公共文化服务平台

高榕: 作品数：10 被引量：98H指数：7; 供职机构：武汉大学计算机学院更多>>; 发文基金：国家自然科学基金国家高技术研究发展计划中央高校基本科研业务费专项资金更多>>; 相关领域：自动化与计算机技术更多>>

合作作者

一种基于评分矩阵局部低秩假设融合地理和文本信息的协同排名POI推荐模型被引量：3: 2018年; 针对目前LBSN中,用户只对少数兴趣点进行签到,使得用户签到历史数据及其上下文信息(如评论文本)极其稀疏,同时传统的评分推荐系统只考虑用户和评分二元信息,具有一定的局限性。为此,提出一种基于评分矩阵局部低秩假设的局部协同排名兴趣点推荐算法。首先,假设用户—兴趣点矩阵在由用户—兴趣点对所定义度量空间中某些邻域内是低秩的;其次,对于地理信息建模采用一种自适应二维核密度方法;然后,对于文本信息利用潜在狄利克雷分配模型挖掘兴趣点相关的文本信息建模用户的兴趣主题;最后,基于局部协同排名模型将兴趣点的地理信息和评论文本信息有效融合。实验结果表明,该模型的性能优于主流先进兴趣点推荐算法。; 孙琳罗保山高榕

基于云环境K-means聚类的并行算法被引量：10: 2015年; K-means聚类算法只能保证算法收敛到局部最优,从而导致聚类结果对初始点的选择非常依赖,同时在面对海量数据时容易因运算次数增多而使聚类过程耗时增加.针对上述问题及结合海量数据的特性,本文提出了一种基于云环境的并行聚类算法,该算法利用Canopy聚类算法思想并结合二分查找思想对K-means算法进行优化,同时采用"极限点"原则使之避免了聚类过程中的局部最优,然后利用顺序组合式MapReduce编程模型实现了算法的并行化扩展.实验结果表明:在大数据集上,该算法比同样部署在Hadoop集群上运行的K-means算法,在加速比、准确率、扩展率、算法效率方面具有较大的优势.; 高榕李晶肖雅夫祝孙静彭卫平; 关键词：海量数据聚类 K-MEANS算法 MAPREDUCE

一种基于位置社交网络的地点推荐算法被引量：7: 2016年; 针对目前基于用户签到的地点推荐方法忽略了用户未评分的项集以及忽视了用户签到次数的差异,以及基于社交影响的地点推荐算法中缺乏对用户之间必要的相关性描述的情况,提出一种新的算法。该算法采用了一种线性的融合框架,有效地避免了单独考虑用户签到、社交因素进行地点推荐的弊端。实验结果表明,在距离限制变量、推荐地点个数相同的条件下,新算法的推荐准确率优于现有的推荐算法。与现有的算法相比,新算法有更好的推荐效果。; 袁适之李晶李石君高榕

基于改进蚁群算法的构件检索方法被引量：3: 2015年; 在基于构件的软件开发过程中,检索和提取满足用户需求的构件已成为目前研究重点。在构件库的效率优化方面,主要包括构件检索效率和构件理解效率的优化。利用数据挖掘中基于拥挤因子的改进蚁群算法来优化构件的复用规则,从而提高复用者对于所需构件选取的准确性。通过实验证明,该方法挖掘出来的构件复用规则准确率为75.3%,高于Apriori算法和蚁群算法,对于构件的检索和选取提供了较好的决策支持。; 童浩孙航李晶高榕彭卫平; 关键词：蚁群算法

基于用户-内容主题模型的兴趣点联合推荐算法被引量：18: 2018年; 目前基于协同过滤的兴趣点推荐算法能够获得较好的推荐效果,但是当用户外出远离其常驻地时,推荐效果急剧下降,主要原因是用户的签到记录主要集中在其常驻地周围,而对其他兴趣点的签到行为较少,此时不能准确计算用户兴趣。因此提出了一种基于主题模型的兴趣点推荐算法,在推荐过程中同时考虑了用户的偏好分布和兴趣点的主题分布,使得当用户在新的兴趣点时,也能获得较好的推荐。实验证明,该方法不仅能够缓解推荐数据的稀疏性问题,而且与其他方法相比有更高的推荐准确率。; 卢露朱福喜高榕朱林; 关键词：协同过滤

