崔林
- 作品数：5 被引量：47H指数：4
- 供职机构：北京理工大学更多>>
- 发文基金：国家重点基础研究发展计划国家社会科学基金更多>>
- 相关领域：自动化与计算机技术更多>>
- 基于Boosting机制的Naive Bayesian文本分类器被引量：3
- 2005年
- Naive Bayesian分类器是一种有效的文本分类方法,但由于具有较强的稳定性,很难通过Boosting机制提高其性能。因此用Naive Bayesian分类器作为Boosting的基分类器需要解决的最大问题,就是如何破坏Naive Bayesian分类器的稳定性。提出了3种破坏Naive Bayesian学习器稳定性的方法。第一种方法改变训练集样本,第二种方法采用随机属性选择社团,第三种方法是在Boosting的每次迭代中利用不同的文本特征提取方法建立不同的特征词集。实验表明,这几种方法各有其优缺点,但都比原有方法准确、高效。
- 崔林付克明石生树宋瀚涛
- 关键词：BOOSTINGNAIVEBAYESIANCLASSIFIER文本分类
- 基于语义相似性的资源协同过滤技术研究被引量：19
- 2005年
- 为解决协同过滤推荐系统中所存在的可扩展性、稀疏性等问题带来的推荐性能下降,提出新的基于资源语义知识协同过滤算法,算法综合考虑了资源语义和用户评价的影响,改善基于资源协同过滤算法性能.实验表明,基于资源语义的协同过滤算法相对于传统协同过滤算法可提高推荐性能.
- 崔林宋瀚涛陆玉昌
- 关键词：个性化推荐系统协同过滤语义相似性
- 基于网络内容和结构数据的用户浏览模型被引量：4
- 2005年
- Web推荐系统能为用户提供有针对性的个性化服务。但目前基于协同过滤和使用挖掘的推荐系统存在着诸如数据信息的不完整或不正确,推荐精度和质量不高等问题。为提高推荐系统的性能,必须将站点的内容和结构信息以及用户行为数据集成形成混合模式推荐系统,在推荐引擎里统一使用。基于此,本文提出一种新型Web推荐系统框架,能够将站点的内容,结构和用户的浏览行为综合考虑形成用户浏览模型,通过用户模型向用户推荐资源,初步实验表明该模型能有效改善推荐系统的性能。
- 崔林王辉宋瀚涛牛振东陆玉昌
- 关键词：网络浏览个性化服务协同过滤WEB使用挖掘
- 正、负关联规则间的置信度关系研究被引量：9
- 2005年
- 当同时研究项集A、B间的正、负关联规则(A B、A┐B、┐AB及┐A┐B)时,置信度的设置问题变得非常重要。当A,B的支持度变化时,四种关联规则的置信度如何变化,它们之间有着怎样的联系,对此进行了详细讨论,结论对置信度的设置有重要价值。
- 董祥军陈建斌崔林宋瀚涛陆玉昌
- 关键词：负关联规则置信度
- 基于Web使用挖掘的个性化服务技术研究被引量：12
- 2005年
- Internet的快速增长导致了对个性化服务需求急剧增加,Web使用挖掘正成为实现个性化系统功能的思想和方法的有价值的源泉。本文讨论了基于Web使用挖掘的Web个性化技术,并针对个性化系统的功能,介绍了相关数据采集和预处理技术及其在个性化系统中的应用。
- 崔林宋瀚涛龚永罡陆玉昌
- 关键词：基于WEBWEB使用挖掘个性化服务源泉
