基于隐马尔科夫模型的浏览兴趣预测

Web上的信息量正以惊人的速度增加,人们迫切需要能自动地从Web上发现、抽取和过滤信息的工具,即如何从数以亿计的页面中发现需要的内容、如何从大量的访问中发现固有的模式和关联.马尔科夫模型的网页浏览预测,仅仅从用户的浏览网页本身出发,预测用户的下一步链接,并不能捕获到用户的真正兴趣.本文提出基于隐马尔科夫模型的网页浏览路径预测,并将其与基于马尔科夫模型的方法进行对比.根据已知的浏览序列判断用户的类别,当浏览序列长度很短时,本文方法的预测准确性比马尔科夫模型低.这是由于序列长度过短,系统获取判断的信息少,增加了对用户错误分类的可能性.随着浏览序列长度逐渐增加.系统捕获的用户浏览信息越来越多,进而能够折射出用户的兴趣所在.预测准确率也逐步增加.当浏览序列长度大于或等于8时,预测准确率已经到达80%.提高了浏览兴趣预测的准确率.     

基于马尔科夫模型和贝叶斯定理的Web用户浏览行为预测模型

对用户的Web浏览行为进行分析,既可以使用户减少等待时间,同时也能减轻网络负载.依据Web网站的层次结构特点,首先设计了基于Hash表的反向索引结构来提高数据的预处理速度;在此基础上,利用分层思想构建了基于马尔科夫模型和贝叶斯定理的Web用户浏览行为预测模型.给出了模型的设计思想、相关定义、模型框架以及模型中所涉及的关键构建方法等.最后,对模型进行了实验分析,结果表明在适当的预测准确率前提下,模型能够有效减少在预测时所需的候选网页数量,并大幅提升预测效率.     

基于网络内容和结构数据的用户浏览模型

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。     

基于web使用挖掘的用户有效偏爱浏览路径研究

在浏览偏爱路径研究的基础上提出了网络拓扑结构加权的方法,与用户浏览路径进行结合得到用户实际浏览偏爱路径。设定网络拓扑主干路径的权值小于远离主干路径的路径权值,远离主干路径的高频路径是网络拓扑设计者期望得到的有效信息,能够较好地用于改进网站设计,进而提高用户服务质量。最后与NPPMA算法在有效度方面进行了比较,以此证明算法的可取之处。     

基于马尔科夫链的短期电力负荷预测

电力负荷预测是城市电网规划的基础工作之一,是保证电力系统可靠运行的前提,而保证其正确实现的关键是数学模型的建立。本文提出一种马尔科夫链和模糊聚类相结合的预测方法,对样本所属状态采用模糊划分,使得分类更加符合实际情况;利用马尔科夫链对研究对象做状态分析,根据状态转移进行预测。应用该模型对青海省某地区的短期电力负荷进行预测,并与实际用电负荷进行对比。仿真结果表明:对于各种扰动因素,预测误差范围可控制在5%以内,结果验证了马尔科夫模型对电力负荷短期预测具有较高的精度。     

一种基于用户浏览路径的Web用户聚类方法

在Web用户聚类中,针对具有相似浏览路径和兴趣的用户聚类问题,提出一种新的相似度计算方法.该方法将事务路径看作有序时间序列,以代替用户的兴趣路径;同时结合用户事务路径的停留时间来计算相似度.通过这种方法计算出的用户相似度更接近真实,达到提高web用户聚类的效果,为用户提供更优质的个性化服务.对比实验证明该方法的有效性.     

基于时变状态转移隐半马尔科夫模型的寿命预测

隐半马尔科夫模型在进行系统状态估计及寿命预测时,其状态转移概率矩阵是固定值,得到的剩余寿命预测值呈阶梯状变化,与系统的实际剩余寿命值之间存在着较大的误差.针对上述问题,提出了具有时变状态转移概率矩阵的隐半马尔科夫模型,根据系统的3种典型退化状态分析,给出3种不同的状态转移系数.与初始状态转移矩阵相结合,得到随时间变化的状态转移矩阵.提高系统在当前健康状态下的剩余持续时间估计精度,最终得到更为准确的总体剩余寿命预测值.结果表明,基于时变状态转移概率矩阵的隐半马尔科夫模型相比传统的隐半马尔科夫模型,可显著提高剩余寿命预测的准确性.     

