纪淑娟
- 作品数：51 被引量：92H指数：6
- 供职机构：山东科技大学更多>>
- 发文基金：国家自然科学基金山东省自然科学基金教育部人文社会科学研究基金更多>>
- 相关领域：自动化与计算机技术经济管理环境科学与工程理学更多>>
- 一种基于评分者印象的电子商务信用计算方法
- 本发明公开了一种基于评分者印象的电子商务信用计算方法，属于计算机应用技术领域，本发明首先通过对所有买家聚类输出宽松型买家和严苛型买家集合；其次过滤出部分诚信卖家和非诚信卖家；最后对买家进行分类得到诚信买家、非诚信买家和不...
- 王鑫田启家纪淑娟梁永全
- 文献传递
- 一种融合行为与结构特征推理的造假群组检测算法被引量：1
- 2021年
- 在线评论对用户的购物决策有重要的影响作用,这导致一些不良商家雇佣大量水军有组织、有策略地给自己刷好评,以提高销量赚取更大利润,给竞争对手刷差评来抹黑对手,以降低其销量。为了检测这种有组织的水军群组,提出一种融合行为与结构特征推理的造假群组检测算法。该算法包含2部分:第1部分用频繁项挖掘方法产生候选群组,然后使用行为指标来计算群组中每个成员的协同造假可疑度,将该可疑度看作先验概率;第2部分先为每个群组建立加权评论者-商品二部图,然后使用循环信念传播算法推理后验概率,将推理后得到的后验概率值作为该成员的最终协同造假可疑度,最后使用熵值法来判定是否为共谋群组。在真实数据集上的实验结果表明,所提算法性能优于比较算法。
- 张怡睿宸李云峰顾旭阳纪淑娟
- 关键词：频繁项挖掘
- 一种基于半监督学习的异常用电用户检测方法
- 本发明公开了一种基于半监督学习的异常用电用户检测方法，属于检测技术领域，包括以下步骤：数据预处理；基于聚类分析的一级灰名单生成；基于离群度计算的二级灰名单生成；基于行为相似度计算的三级灰名单生成。本发明提出的基于半监督学...
- 纪淑娟周金萍李凯旋张纯金
- 文献传递
- 水军群组检测方法及其装置
- 本发明提供一种水军群组检测方法，该检测方法包括：获取网络中的评论数据信息，所述评论数据信息包括：评论产品、评论者、评论时间以及评论者对评论产品的评分；基于所述评论数据信息识别水军群组所攻击的目标产品；基于所识别出的目标产...
- 纪淑娟张琪李金鹏许少华伊磊公茂果
- 文献传递
- 基于不对称响应的建议聚合方法
- 本发明公开了一种基于不对称响应的建议聚合方法，该建议聚合方法包括：在第一步骤中，计算多个用户中的目标用户和其它用户之间的评分相似度，并根据评分相似度在其它用户中寻找目标用户的邻居；在第二步骤中，计算邻居的建议给目标用户带...
- 纪淑娟郭盛辉杨伟张纯金赵建立
- 文献传递
- 本体工程中的本体映射研究被引量：8
- 2007年
- 本体映射是本体工程领域的研究热点之一,已广泛用于语义Web、本体集成和电子商务等领域。针对映射过程中采用的技术,提出了基于信息流、相似度、统计学、机器学习和综合方法的分类,介绍本体工程中具有代表性的映射方法,并从映射的输入形式、采用的技术、借助的外部资源、自动化程度、是否考虑语义等方面进行了深入的比较和分析,讨论了本体映射存在的问题及面临的挑战。
- 赵中英梁永全纪淑娟
- 关键词：本体本体映射本体工程
- 基于Agent的电子商务--一对多自动协商模型
- 一对多协商是经常采用的协商方式，而目前的协商支持系统主要以双边协商为主，对一对多协商的支持能力不强。针对这一问题，重点研究了一对多协商模型以及多个并发的一对一协商协调策略，并将卖方选择过程嵌入在Multi-Agent系统...
- 肖兴鹏梁永全纪淑娟
- 关键词：协商模型电子商务
- 基于神经网络的用户视频评分自动获取方法
- 在未来的智能电视系统中,真正的智能视频推荐应该是不需要用户评分动作就能自动、准确地获得用户兴趣、爱好并做出推荐的系统.研究无评分动作约束下的用户评分(揭示了他们的兴趣和爱好)自动获取技术是真正智能推荐必须解决的一个关键问...
- 纪淑娟王理梁永全赵建立
- 关键词：电视系统信息获取神经网络
- 文献传递
- 文本分类中改进的特征加权方法被引量：1
- 2009年
- 针对科研论文往往具有统一的结构,将词项的位置信息考虑在内,给出一种新的词项特征加权方法。利用AdaBoosting分类算法进行实验,结果表明该方法在准确率、查全率和F-Measure方面都具有更好的文本分类性能。
- 赵中英梁永全纪淑娟李超
- 关键词：文本分类预处理特征加权
- 基于多属性评分隐表征学习的群组推荐算法
- 2020年
- 【目的】克服个体用户表征学习受个体用户评分稀疏性影响严重的问题,提高推荐算法的准确率和反应速度。【方法】提出一种基于神经网络的多属性评分隐表征学习方法,并应用该方法从用户群组和项目两个维度学习多属性评分的隐表征,最后分别通过用户群组偏好匹配和项目吸引力计算实现两个群组推荐。【结果】基于TripAdvisor数据集的实验结果表明:本文算法的准确率、时间性能优于典型的多属性推荐算法和群组推荐算法;准确率略差于个体推荐算法,但在线和离线运行时间较个性化推荐算法分别至少降低30%和50%;用户群组的隐表征学习相比项目的隐表征学习对推荐性能的提高作用更明显。【局限】由于真实群组数据难以获取,仅基于某种聚类算法生成虚拟群组,因此群组较理想化。虚拟群组的偏好比真实群组的偏好可能更易聚合。【结论】基于神经网络学习群组用户的隐表征(即聚合群组用户的偏好)和项目的隐表征,可以有效提高群组推荐算法和多属性推荐算法的准确率和召回率,效果非常接近最新的个性化推荐算法。
- 张纯金郭盛辉纪淑娟杨伟伊磊
- 关键词：神经网络
