针对托攻击提出一种半监督托检测模型，对标记用户分类计算簇中心，给出中心用户相似度特征属性。对不同攻击选择合适的特征指标，把输入用户划分到不同的簇集中，通过簇集中输入用户全部评分项为最大值的均值与标记用户对该项均值差，确定攻击项。依据特征指标对不同簇集进行两次分类，进而确定攻击对象。实验证明，该检测算法对不同的托攻击有较高的检测准确率。
2022-02-28 10:37:56
624KB
1
文献节选翻译。文献原名：Constrained K-means Clustering with Background Knowledge
2021-12-15 20:59:44
153KB
1
提出一种半监督聚类算法,该算法在用seeds集初始化聚类中心前,利用半监督分类方法Tri-training的迭代训练过程对无标记数据进行标记,并加入seeds集以扩大规模;同时,在Tri-training训练过程中结合基于最近邻规则的Depuration数据剪辑技术对seeds集扩大过程中产生的误标记噪声数据进行修正、净化,以提高seeds集质量.实验结果表明,所提出的基于Tri-training和数据剪辑的DE-Tri-training半监督聚类新算法能够有效改善seeds集对聚类中心的初始化效果,提高聚类性能.
2021-12-10 21:38:39
693KB
1
一种基于学习向量量化(LVQ)和kmeans的半监督聚类算法，该方法能在少量标注数据上实现对未知数据的标注和分类。代码包含测试数据集Iris，代码直接运行main函数即可。
2021-06-18 19:09:21
3KB
1