摘要：搜索广告中的点击率预估问题在信息检索和机器学习等领域一直是研究的热点.目前通过设计特征提取方案获得特征和针对用户点击行为建模等方法,并没有充分考虑广告数据具有的高维稀疏性、特征之间存在高度非线性关联的特点,致使信息利用不充分.为了降低数据稀疏性和充分挖掘广告数据中隐藏的规律,该文提出了面向广告数据的稀疏特征学习方法.该方法基于张量分解实现特征降维,并充分利用深度学习技术刻画数据中的非线性关联,以解决高维稀疏广告数据的特征学习问题,实验结果验证了文中提出的方法能够有效地提升广告点击率的预估精度,达到了预期效果.

摘要：如何利用社会网络信息来寻找一个合作高效、高质量的团队,已成为热门的研究话题.但现有团队生成问题中对个体拥有技能的度量大多都采用0-1方式,而在实际应用中如何界定个体是否拥有该技能的方法会在很大程度上影响团队完成任务的效率.另外在目前的基于社会网络的团队生成方法研究中,计算个体间关系强度时只考虑个体间曾经合作任务的数目,并没有深入挖掘社会网络条件下个体间的社会关系类别以及个体自身的其他属性,这些因素很大程度上也会影响个体间的社会关系,进而影响个体间的团队合作.针对以上问题,该文首先给出团队生成问题的具体定义和相关概念,给出技能贡献度的定义,并利用社会网络个体间的关系类别和个体间对应社会属性相似度引入一种关系模型来进一步量化团队成员个体间的关系强度;然后根据团队的不同形式分别进行了无领导者团队生成方法的研究和有领导者团队生成方法的研究,并分别提出了MCSTFA算法(Minimum Covering Steiner-based Team Forming Algorithm)和MSCTFA算法(Minimum Set Covering-based Team Forming Algorithm)来寻找最佳无领导者团队以及提出MLDTFA算法(Minimum Leader Distance based Team Forming Algorithm)来寻找最佳领导者和最佳团队.最后,利用DBLP数据集设计和实现实验以验证上述所有方法的可行性和有效性,并从团队合作代价、团队成员数量、团队连通性以及社会网络影响因素对算法的影响对比结果等方面进行比较和分析,实验结果验证了文中所提算法的可行性和高效性.

摘要：社交网络和网络购物的发展普及导致了社会化导购的产生和发展,也催生了通过在社交网络中推荐产品从而获取利润的"橙领".通过对橙领相关技术的研究,能更透彻地了解基于社会网络的产品营销机制以及探索社会化导购的底层模式.目前国内外少有这方面研究.因此,文中针对橙领的自身定位问题和面向用户或商家的橙领推荐问题,提出一种针对社会化导购的橙领推荐方法,主要包括3个算法:橙领定位算法、面向用户的橙领推荐算法OCRA4U(Orange Collar Recommending Algorithm for User)和面向商家的橙领推荐算法OCRA4S(Orange Collar Recommending Algorithm for Shop).橙领定位算法依据橙领的推荐历史对橙领进行定位特征向量化描述,最终转化为一个聚类问题进行解决.OCRA4U考虑了橙领在社交网络中的影响力和橙领与用户需求的匹配度,得到橙领推荐列表.OCRA4S结合橙领在网络中的影响力以及橙领的历史推荐产品,推荐出最符合商家产品需求的橙领列表.基于新浪微博数据集和DBLP数据集,文中设计并实现了3个相关实验:橙领定位算法实验、橙领推荐实验以及社会化数据影响实验,实验结果验证了所提算法的准确性和可行性.

摘要：为了在数据图上查找能够包含所有或部分查询关键字的子图,提出一种关键字图查询方法.首先通过Page Rank和查询关键字所处位置这2个因素对语言模型进行完善,克服搜索结果时只考虑距离关系而未考虑节点和查询关键字之间相似性的不足;其次提出节点搜索算法以及结果生成算法,为用户返回与查询相关且节点之间结构更加紧密的结果子图,将任意2个关键字节点之间最相关的连接关系表现出来.实验结果表明,该方法能够为用户返回更符合查询需求的结果.

摘要：在针对大量医疗数据进行挖掘分析的可视化应用中,主要是对算法流程的简单可视化,缺乏一定的交互,对于用户来讲仍然是一个"黑盒"。针对这一问题,设计了一种基于交互模型针对具有对称性质的二维医学图像的多阶段分类可视化系统。首先,系统通过简单人机交互提取图像的灰度特征、纹理特征以及轮廓特征;然后结合实时图表、图像以及动画的展示对整个分类过程进行了可视化;并且在可视化过程中采用了简化交互策略,随着处理图像的增加,将会简化特征提取的人机交互过程,从而减少训练及分类时间。在2 000张脑CT图像集上的实验结果表明,基于交互模型的可视化方法能够使用户充分参与整个分类过程,从而实现对医学图像分类的过程可视化。