17、基于ELM的事件推荐与混沌神经元模型分岔图重建研究

基于ELM的事件推荐与混沌神经元模型分岔图重建研究

1. 基于ELM的事件推荐模型

在事件推荐系统网络（EBSNs）中，事件推荐是一个关键问题，可将其视为一个二分类问题。为解决这一问题，提出了一种基于极限学习机（ELM）的事件推荐模型。

1.1 相关特征计算

• 用户标签余弦相似度 ：用户 $u$ 和 $v$ 的标签向量分别为 $l_u$ 和 $l_v$，它们之间的余弦相似度 $sim(u, v)$ 计算公式为：
  [sim(u, v) = \cos(l_u, l_v) = \frac{l_u \cdot l_v}{|l_u||l_v|}]
• 朋友对用户的总影响（SOF） ：每个朋友可以为给定事件提取一个语义特征，朋友对用户 $u$ 的总影响是这些语义特征的加权和。公式为：
  [SOF(u, e) = avg_{uv\in R} \sum_{v\in U} sim(u, v)SEF(v, e)]
  其中，$v$ 是 $u$ 的每个朋友，$SEF(v, e)$ 是用户和事件的语义特征。

1.2 训练ELM

将提取的特征组合在一起生成推荐特征 $F = [SPF, HSF, SOF]$，并选择ELM作为推荐模型的分类器。将特征放入特征向量作为ELM的输入，将所有事件分为感兴趣和不感兴趣两类，感兴趣类的事件将推荐给用户。为每个用户训练ELM，在训练单个用户的ELM时，为每个用户生成事件的特征向量，用户参与过的事件输出为正，否则为负。

1.3 实验设置