计算机研究与发展

作者：王岩,童向荣,

关键词：tri-training, 极限学习机, 投票, 迁移学习, 伪标签,

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.

来源：2022年第9期

《计算机研究与发展》期刊编辑部

查看计算机研究与发展杂志2022年第9期