-
题名大数据环境下Web数据源质量评估方法研究
被引量：19
- 1
-
-
作者
赵星
李石君
余伟
杨莎
丁永刚
胡亚慧
-
机构
武汉大学计算机学院
纽约州立大学宾汉姆顿分校计算机科学系
-
出处
《计算机工程》
CAS
CSCD
北大核心
2017年第2期48-56,共9页
-
基金
国家自然科学基金(61502350
61672393
+2 种基金
U1536114)
中央高校基本科研业务费专项资金项目(2042014kf0057)
湖北省自然科学基金(2014CFB289)
-
文摘
在大数据环境下Web数据资源的开放性和多源性使得不同互联网平台提供的数据质量参差不齐,严重影响人们从互联网中有效准确地获取信息。为此,提出一种Web数据源质量评估方法。建立面向多源互联网平台的统一数据模型和数据质量标准模型,给出针对大数据全样本数据分析的质量标准度量和表示方法,并通过多维数据质量的综合评估实现Web数据源质量的统一度量。实验结果表明,该方法能全面度量互联网平台的数据质量,为用户提供准确高效的质量评价结果。
-
关键词
大数据
WEB数据源
数据质量评估
全样本分析
MAPREDUCE框架
-
Keywords
big data
Web data source
data quality assessment
full sample analysis
MapReduce framework
-
分类号
TP311.13
[自动化与计算机技术—计算机软件与理论]
-
-
题名基于强化学习DQN的智能体信任增强
被引量：14
- 2
-
-
作者
亓法欣
童向荣
于雷
-
机构
烟台大学计算机与控制工程学院
纽约州立大学宾汉姆顿分校计算机科学系
-
出处
《计算机研究与发展》
EI
CSCD
北大核心
2020年第6期1227-1238,共12页
-
基金
国家自然科学基金项目(61572418)。
-
文摘
信任推荐系统是以社交网络为基础的一种重要推荐系统应用,其结合用户之间的信任关系对用户进行项目推荐.但之前的研究一般假定用户之间的信任值固定,无法对用户信任及偏好的动态变化做出及时响应,进而影响推荐效果.实际上,用户接受推荐后,当实际评价高于心理预期时,体验用户对推荐者的信任将增加,反之则下降.针对此问题,并且重点考虑用户间信任变化过程及信任的动态性,提出了一种结合强化学习的用户信任增强方法.因此,使用最小均方误差算法研究评价差值对用户信任的动态影响,利用强化学习方法deep q-learning(DQN)模拟推荐者在推荐过程中学习用户偏好进而提升信任值的过程,并且提出了一个多项式级别的算法来计算信任值和推荐,可激励推荐者学习用户的偏好,并使用户对推荐者的信任始终保持在较高程度.实验表明,方法可快速响应用户偏好的动态变化,当其应用于推荐系统时,相较于其他方法,可为用户提供更及时、更准确的推荐结果.
-
关键词
多智能体系统
强化学习
信任
深度q学习
最小均方误差方法
-
Keywords
multi-agent systems
reinforcement learning
trust
deep q-learning(DQN)
least mean square(LMS)
-
分类号
TP18
[自动化与计算机技术—控制理论与控制工程]
-
