文摘

如今,不断变化的公众审美标准,大量新类型和主题的电影项目已经出现。出于这个原因,本文提出了一种改进的变异蚁群算法优化神经网络的自动获取电影标签,它不仅克服了传统神经网络的缺点,如难以确定权重,收敛速度慢,容易陷入局部最小值,同时也弥补了单独使用蚁群算法所面临的缺陷通过量子遗传算法神经网络的梯度信息。用户相似性判断的结果表明,在计算的过程中添加用户评级电影之间的偏差,和邻居选择添加电影标签重量和评级相似性为基础的邻居选择目标电影过程中预测目标电影评级。实验表明该算法的有效性。

1。介绍

如今,知识获取的研究领域涵盖了医学领域,产品信息,和专家系统建设。近年来,随着信息技术的快速发展,在线视频网站的兴起,和电影行业的快速发展,相关研究领域的电影已经大大提升(1- - - - - -3]。与此同时,人们的需求越来越个性化,很多程序类型可以不再是简单地分为特定类别但往往以各种形式复杂多样4- - - - - -6]。全面的信息收集和分析的程序可以更准确地描述一个程序和完全,因此,观众可以更直观地做出选择,同时,出版商可以有一个更全面的对项目的理解,从而促进管理和操作(7]。

常见的方法构建个性化用户兴趣模式通常关注使用用户的历史访问信息和知识库和语义分析技术结合,实现个性化信息推送(8]。例如,在[9),处理用户的历史访问信息矩阵分解方法,和实用性向用户推荐对象的计算方法用于实现完整的个性化推荐服务。这个方法只考虑用户的历史访问信息。事实上,用户的兴趣特征将改变随着时间的推移,显示一个动态发展模式作为一个整体。在现有的时间分析方法,文献[10)指出,区分短期利益和长远利益是一种常见的研究想法。例如,在分析用户的微博数据(11),发现用户的个性化兴趣特征变化频繁,和最新的兴趣特征是最符合当前用户的信息需求。同时,还发现用户的个性化模式有很大的不同在不同的时间段(12]。短期利率变化可能与用户的临时需求,而长期利益变化与感兴趣的自然进化。因为电影评论的数据太大,需要大量的人力和物力来手动获取电影评论中包含的信息和跟踪更新电影作品随着时间的推移,和获得的信息是有限的。因此,迫切需要一个自动电影知识获取方法和基于该方法的工具。

本文基于基本蚁群算法,一种改进的神经网络优化的变异蚁群算法。除了保留随机和基本蚁群算法的并行搜索功能,搜索步骤,可以排序搜索路径的长度根据每个搜索或抽象的目标函数。根据序列的路径,添加额外的信息素。通过训练模型,用户标记的训练,和用户标记词向量得到验证电影标签重量提取的有效性。

2。相关工作

文献[13将上下文信息集成到推荐过程,支持多重标准评级,并提供更灵活的建议。文献[14]指出在微博用户标签信息的角色,和标签中包含的信息可以帮助建立准确的用户描述,在个性化推荐起着非常重要的作用。文献[15)提出了一种基于标签的推荐系统模型重量分数获得准确的评价和需求的用户。文献[16)提出一个标签组合算法,它使用用户的分数在电影屏幕上的标签组合用户最感兴趣的,然后计算用户之间的相关性和电影通过优先匹配高维标记组合。文献[17]介绍了一种基于项目协同过滤推荐系统。算法选择项目作为邻居,计算项目之间的相似度,并选择相邻的一组物品相似度最高的目标项的推荐结果,提高了用户体验,使用户能够获得更多有用的信息,并提供一个更好的推荐系统研发平台。

