简介:域自适应算法是一种能有效解决训练集(源域)和测试集(目标域)样本分布不一样但是具有相关性的方法.文章提出一个跨领域分布适配超限学习机(DDM-ELM)用于解决域自适应问题.DDM-ELM旨在基于超限学习机的框架下,充分利用丰富的有标签源域样本和无标签目标域样本,得出一个精确的目标域分类器.具体来说,DDM-ELM同时满足以下目标:1)最小化源域样本的分类误差;2)通过最小化投影最大化均值偏差来有效减小源域和目标域的分布差距;3)利用目标域样本的流形正则化来探索目标域样本的几何机构特性.这使得DDM-ELM能在同时继承超限学习机优点的前提下更加适合于目标域样本.经过大量的实验结果证明,相比于几种先进的域自适应方法,DDM-ELM在分类准确率和效率上均有所提高.
简介:摘要:网络时代,在线学习资源日益丰富。面对大量的信息,如何准确地向学习者推荐他们感兴趣的内容,以避免陷入数字泥潭是个性化推荐领域需要研究的问题。本文分析了二图信息扩散推荐算法,并结合网络资源的标签属性,探讨了基于标签的三图学习资源个性化推荐算法的改进。该算法在保留有效性和简洁性的前提下,利用标签属性扩大了推荐资源的广度,对缓解网络稀缺引起的推荐信息不完整具有一定的参考意义。