矩阵分解

摘要： 网络表示学习是为了将网络中的顶点用低维的向量进行表示,将网络的整体结构保持的完整.这些表示过后的向量可以被看做原始网络的特征,进行下游任务,在多标签节点分类,多路链路预测实验时,结果表明我们的方法在不同数据集中有着优秀的表现.

摘要： 推荐系统可以主动帮助用户找到符合偏好的个性化物品并推荐给用户,矩阵分解方法是推荐系统中较为经典的方法。为了解决推荐系统矩阵分解中数据稀疏导致矩阵分解性能不佳的问题,提出了对矩阵分解进行改进的方法。首先对矩阵分解进行改进,然后在改进的矩阵分解的基础上融合项目本身潜在的附加信息,最后通过引入项目之间的相似度来进行计算,从而提高推荐算法的准确率。实验结果表明,新方法明显优于现有的矩阵分解推荐模型,具有很好的应用价值。

摘要： 许多推荐算法如基于矩阵分解因无法充分挖掘用户对项目的偏好信息而无法取得令人满意的推荐效果。为了解决上述问题,该文设计了两个模块,首先,利用多层感知机技术学习输入的信息以获得较好的特征表示,在原始输入时通过点积操作得到关系信息,并将其命名为深度矩阵分解(DeepMF);其次,在多层感知机中加入多层注意力网络,这样能够得到用户对项目的偏好信息。此外,点积操作应用于输出前是为了获得特征表达的关系信息,这一模块名为深度注意力矩阵分解(DeepAMF)。通过结合两个模块的优势得到联合多层注意力网络矩阵分解算法(MAMF),在四个公开数据集上的实验证明了MAMF算法的有效性。

摘要： 为了解决数据稀疏性对推荐算法预测准确度的影响,本文提出了一种融合社交信任的矩阵分解推荐算法。在相关数据集上实验结果表明,预测的平均绝对误差和均方根误差都得到了明显的改善。

摘要： 准确的药物-靶标相互作用预测在药物发现和重新定位中有重要作用。传统的方法要么费时(基于模拟的方法),要么严重依赖领域专业知识(基于相似性和基于特征的方法),而且现有的使用单一数据信息或稀疏数据的计算方法普遍准确性不高。尽管多个异构网络整合已被广泛用于预测药物靶标,但如何尽可能多的保留网络结构信息仍然是一个巨大的挑战。本文提出一种新颖的框架NGDTI,不仅从网络中提取相关的生物学特性和关联信息,而且保留重要的网络拓扑信息。其利用图神经网络更新提取的特征信息,所发现的药物和靶标的拓扑特征使药物-靶标相互作用预测更加准确。与最新的基准方法相比,本文模型的AUPR值提高了0.01。实验结果表明,NGDTI在药物开发和重新定位方面有良好的应用前景。

摘要： 现有一些方法通过结合传统推荐技术和社交信息,缓解推荐系统中的冷启动问题,但由于可用的社交信息较少,效果不佳.因此,文中提出融合信任隐性影响和信任度的推荐模型,在引入社交信息中信任关系的前提下,不仅考虑用户在信任关系中的显式行为数据,还考虑信任关系的隐性影响(如被信任用户的潜在特征向量),用于获取冷启动用户的偏好特征,有效缓解在社交信息较少时不能准确地为冷启动用户进行推荐这一问题.此外,文中提出综合信任度的度量,体现目标用户与信任用户之间不同的社交影响,发挥信任用户的积极影响,提升推荐系统的性能.在3个常用数据集上的实验表明,文中方法推荐精度较高.

摘要： 近年来,随着我国经济的迅速发展,旅游业始终保持着不断增长的趋势,合理的对旅游路线进行规划就显得尤为重要。首先综述了常用的旅游路线规划算法,然后提出一种基于矩阵分解和蚁群算法的旅游路线规划算法,通过矩阵值分解算法找到用户对景点的感兴趣的程度,即通过梯度下降算法使损失函数最小,得到了评分矩阵。最后根据用户对景点的喜好程度,并把喜好程度作为蚁群算法的参数,设计了基于用户喜好程度的旅游路线规划算法,对用户的旅游路线进行规划。

摘要： 网络嵌入是近年来大数据领域的研究热点。异构信息网络(HIN)已被提取用于提高推荐系统的性能,然而现有的提取方法没有考虑到向量自身的不同维度交互暗含的有用信息。为此,文章提出一种基于自外积的异构信息网络模型(HSopRec)用于改进推荐系统的性能。该模型能够通过自外积的方式有效地提取用户和物品原本暗含在异构信息网络的潜在关系。在世界开放商业数据集Yelp上进行的推荐性能的验证结果表明,与现有其他异构网络模型相比,HSopRec模型展现了更好的效果。