文献[18]提取中包含有偏见和情感信息的电影评论。实验结果表明,这意味着可以在挖掘和总结电影评论。文献[19]在在线视频学习电影评论的分析技术,提出了一个分析方法为电影评论,需要建立一个专业词典的电影。然后,中文分词技术是用于自动段电影评论信息,和频繁的特性获得了影评频繁项提取的方法。然后,功能和情感词匹配一个接一个结合情感词典,情感词集和特性。最后,观众的情感倾向分析结果代表性特征的电影。文献[20.)提出一种新的归纳学习形式,即模式匹配。通过大量的web页面的例子,提取的信息的语法结构模式进行了总结和学习,和匹配的有用的信息从网页中提取使用模式。结合本体与句法结构,首先,概念、关系、功能词本体进行了总结,知识获取规则自动生成。然后,文本的句法结构进行了分析,最后,根据提取的文本标记和规则。同样,这种方法提取的报道是有限的,和可扩展性需要改进。文献[21)提出了一个基于本体的知识获取方法,它决定了概念和关系的本体出现在训练集的数据和建立本体功能词出现在概念和关系对手工计算,和提取规则写的正则表达式,然后根据规则知识是后天获得的,达到一定的效果。然而,当文本模式的变化很多,知识获取的影响大大受到影响。文献[22]分析了结构在互联网上的网页,然后研究了结构特点。总结提取规则,然后使用提取规则自动分析知识的结构特征提取的web页面,实现信息提取。这种方法是目前常用的获取知识。

3所示。研究方法

3.1。传统的蚁群算法

蚁群算法(ACA)是一个可能的算法发现最好的路径,这是在1990年由意大利科学家首次提出。蚂蚁在寻找食物的过程中,留下信息素,蚂蚁有能力感知信息素。如图1下面,信息素挥发会慢慢随着时间的推移,和更多的信息素会在较短的路线,因为高频率的蚂蚁的往返,蚂蚁会逐渐找到最短的路线根据信息素浓度。最终,整个蚁群将专注于最好的路径,表现出群体智能,和相应的解决方案是问题的最优解。

作为蚁群算法的蚂蚁个体,共同寻找路径的过程中,所有蚂蚁的沟通和运动规则参与问题搜索(只需要包括以下方面23,24]:(1)蚁群的觅食原则。所有蚂蚁参与组合优化问题的搜索要解决只能搜索路径和保留分泌信息素在有限范围内他们可以感知。所有路径上的节点拥有更多的分泌化学信息素决定;更有可能的是,所有蚂蚁将收集走向这条道路。(2)蚁群运动的原则。所有的蚂蚁参与组合优化问题的搜索要解决趋同的道路最化学信息素。当路径节点不受化学信息素,这些蚂蚁参与路径搜索只能继续惯性根据原来的移动方向。(3)蚁群的沟通原则。事实上,所有蚂蚁参与组合优化问题的搜索要解决间接通过感知和通信传播分泌信息素的化学物质。(4)蚁群的避障原理。如果有障碍物的方向路径,所有蚂蚁参与要解决组合优化问题的搜索是移动,那么这些蚂蚁将随机选择另一个方向路径节点,或继续觅食和搜索路径的行为的指导下分泌信息素的化学物质。

缺点在蚁群觅食的迭代搜索过程周期(25]:(1)算法通常需要长时间迭代搜索的迭代搜索蚁群觅食的过程。蚂蚁个体参与搜索的运动方向的组合优化问题的解决方案是随机和不确定。尽管所有的蚁群终于可以收敛到全局最优解路径通过分泌化学物质的交换信息,当蚁群参与搜索要解决的问题很大,很难找到一个简短的或最优的节点连接路径从大量混乱的节点路径在短时间内得到解决。(2)该算法容易停滞在迭代搜索蚁群觅食的过程循环。当所有的蚁群搜索路径参与是解决组合优化问题的搜索是在某种程度上,进行路径解决方案发现所有蚂蚁个体可能是完全一致的。这种现象使得蚁群无法进一步迭代解空间搜索所有路径,这早熟的现象不利于蚁群系统来找到更好的全局最优解的路径。

3.2。人工神经网络的概述

人工神经网络(ANN)是人类大脑系统的特点的描述,一种高度复杂的大规模非线性自适应系统由大量简单的处理单元,以及一个受生物神经系统信息处理机制。神经网络是通过一系列相互连接的神经元处理元素或解决具体问题。神经网络的结构是由内部神经元之间的连接装置和自然连接。这些连接被修改或训练的能力来实现所需的行为是由神经网络学习算法。安试图模拟人脑的智能行为从四个方面:物理结构、存储和操作,计算仿真和培训(26]。

