公共文化服务平台

共 8 条记录，以下是 1-8

全选清除导出

排序方式：

基于主题网络爬虫的不良网页的发现与识别被引量：2: 2010年; 针对互联网中出现的大量不良内容,分析出其主要特征,首次提出将不良网页的文本特征与搜索引擎中网络爬虫相结合的技术来主动寻找互联网中的不良网页及不良网站,并将结果分级别反馈到用户层以便对不良网页和网站进行处理,以达到净化网络环境的目的.实验结果表明,所提出的算法能够有效检测不良网页,并且能够很好地应对不良网站的反关键字过滤策略.; 方育柯傅彦周俊临夏虎; 关键词：主题网络爬虫不良网页文本特征

基于模型共享的分布式无监督异常检测被引量：3: 2010年; 提出一种具有通用性的分布式异常检测框架.首先,利用本地的无监督异常检测算法,建立多个本地检测模型;然后,将各个本地无监督检测模型转换成统一的共享模型;最后,采用集成学习的方法,综合考虑各模型差异性和准确性,实现全局异常检测.实验结果表明,基于模型共享的分布式异常检测不仅能有效地保护数据隐私,减少通信开销,同时能获得和集中式检测相当甚至在某些情况下更好的效果.; 周俊临傅彦吴跃方育柯夏虎; 关键词：异常检测分布式数据挖掘模型共享无监督学习

集成学习理论研究及其在个性化推荐中的应用: 集成学习作为一种新的机器学习范式,通过使用多个学习器来解决同一问题,能够显著提高系统的准确率和泛化能力。从上世纪90年代开始,集成学习已经成为国际机器学习领域的一个研究热点。另一方面,随着信息技术的迅猛发展,导致了信息爆...; 方育柯; 关键词：推荐系统协同过滤; 文献传递

一种自反馈垃圾信息综合过滤方法被引量：1: 2010年; 提出了一种自反馈垃圾信息综合过滤方法.通过构建日志分析模块,在人为参与尽可能少的情况下,根据过滤到的垃圾信息通过自我分析、自我决策、自我优化来实现信息过滤规则的自反馈更新.试验证明该方法克服了传统海量信息过滤中人工参与度高、工作量大、效率和准确率与人的操作高度相关的缺点,大大提高了信息过滤速度和准确率,实现了信息过滤的自动化.; 夏虎傅彦方育柯周俊临; 关键词：信息过滤日志分析海量数据处理

基于孤立点检测的自适应入侵检测技术研究被引量：1: 2009年; 传统的入侵检测技术主要是从已知攻击数据中提取出每种具体攻击的特征规则模式,然后使用这些规则模式来进行匹配。然而基于规则的入侵检测的主要问题是现有的规则模式并不能有效应对持续变化的新型入侵攻击。针对这一问题,基于数据挖掘的入侵检测方法成为了入侵检测技术新的研究热点。本文提出了一种基于孤立点挖掘的自适应入侵检测框架,首先,基于相似系数寻找孤立点,然后对孤立点集合进行聚类,并使用改进的关联规则算法来从孤立点聚类结果中提取出各类入侵活动的潜在特征模式,然后生成可使用的匹配规则模式来添加到现有的规则模式中去,进而达到自适应的目的。本文使用KDD99的UCI数据集进行孤立点挖掘,然后使用IDS Snort的作为实验平台,使用IDS Informer模拟攻击工具进行测试,这两个实验结果表明了本文所提出算法的有效性。; 方育柯傅彦周俊临曾金全; 关键词：人工智能入侵检测孤立点挖掘异常检测自适应

基于选择性集成的最大化软间隔算法被引量：6: 2012年; 当前,boosting集成学习算法研究主要集中于最大化弱学习器凸组合的间隔或软间隔,该凸组合几乎使用了生成的所有弱学习器,然而这些弱学习器间存在大量的相关性和冗余,增加了训练和分类过程的时空复杂度.针对这一问题,在LPBoost基础上提出了一种选择性boosting集成学习算法,称为SelectedBoost.在每次迭代生成新的弱学习器以后,通过计算新生成的弱学习器与已有弱学习器的相关度和差异度,并结合当前集成的强学习器的准确率来判断是否选择该弱学习器.另外,当前的一系列boosting算法(如AdaBoost,LPBoost,ERLPBoost等),本质上是基于已生成的1个或者多个弱学习器来更新样本权重,但与弱学习器相比,强学习器更能代表当前的决策面.因此,SelectedBoost通过在带约束的间隔最大化问题中引入更加严格的强学习器边界约束条件,使得该算法不仅参考弱学习器边界,同时还参考已生成的强学习器来更新样本权重,进而提高算法的收敛速度.最后,与其他有代表性的集成学习算法进行实验比较,结果表明,该方法在收敛率、分类准确性以及泛化能力等方面均具有比较明显的优势.; 方育柯傅彦周俊临佘莉孙崇敬; 关键词：相关度线性规划

基于集成学习的个性化推荐算法被引量：3: 2011年; 在2009年结束的Netflix推荐大赛中,由于顶级参赛小组均使用集成学习算法,使得基于Bagging和Stacking的Ensemble方法得到了广泛的关注,而基于Boosting的集成学习方法相对来说却无人问津。首先分析了基于Boosting的集成学习算法在分类问题中的优势,以及在推荐问题上的缺陷。通过对用户评分矩阵的简化和分解,将问题转换为简单的分类问题,使得Boosting的集成学习算法能够应用到推荐问题中,提出了基于KNN的集成学习推荐算法,通过集成多个不同的相似度计算方法来提高最终的推荐准确率。在大规模真实数据集上的实验说明,基于Boosting的学习框架可以较大提升单个推荐算法的性能。; 方育柯傅彦周俊临; 关键词：个性化推荐协同过滤

海量短信流的智能监管技术: 傅彦周俊临佘莉尚明生陈安龙高辉夏虎方育柯崔爱香王树清李军华程博田军伟罗引; 本课题的主要采用“堵”、“疏”结合的策略，一方面，在内容过滤的基础上，结合行为过滤方法大大提高其处理速度，保证正常信息的传递速度不受影响；另一方面，由于广告是垃圾短信的主要来源之一，我们从疏导的角度出发，采用主动防御的策...; 关键词：; 关键词：垃圾短信短信过滤

全选清除导出

共1页<1>

方育柯