|
|
|
题名
|
作者
|
年代
|
出处
|
被引量
|
| 1 | 基于时间衰减的协同过滤推荐算法显示文摘针对传统的协同过滤算法在计算相似度时未考虑时间因素的影响,导致推荐结果不准确的问题,本文提出将时间因素融入用户项目评分矩阵中,以解决兴趣衰减的问题。首先将遗忘曲线和记忆周期作为时间因素融入算法之中,将艾宾浩斯遗忘曲线用于指数函数拟合,从而获得时间与兴趣衰减的函数关系,以此用于优化用户项目的评分。并将改进的评分矩阵应用到基于项目的协同过滤推荐算法中进行推荐。在评分中加入记忆周期的影响,让目标用户对待预测的项目评分预测更为准确。实验结果表明,改进后的基于时间衰减协同过滤算法在准确性方面有显著的提高。 | 董立岩 王越群 贺嘉楠 孙铭会 李永丽 | 2017 | 吉林大学学报(工学版)2017，47，4： | 30 |
| 2 | 基于集成学习投票算法的Android恶意应用检测显示文摘针对Android平台恶意应用的检测技术,提出一种基于集成学习投票算法的Android恶意程序检测方法MASV(Soft-Voting Algorithm),以有效地对未知应用程序进行分类。从已知开源的数据集中获取了实验的基础数据,使用的应用程序集包含213256个良性应用程序以及18363个恶意应用程序。使用SVM-RFE特征选择算法对特征进行降维。使用多个分类器的集合,即SVM(Support Vector Machine)、K-NN(K-Nearest Neighbor)、NB(Naïve Bayes)、CART(Classification and Regression Tree)和RF(Random Forest),以检测恶意应用程序和良性应用程序。使用梯度上升算法确定集成学习软投票的基分类器权重参数。实验结果表明,该方法在恶意应用程序检测中达到了99.27%的准确率。 | 赵宇鑫 努尔布力 艾壮 | 2020 | 计算机工程与应用2020，56，22： | 7 |
| 3 | 一种结合用户可信度与相似度的鲁棒性推荐算法显示文摘协同过滤推荐系统面临着托攻击的安全威胁。研究抵御托攻击的鲁棒性推荐算法已成为一个迫切的课题。传统的鲁棒性推荐算法在算法稳定性与推荐准确度之间难以权衡。针对该问题,首先定义一种用户可信度指标;然后改进传统的相似度计算方法,通过结合用户可信度与改进的相似度,滤除攻击概貌,为目标用户作出推荐。实验表明,与传统算法相比,该算法具备更强的稳定性,同时保持了良好的推荐准确度。 | 潘骏驰 张兴明 汪欣 | 2016 | 计算机应用研究2016，33，10： | 2 |
| 4 | 基于灰色关联分析和时间因素的协同过滤算法显示文摘【目的】针对传统协同过滤算法中存在的相似度可分辨性低和未考虑用户兴趣漂移的问题,本文提出一种基于灰色关联分析和时间因素的协同过滤算法以提高推荐算法的精度。【方法】首先给出基于灰色关联度的用户相似度计算方法,其次引入时间权重函数改进Pearson相关系数相似度,并结合两种相似度计算方法形成混合相似度,据此选取目标用户的近邻并做出推荐,最后采用Movie Lens数据集进行测试。【结果】与传统的协同过滤算法、单独考虑灰色关联分析或时间因素的协同过滤算法相比,本文算法的平均绝对误差降低了29.8%。【局限】本文算法时间复杂性比较高,计算混合相似度耗时较长。【结论】混合相似度的提出,提高了为目标用户推荐物品的准确度,具有较高的商业化推广前景。 | 王道平 蒋中杨 张博卿 | 2018 | 数据分析与知识发现2018，2，6： | 1 |
| 5 | Fingerprinting Android malware families显示文摘The domination of the Android operating system in the market share of smart terminals has engendered increasing threats of malicious applications (apps). Research on Android malware detection has received considerable attention in academia and the industry. In particular, studies on malware families have been beneficial to malware detection and behavior analysis. However, identifying the characteristics of malware families and the features that can describe a particular family have been less frequently discussed in existing work. In this paper, we are motivated to explore the key features that can classify and describe the behaviors of Android malware families to enable fingerprinting the malware families with these features. We present a framework for signature-based key feature construction. In addition, we propose a frequency-based feature elimination algorithm to select the key features. Finally, we construct the fingerprints of ten malware families, including twenty key features in three categories. Results of extensive experiments using Support Vector Machine demonstrate that the malware family classification achieves an accuracy of 92% to 99%. The typical behaviors of malware families are analyzed based on the selected key features. The results demonstrate the feasibility and efFectiveness of the presented algorithm and fingerprinting method. | Nannan XIE Xing WANG Wei WANG Jiqiang LIU | 2019 | Frontiers of Computer Science2019，13，3： | 0 |
您所在的机构暂未开通此部分的功能，请联系管理员