人工神经网络的基本单元是神经元,及其基本特征如下:神经元相互连接,连接的强度决定了信号传输的力量,连接可以改变的力量训练,和信号可以起到刺激或抑制作用。收到的信号的累积效应神经元决定神经元的状态,和每个神经元都可以有一个“门槛”27]。

如图2模拟一个简单的神经元,输入: ,连接重量: ,网络的输入: ,向量形式: 。之后添加一个激活函数每一个神经元,每个神经元的输出 ,并形成一个简单的人工神经网络。

经过多年的发展,人工神经网络的应用研究已经取得了突破,和它的范围不断扩大,涵盖了几乎所有的应用领域。在过去的半个世纪里,这门学科的理论和技术基础已达到一定规模。应用技术而言,它包括语言识别、理解和合成、计算机视觉、模式识别、智能控制、复杂系统分析、人工智能、知识推理专家系统,等等。

3.3。自动电影标签采集方法基于改进神经网络通过变异蚁群算法进行了优化

相比与传统的基于项目的协同过滤推荐算法(CFRA),由变异蚁群算法改进的神经网络优化提出本节中从电影和电影推荐给用户的角度根据相似性,用户喜欢历史电影和看电影。

3.3.1。改进的变异蚁群算法

基于变异蚁群算法和量子遗传算法,本文提出了一种改进的变异蚁群算法通过利用两种算法的优点和放弃各自的缺点。的基本思想如下:

根据蚁群算法,主体性的算法过程,和随机性,速度,和蚁群算法的收敛性是全面和有效利用,以充分发挥指导作用的蚁群算法中信息素基因选择的量子遗传算法。同时,量子遗传算法的结果反过来有一定对蚁群算法的信息素更新作用,它可以提供指导未来基因选择(28]。这样,积极的反馈机制、并行性、和高效的解决方案的蚁群算法有效地利用,相互补充,充分发挥各自优势,大大提高解决方案的效率和准确性。

不同于普通的蚁群算法,在改进的变异蚁群算法中,每个方案都以二进制的形式表示字符串。蚂蚁尽量选择是否每个二进制位的值是0或1。这个算法的概念图所示3。

一开始的工作,信息素分布主要是通过量子遗传算法,并且每个群量子位代表蚂蚁的实时位置信息是由一只蚂蚁。首先,基于信息素强度和可见性建设选择概率,蚂蚁的远期目标是建立。第二步是由量子门更新蚂蚁携带的量子比特。蚂蚁位置变化的实现需要使用量子非门。第三步是更新蚁群信息素的强度和可见性的基础上,改变了立场。

通常,蚂蚁位置编码由量子位概率振幅。然而,有一些随机性的过程中种群初始化。针对这一点,编码方案如下:

在上面的公式中, ,在哪里任何数量的间隔(0,1),和信件吗和分别代表了人口规模和空间维度。在遍历空间中,一只蚂蚁对应两个位置,这两个位置有一个相应的与量子态的概率振幅的关系。

上述两个公式,分别代表了量子态的概率振幅,用蚂蚁的位置一一对应。

量子遗传操作的过程中,必然会面临的问题是量子门建设,这也是量子遗传算法的关键,它影响了量子遗传算法的总体性能在很大程度上。量子旋转门是最常见的一个在当前量子遗传算法(29日,30.]。见公式(4)量子旋转门。 在哪里量子门的旋转角,它的价值是什么

其中,是收集相关系数算法的速度,和价值的必须选择的可能。如果该值的太大,网格搜索算法是非常大的,这是容易早产现象,该算法容易收敛到局部极值点。相反,如果该值太小,网格搜索算法是非常小的,和速度太慢,甚至处于停滞不前的状态。

因此,利用相结合的快速收敛速度(量子遗传算法),本文定义了作为一个变量指的进化代数,从而自适应调整寻找网格的大小如下: 在这是一个进化代数和是一个常数根据优化问题的复杂性。因此,量子门的更新步骤可以被描述为 的上标是一个进化代数,是一个量子门的吗一代,的振幅分离的可行性一代,的振幅相应独立的可行性 的一代。

