基于tri-training和极限学习机的跨领域信任预测

摘要：

信任预测常用于推荐系统及交易平台,大多数学者研究基于某一个网络的信任预测,目前由于大多数网络缺乏标签,所以通过某一网络预测另一个网络的社会关系很有必要.利用BP神经网络结合非对称tri-training构建模型的方法存在2个问题:1)BP神经网络反向传播调整误差需要时间长;2)该模型只有2个分类器产生伪标签,这需要设置专家阈值.针对该模型存在的结构和速度问题,提出了改进的基于tri-training和极限学习机的跨领域信任预测模型,结合tri-training模型和非对称tri-training模型进行类似迁移学习的方法对网络进行预测,采用速度更快的极限学习机分类器,根据"少数服从多数"的投票机制,利用tri-training模型产生伪标签.实验测试特殊特征加入的影响,且在6个数据集上与其他已有算法进行对比,实验表明模型在召回率和稳定性方面优于其他算法.

关键词：tri-training、极限学习机、投票、迁移学习、伪标签

所属期刊栏目：59

分类号：TP18(自动化基础理论)

资助基金：国家自然科学基金;国家自然科学基金;山东省重大科技创新工程项目

在线出版日期：2022-09-15（万方平台首次上网日期，不代表论文的发表时间）

页数：共12页

页码：2015-2026