19、数据挖掘与推荐模型及深度学习超参数量化的研究进展

数据挖掘与推荐模型及深度学习超参数量化的研究进展

在当今数字化时代，数据挖掘和深度学习领域的研究取得了显著进展。本文将介绍三个重要的研究成果，包括轨迹模式挖掘、基于本体的细粒度众包模型（FCM）以及深度学习超参数重要性量化方法（QIM）。

轨迹模式挖掘

在轨迹数据挖掘方面，研究人员提出了一种两阶段方法，用于从公交智能卡数据中挖掘 FBPT4BL 模式并获取区域间公交线路。这些区域间公交线路可用于评估现有线路的合理性，或为新线路的开通提供指导。

基于本体的细粒度众包模型（FCM）

1. 研究背景与问题提出
   • 随着智能移动设备的普及，众包传感成为互联网发展的新趋势。然而，现有的众包模型存在一些问题，如未对服务请求进行细致分类，且在服务推荐模型中未充分考虑客户服务偏好与历史数据的内在关系。
   • 为解决这些问题，提出了基于本体理论的细粒度众包模型（FCM），旨在为众包传感请求推荐合适的服务提供商。
2. 特征本体三元组
   • 为准确描述用户行为，将特征数据定义为本体三元组 < CP, EP, QoS >。
     • 公共属性（CP） ：包含用户 ID、用户名和附加信息，定义为集合 CP = {ID, Name, Additional Information}，所有元素均为文本属性。
     • 专属属性（EP） ：包括位置