3.3.2。人工神经网络的建设和培训

本文简要(多层感知器),作为应用最广泛的神经网络分类器,选择的人工神经网络模型,并简要采用监督学习方法(31日,32]。延时非常有效地处理分类、识别、和泛化。一个简单的延时一般有两个隐藏层,使用乙状结肠或双曲正切激活函数(33,34]。图4是一个简单的MLP网络模型图。

中长期规划的有效结构参数是由L-36田口实验设计,可以改善所有数据集的收敛速度。在实现田口设计三层或中长期规划基础课,它应该考虑激活函数采用乙状结肠或棕褐色h函数。处理单元的数量在隐藏层是由下列公式计算: 在这输入属性的数量,是输出的数量分类,然后呢是一个0到1之间的随机数。方程(10)时使用神经网络只有一个隐藏层。

如果延时使用乙状结肠激活函数和一个隐藏层,两组权重,即输入层到隐层,隐层到输出层,和对应于节点可以通过公式(11):

如果延时使用乙状结肠激活函数和两个隐藏层,三套重量可以获得。使用这些三套重量,对应于节点可以通过公式(12):

的函数是其最大输出值接近l,所以有必要找到最大化的输入变量为了得到相关类别对应的输入属性,这是一个优化问题,见公式(13):

3.3.3。算法实现

电影的具体算法自动获取标签如下:输入:电影标签重量相似矩阵 ,电影评级功能相似矩阵 ,用户评分矩阵 ,目标用户 ,和目标的电影输出:预测分数的目标用户为目标的电影

在本节中,目标的邻居电影电影是通过线性融合,和比分预测。具体过程如下:步骤1:结合电影标签重量相似矩阵计算第一部分,比较标签重量目标电影之间的相似性和用户的得分电影,分别选择电影邻居标签权重最高的相似度,然后用电影评分特征相似性纠正和获取邻居的得分电影集 。第二步:然后获得电影邻居与目标相似度最高的电影。首先,比较目标电影之间的相似性得分的特性和用户分别进了电影和执行排序操作。邻居与目标相似度最高的电影可以从用户的选择了电影,然后纠正使用相似的电影标签重量,和邻居得到设置得分最高的电影的相似匹配的评分功能。第三步:最后,根据获得的邻居集在前面的两个步骤,预测分数是可以得到以下公式:

4所示。结果分析和讨论

4.1。实验数据和结果分析

本实验的主要目的是证明该算法获得的结果有更好的预测得分能力比传统的基于用户的协同过滤推荐算法,同时,获得最好的融合权重 ,所以推荐的效果是最好的。

在本节中使用的数据集是ml-l OM100 K数据集在电影镜头,主要用户评级的数据集,和所有的评级是包含在文件ratings.dat。此文件的每一行代表一个用户评级的电影,和评级记录的第一个10000用户选择数据集在这一节中。的平均绝对偏差和均方根误差预测分数和实际分数被用作预测精度的评估标准,和RMSE值(均方根误差)和梅(平均绝对偏差)是成反比的推荐精度;即RMSE值越小美,更准确的预测评分。

首先,它是必要的来验证用户标签重量的影响通过结合电影标签重量与用户评级基于用户推荐的电影。在这个实验中,10到100年邻居用户相似度最高的选择。这个实验的结果数据所示5和6。其中,单个CFRA用户标签重量相似命名用户标签CF。

在不同价值观、RMSE和梅的用户标签CF明显低于基于用户的CF,和用户标签CF具有更好的预测比传统基于用户CFRA得分能力。同时,在不同的k值,我们的算法明显低于RMSE和基于用户的CF的美,和实验表明,我们的算法具有更好的预测比传统基于用户CFRA得分能力。

然后证明我们的算法基于用户的CFRA的影响。验证的影响重量的实验中,固定的邻居k值20、30、40、50岁值是0.0,0.2,0.4,0.6,0.8,分别和1。RMSE和梅的实验结果中显示数据7和8,分别。

不难从数据分析7和8,相同的价值,RMSE和梅都降低,然后增加和达到最小值在0.4至0.6的范围,这是高于RMSE和梅是0或1。这表明融合相似性高于最近邻预测分数与单一相似,它也表明,我们的算法具有较高的预测精度比传统的基于项目的CFRA得分。