基于隐马尔科夫模型的基因预测算法

为更好地从DNA序列中识别蛋白质编码区,提高计算效率,将隐马尔科夫模型与前向算法相结合,提出一种生物基因的预测算法.理论证明,该隐马尔科夫模型与经过EM算法优化后的模型具有相同的参数,能够降低计算量,提高计算效率.利用该方法对DNA序列F56F11.4a的外显子进行识别的仿真结果表明,该算法是有效的.     

基于灰色马尔科夫模型的家纺流行色趋势预测

分析了家纺流行趋势研究现状以及现有方法的优缺点,以国际流行色权威机构国际色彩委员会发布的2007-2013年的春夏流行色定案作为分析对象,提出了基于灰色马尔科夫模型的家纺流行色趋势预测方法.采用灰色模型对未来家纺流行色进行预测,并通过后验差检验法来探讨此模型的预测精度及其建模的可行性,应用马尔科夫模型对预测结果进行修正.实验结果表明:灰色马尔科夫模型在流行色预测方面相比单一的灰色模型有更高的精度.     

基于灰色-马尔科夫模型的桥梁运行状况预测

为预测桥梁的实际运行状况,以在役159座桥梁实测数据为依托工程,基于灰色-马尔科夫模型与最小二乘法曲线拟合的相关原理,建立桥梁预测模型,并与实际状况数据对比分析.结果表明:灰色-马尔科夫模型预测结果与实测结果相对误差小于2％,结果满足工程需求,其研究成果可为在役桥梁技术状况评定提供参考.     

基于隐马尔可夫的恐怖事件预测模型

为了对恐怖事件实现早期预警,通过分析恐怖事件的网络结构,构建了恐怖事件的预测模型。利用隐马尔可夫模型与贝叶斯网络方法,通过分析一些先前发生的事件来预测恐怖分子在未来一段时间可能发动的恐怖活动,实现对相关情报的侦测,预防可能发生的恐怖事件。同时,对完备数据与不完备数据条件下的恐怖事件的预测算法进行分析。结果表明,提出的预测方法与使用监测软件得到的结果相近,验证了隐马尔可夫模型的合理性和贝叶斯网络方法的有效性。不足之处在于,监测过程获取的情报信息较少,一定程度上影响了模型结果的精确度。     

基于马尔科夫模型的移动设备链接预测研究

受移动设备内存空间和处理器性能的限制,传统的链接预测方法(如传统马尔科夫方法)不再适于移动设备浏览导航。本文以马尔科夫模型为基础,提出基于马尔科夫链和频繁项挖掘相结合的移动设备链接预测模型。将扇形交互界面的思路引入链接预测领域,有效缩小了用户的视觉搜索时间,提高了模型交互效率。移动设备上的实验结果表明,本文提出的预测模型在保证高覆盖率和低复杂度的同时,可以达到较高的预测准确率和预测效率。     

基于广义隐马尔可夫模型的网页信息抽取方法

针对网页所特有的基于版面结构的特点,利用基于视觉的网页分割算法VIPS对网页分块,得到一种新的状态转移序列,取代了传统的状态转移序列。通过二阶Markov链改进广义隐马尔可夫模型（GHMM）的状态转移和输出观测值假设条件,提出了二阶的广义隐马尔可夫模型。最后通过实验说明改进的GHMM对于网页信息抽取有很高的精确率。     

