随着GPS定位技术的快速发展与智能终端设备的广泛使用,基于位置的社交网络(Location-Based Social Networks,LBSNs)吸引了越来越多的用户.场点推荐是LBSNs中一个非常重要的研究课题.提出一种融合Hub平均算法和情感分析的个性化场点推荐...
详细信息
随着GPS定位技术的快速发展与智能终端设备的广泛使用,基于位置的社交网络(Location-Based Social Networks,LBSNs)吸引了越来越多的用户.场点推荐是LBSNs中一个非常重要的研究课题.提出一种融合Hub平均算法和情感分析的个性化场点推荐方法.首先根据用户的签到记录,利用Hub平均算法发现旅行专家,然后根据用户的评论信息与签到次数挖掘用户对场点的兴趣度,最后采用协同过滤算法的思想,将与用户兴趣相似的旅行专家签到的场点推荐给用户.通过在Foursquare应用中真实的用户签到数据集上进行实验,并与现有的场点推荐方法进行比较,可以得出本文的方法不仅可以更准确的发现旅行专家,而且可以更全面刻画用户对场点的兴趣度,从而提高了推荐效果.
目的图像分类与识别是计算机视觉领域的经典问题,是图像检索、目标识别及视频分析理解等技术的基础。目前,基于深度卷积神经网络(CNN)的模型已经在该领域取得了重大突破,其效果远远超过了传统的基于手工特征的模型。但很多深度模型神经元和参数规模巨大,训练困难。为此根据深度CNN模型和人眼视觉原理,提出并设计了一种深度并行交叉CNN模型(PCCNN模型)。方法该模型在Alex-Net基础上,通过两条深度CNN数据变换流,提取两组深度CNN特征;在模型顶端,经过两次混合交叉,得到1 024维的图像特征向量,最后使用Softmax回归对图像进行分类识别。结果与同类模型相比,该模型所提取的特征更具判别力,具有更好的分类识别性能;在Caltech101上top1识别精度达到63%左右,比VGG16高出近5%,比Goog Le Net高出近10%;在Caltech256上top1识别精度达到46%以上,比VGG16高出近5%,比Goog Le Net高出2.6%。结论 PCCNN模型用于图像分类与识别效果显著,在中等规模的数据集上具有比同类其他模型更好的性能,在大规模数据集上其性能有待于进一步验证;该模型也为其他深度CNN模型的设计提供了一种新的思路,即在控制深度的同时,提取更多的特征信息,提高深度模型性能。
暂无评论