排序方式: 共有4条查询结果,搜索用时 0 毫秒
1
1.
Internet资源的指数级增长促进了个性化服务的发展.针对传统的用户兴趣建模方法在准确率和增量处理能力方面的不足,提出了一种新的基于概念聚类的用户兴趣建模方法UIM2C2(User Interest Modeling Method based on Conceptual Clustering).该方法首先通过分析用户访问的历史文档构造后缀树结构,然后选择不同的相似度阈值,以不同的粒度合并基本簇.依据不同阈值条件下合并的基本簇之间的包含关系,生成用户的兴趣层次.UIM2C2方法是针对文档的一个增量式、无监督的概念学习方法,因此用户描述文件可以轻易的获取和更新.最后,通过数据集20NewsGroup上的实验验证了UIM2C2方法在兴趣预测方面的有效性. 相似文献
2.
针对现有兴趣漂移增量学习方法大多针对包含二值数据标签的用户反馈进行学习的不足,提出了一种适用于连续数值标签反馈的兴趣漂移增量学习方法,以或然概念集的形式描述用户兴趣,将用户反馈中包含的数据标签视为用户对该实例的喜好概率,并采用基于指数近度加权平均的方法对兴趣模型进行增量学习.在不同学习任务下的实验结果表明,该方法能够在反馈数据标签为连续数值的条件下达到比现有方法更好的学习效果. 相似文献
3.
针对H.264的运动估计计算量太大的问题,通过研究并验证视频多帧参考时的运动连续性,提出了一种基于有效区域的快速运动估计算法(VRF,Valid-Region-based Fast Motion Estimation). 该算法在第一个参考帧中用三步搜索(3SS,3-Step Search)快速估计整像素精度运动矢量, 并以此定义一个有效区域, 参考其它帧时, 在该有效区域内作改进的3SS估计; 然后选择最佳参考帧; 最后在所选择的最佳参考帧的有效区域内作全搜索和相应的分数像素精度估计. 实验证明, 和H.264全搜索相比, 本算法的运动估计搜索点数降低了82%以上, 而恢复质量(用峰值信噪比(PSNR,Peak Signal to Noise Ratio)表征)平均只下降0.24 dB,且码速率只增加8.81%; 和另一个经典的帧选择快速算法相比, 本算法的搜索点数降低了39%,且码速率平均下降了5.17%, 而恢复质量只下降0.08 dB. 相似文献
4.
1