基于改进的隐马尔科夫模型的词性标注方法

针对隐马尔可夫(HMM)词性标注模型状态输出独立同分布等与语言实际特性不够协调的假设,对隐马尔可夫模型进行改进,引入马尔可夫族模型。,该模型用条件独立性假设取代HMM模型的独立性假设。将马尔可夫族模型应用于词性标注,并结合句法分析进行词性标注。用改进的隐马尔可夫模型进行词性标注实验。实验结果表明:与条件独立性假设相比,独立性假设是过强假设,因而基于马尔可夫族模型的语言模型更符合语言等实际物理过程;在相同的测试条件下,马尔可夫族模型明显好于隐马尔可夫模型,词性标注准确率从94.642%提高到97.126%。     

基于改进的隐马尔科夫模型的语音识别方法

针对隐马尔可夫（HMM）语音识别模型状态输出独立同分布等与语音实际特性不够协调的假设以及在使用段长信息时存在的缺陷,对隐马尔可夫模型进行改进,提出马尔可夫族模型。马尔可夫族模型可看作一个数学上由多个马尔可夫链构成的多重随机过程,HMM模型则是双重随机过程,因而,HMM模型可视为马尔可夫族模型的特例。马尔可夫族模型用条件独立性假设取代了HMM模型的独立性假设。相对条件独立性假设,独立性假设是过强假设,因而,基于马尔可夫族模型的语音模型更符合语音实际物理过程。在马尔可夫族语音识别模型中引入状态段长信息,能自动根据语速对语音单元段长进行调整。非特定人连续语音实验结果表明,利用状态段长信息的改进语音识别模型比经典HMM模型的性能明显提高。     

基于因子分析的隐马尔可夫模型

状态输出概率密度为对角协方差矩阵高斯分布的隐马尔可夫模型(HMM-DG)在帧内特征相关建模方面存在缺陷．本文将因子分析方法与HMM-DG的混合高斯建模相结合,提出了一种具有弹性的帧内特征相关隐马尔可夫模型框架一基于因子分析的隐马尔可夫模型(HMM-FA)．并导出了HMM-FA的训练算法．理论分析和仿真实验都表明：在训练数据相同的条件下,HMM-FA的性能优于HMM-DG。     

混合Markov与Bayes的客户欠费预测模型

为有效规避客户欠逃费和实现差异化处置,针对具有长期定时付费特征的后付费类服务,提出混合马尔科夫与贝叶斯的客户欠费预测模型,基于全客户多要素信息增益分析,给出潜在欠费客户的欠费概率,为客户欠费预警和处置提供全面、客观、精细的决策信息,并支持客户差异化处置.首先,基于其付费特点,建立k序马尔科夫模型,计算客户的初始欠费概率;然后,融合客户基本属性、行为特征和欠费信息等要素,基于条件互信息和爬山法生成目标贝叶斯网络,对初始欠费概率予以修正,形成客户最终欠费概率;最后,基于实际数据进行实证分析,验证了该模型的有效性.     

基于隐马尔可夫模型与并行模型组合的特征补偿算法

提出了一种基于隐马尔可夫模型和并行模型组合的特征补偿算法.首先,利用一个包含较多状态的隐马尔可夫模型来描述全部单词特征向量的分布.然后,根据静音段估计的噪声均值和方差,采用并行模型组合方法调整隐马尔可夫模型的均值向量和协方差矩阵,使之与识别环境相匹配.最后,根据基于状态转移矩阵压缩的前向后向算法计算隐马尔可夫模型的后验概率,并通过最小均方误差准则估计纯净语音特征向量.实验结果表明,该算法能够更加准确地估计纯净语音特征向量,其性能明显优于基于高斯混合模型的特征补偿算法;状态转移矩阵压缩算法可以在不影响补偿精度的前提下,显著减少前向后向算法的计算量.     

双重改进灰色马尔可夫模型的物流园区物流量预测

为科学预测物流园区的物流量,对灰色马尔可夫预测模型进行双重改进,利用灰色波动多项式替代灰色模型中的指数型曲线,采用滑动转移概率矩阵改进传统的马尔可夫链.利用某物流园区物流量的调研数据对最大相对误差、平均相对误差、残差平方和等因素进行分析.结果表明,双重改进的灰色马尔可夫模型能够更好地预测物流园区的物流量.