摘要： 为了验证用户对项目评分时所处的上下文环境是否会对用户的偏好产生影响,基于矩阵过程的马尔科夫分解方法,提出了一种基于上下文的流式推荐算法(streaming recommendation algorithm based on context,C-SRA),该方法可以从嘈杂的上下文中有效选取与评分相关的上下文信息,并将选取的上下文信息分为主观上下文和客观上下文两类。基于LDOS-CoMoDa数据集的两组对比实验显示,C-SRA算法无论是评分预测性能还是推荐性能均优于其他对比算法。

摘要： 多输出回归是指针对一组输入变量来估计其对应的多个连续属性值,其在数据挖掘领域有着广泛的应用.当前关于多输出回归任务的研究都是基于标签值准确的假设下实现的.然而在实际情况中,数据集的部分标签可能并不准确,即部分标签存在一定的噪声.在这种情况下,传统多输出回归方法性能较差.为了解决上述情况下的多输出回归问题,利用大数据中数据样本大的特点来提炼各个标签间的相关性,从而利用标签间的相关矩阵重构标签.由于多输出问题中的标签个数通常较多,因此可以一定程度上稀释掉部分标签的噪声干扰.此外,利用低秩矩阵分解对上述思路建立数学优化问题,并在此基础上引入核技巧以提升模型的非线性拟合能力.最后,采用非凸近似的手段求解该优化问题,从而保证了多输出回归模型的预测性能.实验18个数据集上同现有的6种多输出回归方法进行了比较,提出的方法在样本量较大的场景下性能优势较为明显.

摘要： 现有的并行矩阵分解算法通常采用对矩阵分块的方法,将互不冲突的分块并行地计算.负载不均衡是同步并行算法中常见的问题——各分块中评分数量差异较大,导致线程阻塞和空等待,降低并行效率.本文提出一种"均衡分块"的方法,通过分别调整行块、列块尺寸均衡评分数的分布,达到方体块评分均衡的目标.以块评分数方差衡量"均衡",从理论上分析和证明了均衡分块的可行性;将均衡分块应用于DSGD和CCD++等并行矩阵分解算法,通过大规模分布式实验,验证了该方法能大大提升并行性能."均衡分块"作为一种普适的负载均衡思想,适用于基于矩阵分块、同步的矩阵分解并行算法,具备广泛的应用价值.

摘要： 现有的链路预测方法的数据来源主要是基于邻居、路径、和随机游走的方法,使用的是节点相似性假设或者最大似然估计.尚缺少基于神经网络的链路预测研究.而基于神经网络的一些研究表明,基于神经网络的DeepWalk网络表示学习算法,可以更加有效的挖掘到网络中的结构特征.已有研究证明,DeepWalk等同于矩阵分解目标矩阵.因此,该文提出了一种基于DeepWalk矩阵分解的链路预测算法(IPMF).该算法首先基于矩阵分解的DeepWalk算法训练得到网络的表示向量.然后通过余弦相似度计算每对节点之间的相似度,构建目标网络的相似度矩阵.最后利用相似度矩阵,在三个真实的引文网络做进行链路预测实验.实验结果表明,本文提出的链路预测算法性能优于现存的20余种链路预测算法,这充分表明了基于神经网络的网络结构挖掘算法能够有效的挖掘网络中节点之间的结构关联性,而且在实际网络的链路预测中能够发挥出较为优异的性能.

摘要： 海洋数据同化是指将海洋观测数据与数值模型进行融合,并从大量海洋观测数据中提取有价值信息,因此对人类理解和认识海洋具有重要意义.在海洋数据同化中,常用的方法是基于集合卡尔曼滤波的集合最优插值.相比集合卡尔曼滤波,集合最优插值在数值计算效率上更加高效,但在该方法中SVD分解被用来实现矩阵求逆,由于SVD分解的算法复杂度较高,所以程序的求逆过程十分耗时.本文将对集合最优插值中逆矩阵的计算过程进行优化,分别使用LU分解、Choleskey分解、QR分解来替代SVD分解.首先,通过LU分解,(Choleskey分解,或QR分解)得到相应的三角矩阵(或正交矩阵);然后,利用分解后的矩阵来实现相关逆矩阵的计算.由于LU分解、Choleskey分解、QR分解的算法复杂度都远小于SVD分解,因此改进后的同化程序将能得到大幅度的性能提升.数值结果表明,本文中所采用的三种矩阵分解方法相比于SVD分解,都提升了集合最优插值的计算效率至少两倍以上.值得一提的是,在四种矩阵分解中Choleskey分解使得整个同化程序的性能达到了最优.

