摘要：主动学习旨在通过人机交互减少专家标注,代价敏感主动学习则致力于平衡标注与误分类代价。基于三支决策(3WD)和标签均匀分布(LUD)模型,提出一种基于最远总距离采样的代价敏感主动学习算法(CAFS)。首先,设计了最远总距离采样策略,以查询代表性样本的标签;其次,利用了LUD模型和代价函数,计算期望采样数目;最后,使用了k-Means聚类技术分裂已获得不同标签的块。CAFS算法利用三支决策思想迭代地进行标签查询、实例预测和块分裂,直至处理完所有实例。学习过程在代价最小化目标的控制下进行。在9个公开数据上比较,CAFS比11个主流的算法具有更低的平均代价。

摘要：分析了在知识约简过程中现有条件信息熵的不足,给出一种新的条件信息熵,由此定义新的属性重要性.将其与基于正区域和基于现有条件信息熵的属性重要性进行比较,结果表明新的属性重要性是一种更准确、更全面的启发信息.以新的属性重要性为启发信息设计约简算法,并给出计算新的条件信息熵的高效算法.理论分析和实验结果表明,与基于现有条件信息熵的约简算法相比,该约简算法时间复杂度较低,且在搜索最小或次优约简方面更优.

摘要：针对标签相关性的表征问题,提出一种基于三角距离相关性的标签分布学习算法。首先,构建距离映射矩阵,描述标签分布和特征矩阵之间的映射关系。其次,设计新的三角距离,以表征标签之间的相关性。最后,结合标签相关性,设计基于Kullback-Leibler散度的目标函数。在8个数据集上的实验结果表明,与8种主流算法相比,本文提出的算法在6个准确性指标上占优势。

摘要：在形式语言与自动机理论课程中，文法与自动机的构造在本质上都与结构化程序设计的思想有着很强的联系。本文从具体例子出发，阐明了这种联系并将其上升到理论的高度。在教学实践中对这种联系的讲述，对学生理解和掌握文法和自动机的构造起到了非常积极的作用。

摘要：多示例学习(MIL)的任务是训练一个有效的分类器,以处理具有复杂数据结构的包。一个包对应一个样本,由多个实例构成,描述了样本的信息特征。基于标准MIL假设,如果包中至少有一个正实例,则该包为正,反之为负。已有的多示例学习算法通常将包看作一个整体或基于整个实例空间进行学习。然而,数据集中通常包含噪声,将对分类结果造成一定的影响。本文提出半监督多示例分类的两层粒化与空间转换方法(TSSM)。首先,在单包粒度层次上,设计基于密度与距离的去噪技术,获得特征值更为突出的包。其次,在数据集粒度层次上,设计关键包选择技术,获得更具全局代表性的关键包。最后,利用基于关键包的空间转换技术,获得新的数据嵌入,以构建更加精确的分类器。实验结果表明TSSM比大多数MIL分类算法有更高的性能。

摘要：作为一种高效的数据分析工具,三支概念分析为推荐系统提供了新的思路。为解决评分系统中存在的数据稀疏问题,该文提出一种内涵粗糙三支概念以及基于它的个性化推荐方案。内涵粗糙三支概念由三支概念扩展得来,是由外延、正内涵以及负内涵组成的三元组,正负内涵由外延结合对应的阈值α和β分别生成,内涵粗糙三支概念具有边界模糊、信息丰富等特点。首先,以最大化概念体积为优化目标,设计启发式方法针对每个用户生成相应的内涵粗糙三支概念;其次,移除重复的内涵粗糙三支概念以构成概念集;最后,基于正负内涵特性和推荐置信度,对用户进行个性化推荐。在6个公开数据集上进行实验,结果表明,与k NN、MF、IBCF、CFGAN以及基于形式概念的推荐算法GreConD-k NN和GRHC相比,该文算法具有更优的推荐效果。

摘要：针对模糊形式概念分析在推荐应用中难以用于大规模数据集的问题,提出了一种基于模糊概念集启发式构造的推荐方法。根据用户之间的相似度,为每个用户构建子背景,在子背景上采用新的启发式信息,分别以用户和项目为线索生成模糊概念。利用模糊概念内部信息,设计了融入用户权重的推荐置信度,实现了对用户的个性化推荐。在6个真实数据集上进行试验,本方法的推荐效率较高,与经典的协同过滤算法相比,在稀疏的数据集上能够取得更好的推荐效果。

摘要：主动网络可以传送、计算包含数据和特定应用/服务方法的主动包,这样就能实现网络的快速定制。文中在移动Agent技术支持的主动网络体系结构上,设计了主动节点的模型,以及路由方案,并对路由方案的性能进行了测试。

摘要：时间序列预测是大数据发展背景下的重要研究课题,具有广泛的应用前景,其主要任务是根据时序数据反映的发展规律去推测未来某阶段的走势,但大多数预测模型未能充分考虑残差带来的影响,无法取得更优的预测结果 .提出一种三支残差修正的融合时序预测模型,能够有效地将残差圈定在一定范围内,提高时间序列的预测精度.首先,利用时间序列分解算法STL (Seasonal-Trend Decomposition Procedure Based on Loess)将时间序列分解为趋势项、周期项和余项;其次,针对分解后的三个分量,设计轻量级梯度提升机(Lightweight Gradient Boosting Machine,LightGBM)和时间卷积网络(Temporal Convolutional Network,TCN)的融合预测模型;最后,结合三支决策理论设计了三支残差修正算法,修正余项预测过程中产生的残差,进而修正时间序列的预测结果 .实验结果证明,提出的模型在绝大多数情况下优于其他对比模型,预测效果更好.

摘要：形式概念分析作为知识发现的方法,在理论分析和实际应用中已经取得很多成果。随着三维数据的涌现,许多学者开始了对三元形式概念分析的研究。但是,目前该领域的研究和应用较少,尤其还没有被应用到推荐系统。文中介绍了三元概念的构建及其社会化推荐应用。首先设计启发式信息,构造覆盖所有用户的三元概念集合,启发式信息旨在生成外延和内涵均有一定规模的强概念;然后根据拟推荐项目的属性来筛选用户合适的社会关系,并结合项目在概念中的流行度实现推荐预测。文中分别在真实数据集和抽样数据集中进行了3个实验。实验1对比了启发式方法和∨_(o c)运算构造的三元概念数量及其运行时间,其中∨_(o c)运算构造的概念数量少、耗时长且对推荐的提升效果不明显;实验2对比了推荐效果的精确度、召回率和F1值,揭示了增加条件可以有效提升推荐效果;实验3的结果表明,基于三元概念的推荐算法的推荐效果优于KNN及GRHC。