一种融合情景和评论信息的位置社交网络兴趣点推荐模型被引量：36: 2016年; 随着位置社交网络(location-based social network,LBSN)的快速增长,兴趣点(point-ofinterest,POI)推荐已经成为一种帮助人们发现有趣位置的重要方式.现有的研究工作主要是利用用户签到的历史数据及其情景信息(如地理信息、社交关系)来提高推荐质量,而忽视了利用兴趣点相关的评论信息.但是,现实中用户在LBSN中只对少数兴趣点进行签到,使得用户签到历史数据及其情景信息极其稀疏,这对兴趣点推荐来说是一个巨大的挑战.为此,提出了一种新的兴趣点推荐模型,称为GeoSoRev模型.该模型在已有的基于矩阵分解的经典推荐模型的基础上,融合关于兴趣点的评论信息、用户社交关联和地理信息这3个因素进行兴趣点推荐.基于2个来自Foursquare的真实数据集的实验结果表明,与其他主流的兴趣点推荐模型相比,GeoSoRev模型在准确率和召回率等多项评价指标上都取得了显著的提高.; 高榕李晶杜博余永红宋成芳丁永刚; 关键词：矩阵分解社交关系地理信息

基于深度学习的混合兴趣点推荐算法被引量：12: 2019年; 针对现有兴趣点推荐的初始化和忽视评论信息语义上下文信息的问题,将深度学习融入推荐系统中已经成为兴趣点推荐研究的热点之一。该文提出一种基于深度学习的混合兴趣点推荐模型(MFM-HNN)。该模型基于神经网络融合评论信息与用户签到信息来提高兴趣点推荐的性能。具体地,利用卷积神经网络学习评论信息的特征表示,利用降噪自动编码对用户签到信息进行初始化。进而,基于扩展的矩阵分解模型融合评论信息特征和用户签到信息的初始值进行兴趣点推荐。在真实签到数据集上进行实验,结果表明所提MFM-HNN模型相比其他先进的兴趣点推荐具有更好的推荐性能。; 冯浩黄坤李晶高榕刘东华宋成芳; 关键词：兴趣点矩阵分解神经网络

基于情感倾向性分析的微博意见领袖识别模型被引量：9: 2018年; 当前,微博意见领袖识别的研究方法纷繁多样,常见的方法有:对用户的个性化特征进行综合分析的方法和基于社交网络结构的分析方法。这些方法大多只考虑了用户的特征,未考虑用户之间的互动行为,或者未考虑微博文本的情感因素。为此,提出了一种基于微博情感分析的微博意见领袖识别方法。首先,在基于合成情感词典的词频统计结果的基础上,利用支持向量机对微博博文进行情感分析;然后,将变异系数法用于微博属性权重的计算,以体现微博的影响力;最后,利用改进的PageRank算法在微博用户转发关系网络中预测用户影响力的扩散过程,计算用户最终影响力的大小。在新浪微博数据集上通过实验评测该方法的性能,结果表明该方法能够有效提高识别性能。; 陈志雄王时绘高榕; 关键词：变异系数法意见领袖

一种基于位置社交网络融合多种情景信息的兴趣点推荐模型被引量：10: 2017年; 针对现有位置社交网络兴趣点推荐的研究工作主要集中在挖掘兴趣点的情景信息:时间信息、地理位置和评论信息,其中评论信息对用户偏好的影响尚未充分研究的情况,提出一个统一兴趣点推荐模型。其融合了用户偏好模型和上述三种情景信息,对用户偏好建模采用基于签到次数的度量方法,同时对评论信息采用基于潜在狄利克雷分配主题模型来挖掘用户偏好。实验结果表明,该模型在推荐准确率等多种评价指标上都取得了更好的结果。; 陈志雄曾诚高榕; 关键词：协同过滤主题分析

一种基于泊松融合的实时海滩场景模拟被引量：2: 2018年; 三维海滩场景绘制具有内容复杂、分辨难度大、计算量大的特点．现有三维海滩场景处理方法不足以满足军事仿真和实时游戏等应用领域的需求．针对上述情况，提出了基于泊松融合实时海滩场景模型．通过采用简化的大气散射方程组对天空进行建模，使用反向快速傅立叶变换和双向反射分布函数绘制海面的动态效果，使用纹理贴图实现沙滩的真实感绘制，最后使用泊松方程对天空、海面和沙滩进行融合．实验结果表明，该类绘制融合的方法能够减少绘制时间，实现三维动态海滩场景的实时绘制．; 周益飞李晶李晶宋成芳宋成芳高榕; 关键词：三维模型

高榕

合作作者

文献类型

领域

主题

机构

作者

传媒

年份

用户反馈

高榕

合作作者

文献类型

领域

主题

机构

作者

传媒

年份

用户登录

用户反馈