摘要： 随着互联网技术的成熟,个性化推荐系统得以快速发展,并在电子商务领域得到了广泛和成功的应用.个性化推荐算法在整个推荐系统中处于核心地位,能有效提高用户信息检索的效率,决定着推荐系统性能的优劣.本文研究了奇异值分解、非负矩阵分解等矩阵分解方法在个性化推荐系统中的应用,从物理意义和数学描述两个角度对基于矩阵分解的协同过滤算法进行了研究和分析.通过仿真实验对三种协同过滤推荐算法进行了验证,对比了推荐性能和运算时间.仿真结果表明,基于矩阵分解的推荐算法能够获得较好的推荐性能和较短的运算时间.

摘要： 针对推扫式高光谱存在的条带噪声问题,提出了一种基于低秩流形的高光谱条带噪声去除算法.首先,将由增益形成的乘性噪声转化为加性噪声;其次,基于低秩流形的假设,对相应的矩阵分解问题使用正则化方法获得最终的凸优化问题;最后,使用交替迭代的方法求解问题,以达到去除条带噪声的目的.实验表明,本文方法能较好地去除条带噪声.

摘要： 集束调整是运动推断结构的核心,针对现有算法在大规模场景下易受外点影响,空间占用率过高和效率较低问题,提出一种快速和鲁棒的集束调整(Fast and Robust Bundle Adjustment,FRBA)算法.首先,为了避免外点(outliers)的影响,采用Cauchy能量函数精确的度量目标函数的损失.其次,充分利用运动推断结构中三维点与摄像机之间的稀疏性对大规模集束调整进行稀疏分解,降低内存空间的使用.最后,根据稀疏分解后矩阵的固有特性,采用快速矩阵分解法求解正态方程的解.在合成数据集、BAL数据集和真实图像数据集上对FRBA算法进行测试,并与现有经典算法进行比较.实验结果表明无论在时间效率还是精度上,FRBA算法均处于领先位置。

摘要： 推荐系统是帮助用户发现其喜好,克服信息过载的重要工具.推荐系统能够给个人和商家(例如电子商务和零售商)提供个性化的推荐.数据稀疏性和分数预测质量问题被公认为是现存推荐系统中的主要挑战.本文提出基于项目相关度的近邻矩阵分解模型融合了用户偏好及偏好近邻,从而使用户对项目的评分预测更加合理.实验结果表明,本文提出的基于耦合关系的矩阵分解模型在热启动和冷启动的推荐准确性方面均优于传统的推荐算法.

摘要： 当前,推荐系统已成为许多网站的重要组成部分.其中热门的两个方法是基于矩阵分解(MF)和基于马尔科夫链(MC).在这两个模型的基础上提出一个基于个性化马尔科夫链的推荐模型,该模型为每个用户建立一个基于马尔科夫链的转移矩阵,利用这些转移矩阵形成转移矩阵立方体,并结合张量分解方法得到用户与物品、物品与物品之间相互作用的特征矩阵参数.通过引入贝叶斯个性排名(BPR)准则来优化特征矩阵参数,使得推荐结果更为准确.实验结果表明基于个性化马尔科夫链的推荐模型要优于传统的推荐模型.

摘要： 针对卷积编码的盲识别问题，提出了码率为1卷积码的盲识别方法。首先给出了盲识别的数学模型;通过对截获码序列所构造的矩阵进行矩阵分解来求解校验矩阵;并通过对码率为1/2的卷积码进行有效扩展来最终识别出码率为1卷积码的编码参数。仿真实验表明该算法可以对卷积码进行有效的识别。

摘要： 稀疏矩阵向量乘（SpMV）是一个广泛应用在科学计算和工程计算中的核心操作.在 这篇文章里,我们提出了一个优化稀疏矩阵向量乘的新算法,对具有可变分块模式的稀疏 矩阵,我们的算法相对于传统的算法能减少存储开销,能更好的开发算法的局部性.试验 结果显示新算法相对OSKI 中的稀疏矩阵向量乘在AMD 和Intel 平台上分别有30%和45%的 性能提高.

摘要： 本发明涉及一种基于矩阵分解的典型日交通需求OD矩阵获取方法，包括以下步骤：1)将日期为i的OD矩阵为D

摘要： 本发明公开一种基于非负矩阵分解的智能电网数据分解的方法，在非负矩阵分解算法的基础上，引入了用户间相似性的特征，提高算法的性能，使分解结果更加接近用户的实际用电信息，为用户提供更加精准的反馈。实验结果辨明，该方法与已有的方法对比，性能有明显的提升。

