合预测未知评分。基于MovieLens数据与现有几种经典算法进行比较实验,证明了设计方法的有效性,在降低29%邻居数量的基础上,该算法提高了预测准确性、推荐列表排序性能等多个关键指标。

摘要：K-壳分解法在度量复杂网络中节点的重要性方面具有重要的理论意义和应用价值.但K-壳方法中,存在大量壳值相等的节点,从而无法精确地比较这些具有相同壳值节点的相对重要性.因此,本文基于网络中节点自身壳值与其多阶邻居的壳值,设计利用向量的形式来表示节点在复杂网络中的相对重要性程度,提出了多阶邻居壳数向量中心性方法,并设计了该中心性向量比较方法.通过在七个真实网络中进行消息传播与静态攻击实验,发现基于多阶邻居壳数向量的中心性方法具有计算复杂度低,能够有效发现具有高传播能力的节点,在传播实验中具有优越的性能.并在静态攻击实验过程中倾向于优先破坏网络中的传播核心结构.多阶邻居壳数向量中心性方法在保留K-壳中心性信息的前提下,极大提高了节点重要性的区别程度,平衡了对节点在复杂网络中联通结构的重要性的度量和对传播结构重要性的度量,因此具有重要理论意义与应用价值.

摘要：针对软件代码研究的复杂性,研究软件类结构中最重要的核心部分,提取基于软件网络的软核,以降低软件理解与度量的难度.并通过一个以软核概念为基础的软核剥离算法进行了一定样本量上,软件软核的研究.分析结果表明:软核的层次与软件的升级与发展,即软件生长成正比关系.软件网络的软核每个层次中节点数与软件网络总节点数之比在软件生长过程中会趋近S模型.软件软核的S模型趋近现象在软件的生长过程中,可以被用来研究度量软件的层次性构成.软核的提取可以用来简化研究人员对软件的理解,聚焦软件设计、实现、测试时的重点类.

摘要：针对一类双边模糊模型描述下的模糊广义系统,考虑了其具有参数不确定性和外部扰动时的有限时间稳定性问题,利用线性矩阵不等式(LMIs)技术,给出了该类模糊广义系统有限时间稳定的充分条件;设计了基于平行分布补偿(PDC)的有限时间鲁棒控制器,有效地将控制系统在给定的时间区域内限定在期望的状态空间椭球内,使系统在给定的有限时间区域内和零初始状态下可以达到相应的耗散性能.数值算例的仿真结果说明了所给方法的有效性.

摘要：以复杂网络分析技术为基础,利用中心化度量方法与拓扑鲁棒性分析,研究了一个真实企业SAP系统迁移过程的系统设计.提出了基于介数中心性的网络硬件升级规划方案,设计了网络中局部拓扑鲁棒性的度量方法.通过仿真实验验证了相关设计方法的有效性.结论表明,应用复杂网络理论的方法进行实际系统的分析与设计,可以有效地提高SAP系统的鲁棒性和响应时间.

摘要：为了改善经典协同过滤个性化推荐算法准确性不高、推荐列表排序性能和偏好分类预测精确性低的缺点,综合考虑了用户共同评分物品数量及质量,通过降低共同评分物品数量较少或质量不高的邻居用户权重,设计了一种用户相似性度量方法进行协同过滤和评分预测。通过实验,在MovieLens电影评分数据集上与领域内几个典型协同过滤算法对比,研究发现本文设计的融合用户共同评分数量和质量的协同过滤个性化推荐算法可以将预测误差降低8.41%,将推荐列表排序性能提高10.21%,将偏好分类预测准确率提高2.55%。

摘要：大规模软件的结构度量将软件中看做特殊的网络结构进而计算网络的拓扑特征以反应软件特性。实现了一种大规模软件度量工具,根据功能需求,首先给出了工具模型的整体设计;然后分别阐述了各个进程的详细设计和功能以及数据库结构的设计;最后应用工具对六种不同节点数和边数的大规模软件进行度量,计算了各个进程所要耗费的时间。结果表明,度量工具能够很好地满足功能和时间性能的要求。

摘要：电影推荐算法依靠计算用户的偏好差异进行推荐,以解决互联网时代的信息过载问题.传统协同过滤等推荐算法主要基于用户间对相同电影的评分差异计算用户偏好的相似性.这类方法忽视了用户的评分行为是一种实际上的选择行为,即便评分不高也体现出用户对该类型电影的兴趣.针对这一问题,本文设计了基于电影类型标签选择概率的用户间相似性计算方法,并建立了以用户为节点,以用户之间的相似性为边的推荐系统的复杂网络模型,并根据上述网络拓扑结构中的节点中心性数据,进一步设计了平衡用户品味影响力函数,调整了用户协同偏好的结果,提出了基于用户偏好相似性和用户品味影响力的电影评分预测方法.在MovieLens数据集上的实验结果表明,本文提出的算法与几种典型的现有方法相比较,可以有效的度量用户偏好的相似性以及抵消用户大众化品味影响力被高估在评分预测中带来的负面影响,与现有算法相比预测误差平均降低了2%至5%.

摘要：通过研究网络结构上的观点传播与协同过滤算法,基于对观点传播算法的优化,提出了基于用户相似和物品相似推荐系统评分预测算法.设计的算法修正了现有相似研究中在目标比较相似时,相似性结果为零的问题,将用户(或物品)的相似度定义为用户(或物品)间的观点数目和差异在相应复杂网络中的传播结果,并提出了相应的推荐算法.在MovieLens数据集上的实验结果证明,提出的算法与几种典型的现有方法相比较,具有更高的准确性,并且优于观点传播算法.