此外,本研究列车算法通过训练集和测试通过测试集。在实验中,常用的两个指标是用来评估生成的标记实验,即精度和召回率。准确率和召回率是用来衡量标签生成效应的实验。标签采集算法的准确率和召回率本文图所示9。

从图可以看出9与标签的数量的增加,在实验中获得的,准确率逐渐减少。主要是由于增加标签的数量,一些轻量级标记算法计算的逐渐添加到结果,和这些标签很难匹配的测试数据。然而,这些标签的权重非常低,所以它并不意味着实验获得的标签不够准确。同时,与标签的数量的增加,召回率逐渐减少,和更多的标签,下降越快。主要是因为越来越多的低频标签加入了测试集,很难将这些数据与标签标签数据库中。然而,这些标签通常不能代表,不会影响程序的描述。

4.2。仿真实验和性能分析

这个话题,我们的算法,应用于解决35城市问题的最优解路径进行仿真实验。参数设置如下:

的最小迭代遗传算法的进化循环搜索数量设置为20代,和最大迭代进化循环搜索量是100代。改进蚁群算法的初始值分泌信息素的蚂蚁在每个路径设置为30。蚂蚁信息素的更新原则的分泌化学物质改变了遗传算法的进化循环迭代搜索是蚂蚁的信息素值经过的路径是增加了2,信息素挥发系数的轨迹更新的蚂蚁分泌化学物质 ,和评估质量的函数路径设置为质量 ,的常数 。

图10显示了算法的比较,GA(遗传算法)和算法(蚁群优化)100年迭代,包括健身价值和进化速率的变化。

图10 ()显示了算法的适应性、遗传算法和本文算法100次迭代。图10 (b)显示了健身的变化值的算法,遗传算法,在25日∼100迭代算法,很容易观察。详细,87次迭代后,GA(橙色线)稳定在13.779。算法(红线)需要94次迭代稳定在13.839,而对于集成算法(蓝线),函数值达到最佳值,达到67次迭代后(图13.716倍10(c))。早期的搜索,该算法具有较高的收敛速度比蚁群算法,并在以后的阶段,该算法比遗传算法进化速度快。与传统的单一算法相比,该算法具有短的时间成本和效率高。

摘要多层感知反馈神经网络改进的蚁群算法训练的神经网络算法应用于各种通信调制信号的特征参数的分类和识别。培训优化过程和分类识别效果模拟实验中,观察到和算法的有效性和可靠性等性能指标评估通过比较与其他典型的分类器。

图11是一个比较分类器的算法,遗传算法的分类器,和传统算法的神经网络分类器。图中的数据运行10倍的平均结果,在相同的条件下,分别。

很容易看到从图11在同等条件下,混合遗传算法的分类器优于遗传算法分类器在分类各种调制信号,和分类器都优于传统的BP算法的神经网络分类器训练。另一方面,改进后的神经网络优化的变异蚁群算法有更快的收敛速度和更小的均方误差值在训练过程中。因此,算法的收敛过程和稳定性具有明显的优势。

5。结论

标记信息的出现让电影更具体的内容。传统的方法用于检测入侵是人工神经网络算法。它面临的最大问题是收敛速度慢和容易局部收敛,大大增加的难度确定权重。因此,作者提出了一种综合方法,使用改进的变异蚁群算法和传统的量子遗传算法,有效地解决了一系列存在的问题自动采集影视标签的量子遗传算法和单独使用蚁群算法所面临的不足。实验表明,改进的变异蚁群算法优化神经网络的预测和得分能力比基于项目的协同过滤推荐算法。但是,大数据的筛选表达式是不被认为是在这项研究中,导致一些不准确的数据。因此,这一部分的研究需要考虑在未来的研究。

数据可用性

使用的数据来支持本研究的发现可以从相应的作者。

的利益冲突

作者宣称他们没有竞争的经济利益或个人关系可能出现影响工作报告。

确认

没有收到任何特定经费但作为作者的一部分执行就业在河南财经大学。