摘要： 本发明公开了一种能对复杂电路进行快速电磁仿真的方法，它是基于矩阵分解结合新的奇异值分解来对复杂电路进行高效仿真，利用三角形对模型进行精确模拟，还利用树形结构中远场组具有很好的低秩特性原理，对远场组进行低秩压缩，得到比较稀疏的矩阵表示形式，本发明所述分析方法不依赖于格林函数的展开形式，提出的基于MDA的新的奇异值压缩方法来减少内存和计算时间，是一种纯的数学方法，能够将计算复杂度降为O(NlogN)，将内存消耗降为O(NlogN)。特别适合用于对大规模复杂电路电磁的仿真分析。也可为格林函数比较复杂的电路结构的仿真提供了有效的条件。

摘要： 本发明提供一种基于矩阵分解的迭代分块矩阵补全的细胞类型分类方法及系统，通过获取单细胞测序数据，计算基因表达矩阵中每个基因出现的频次并排序；按列进行切分；对切分后的每个分块矩阵使用低秩矩阵分解算法；将分解获得的迭代矩阵和原分块矩阵进行比较，对非零点保持不变，保留生物零点不进行补全，在该零点不是生物零点时进行替换补全，获得除生物零点外补全后的分块基因表达矩阵；拼接合成完整矩阵；构建分类模型，输入的单细胞补全后的完整基因表达矩阵数据后，得到预测的细胞类型；本发明补全后基因表达矩阵的分类性能具有显著提高，有利于对测序数据细胞类型的识别，无需借助太多生物学相关的先验知识，能够获得更高精度的分类结果。

摘要： 本申请适用于数据处理技术领域，提供了一种矩阵分解和下三角矩阵求逆的实现方法。本申请实施例中获取待求矩阵的矩阵维度；当矩阵维度大于预设的寄存器组的寄存器数量时，根据寄存器数量对待求矩阵进行分块，得到多个分块矩阵；根据各个分块矩阵对应的分解算法在寄存器组中对各个分块矩阵的矩阵数据进行数据处理，并通过预设的二维脉动阵列依次对数据处理后的各个分块矩阵的矩阵数据进行矩阵计算，确定各个分块矩阵对应的目标矩阵；分块矩阵对应的分解算法根据分块矩阵的相对位置确定；对多个目标矩阵进行结果分离，确定待求矩阵对应的上三角矩阵和下三角矩阵，从而提高了矩阵进行分解计算时的吞吐量。

摘要： 本发明公开了一种基于矩阵分解的非2n Butler矩阵的设计方法，包括以下步骤：将N×N Butler矩阵的传输矩阵T分解为T＝YQY的形式；利用耦合器替代Y矩阵；基于Givens矩阵和FFT理论对Q矩阵进行分解，并利用耦合器替代分解后的Q矩阵；将替代矩阵的耦合器按照对应的端口级联，得到最终的N×N Butler矩阵。本发明采用Givens旋转的矩阵QR分解的方法来减少计算量，利用FFT理论确定分解顺序以得到最优解，且设计的7×7Butler矩阵不同于传统偶数阶的Butler矩阵，进一步拓展了Butler矩阵在应用方面的灵活性，增加了波束覆盖范围，在无线通信领域具有重要意义。

摘要： 本发明公布了一种基于可学习可微分矩阵逆及矩阵分解的图像恢复方法，通过设计可学习的可微分矩阵逆模块LD‑Minv、可学习的可微分奇异值分解模块D‑SVD和基于学习的近邻算子，对输入的待恢复图像进行图像恢复，输出清晰图像。采用本发明的技术方案，能够以更小的计算消耗实现更卓越的图像恢复性能，并且模型具有可解释性以及更好的泛化性能。

摘要： 本发明涉及一种基于矩阵分解的典型日交通需求OD矩阵获取方法，包括以下步骤：1)将日期为i的OD矩阵为D

摘要： 本发明公开一种基于非负矩阵分解的智能电网数据分解的方法，在非负矩阵分解算法的基础上，引入了用户间相似性的特征，提高算法的性能，使分解结果更加接近用户的实际用电信息，为用户提供更加精准的反馈。实验结果辨明，该方法与已有的方法对比，性能有明显的提升。

摘要： 本发明公开一种基于矩阵分解的工业用电负荷分解方法，包括：步骤S1，通过非侵入式监测负荷节点，采集负荷节点数据，获得负荷数据矩阵；步骤S2，对所述负荷数据矩阵进行非负矩阵分解，分别获得基矩阵和系数矩阵，所述基矩阵用于表征负荷监测基，所述系数矩阵用于表征每一个用电设备的负荷在总负荷中的参数；步骤S3，建立用于优化所述基矩阵和所述系数矩阵的第一目标方程；步骤S4，根据优化后的系数矩阵进行负荷分解，并获取各用电设备对总负荷的贡献比例。本发明为非侵入式电力监测提供了一种切实有效的负荷分解方法，相比已有的基于经验的判断方法，本发明所提出的方法能为电力负荷分解提供更精确和更科学的参考。