关键词： 电子商务交易量   站内搜索数据   商品分类  

摘要： 对搜索型商品(3C)、体验型商品(零食)、中间型商品(女装)分别建立基于淘宝网站内搜索数据对商品在线交易量的预测模型。研究结果表明,搜索数据对于搜索型商品的在线交易量具有最佳的预测效果,而对体验型商品的预测效果较差。

关键词： 数据挖掘   分类预测   敏感性   特异性  

摘要： 数据挖掘技术己经引起了信息产业界的广泛关注。分类预测是其中一个主要的研究方向,有着广泛的应用价值。对数据挖掘中的三种分类预测挖掘算法(C5.0、BP-人工神经网络和TAN贝叶斯网络)进行了研究和探讨,并通过一个实际例子对三种算法做了分析和比较,三种算法的精确度分别为87.26%、85.71%和88.7%。TAN贝叶斯网络的精确度和敏感性均最高,C5.0算法的特异性最好。

关键词： Distortion   Electrostatics   Force field   Kriging   Machine learning   Multipole moment   Protein Data Bank (PDB)   Quantum chemical topology   Serine  

摘要： A multipolar, polarizable electrostatic method for future use in a novel force field is described. Quantum Chemical Topology (QCT) is used to partition the electron density of a chemical system into atoms, then the machine learning method Kriging is used to build models that relate the multipole moments of the atoms to the positions of their surrounding nuclei. The pilot system serine is used to study both the influence of the level of theory and the set of data generator methods used. The latter consists of: (i) sampling of protein structures deposited in the Protein Data Bank (PDB), or (ii) normal mode distortion along either (a) Cartesian coordinates, or (b) redundant internal coordinates. Wavefunctions for the sampled geometries were obtained at the HF/6-31G(d,p), B3LYP/apc-1, and MP2/cc-pVDZ levels of theory, prior to calculation of the atomic multipole moments by volume integration. The average absolute error (over an independent test set of conformations) in the total atom-atom electrostatic interaction energy of serine, using Kriging models built with the three data generator methods is 11.3 kJ mol(-1) (PDB), 8.2 kJ mol(-1) (Cartesian distortion), and 10.1 kJ mol(-1) (redundant internal distortion) at the HF/6-31G(d, p) level. At the B3LYP/apc-1 level, the respective errors are 7.7 kJ mol(-1), 6.7 kJ mol(-1), and 4.9 kJmol(-1), while at the MP2/cc-pVDZ level they are 6.5 kJ mol(-1), 5.3 kJ mol(-1), and 4.0 kJmol(-1). The ranges of geometries generated by the redundant internal coordinate distortion and by extraction from the PDB are much wider than the range generated by Cartesian distortion. The atomic multipole moment and electrostatic interaction energy predictions for the B3LYP/apc-1 and MP2/cc-pVDZ levels are similar, and both are better than the corresponding predictions at the HF/6-31G(d, p) level.

关键词： ACTIVATED sludge process (Sewage purification)   ELECTROLYTIC oxidation   CHEMISTRY experiments   ORGANIC compounds removal (Sewage purification)   CHEMICAL oxygen demand   MACHINE learning  

摘要： In the present research, an electro-oxidation method was applied to decrease the organic compounds and remove the available micro-organisms in activated sludge of the sewage. Within this method, low cost electrodes were used, including stainless steel, graphite, and Pb/PbO2, and the operating parameters (pH, current density, and operating time) were experimentally optimized. In order to determine sludge stabilization (removal of organic matters and microorganisms), the decrease of parameters like chemical oxygen demand, the increase of electroconductivity and the total dissolved solids, total coli form, and fecal coli form were investigated. Two machine learning techniques (artificial neural networks and support vector machines) were applied comparatively for prediction of the process efficiency. Accurate results were obtained by simulation, in agreement with experimental data.

关键词： Structural interaction fingerprint   Machine learning   Virtual screening   Docking results analysis  

摘要： In this Letter, we present a novel methodology of searching for biologically active compounds, which is based on the combination of docking experiments and analysis of the results by machine learning methods. The study was performed for 5 different protein kinases, and several sets of compounds (active, inactive and assumed inactives) were docked into their targets. The resulting ligand-protein complexes were represented by the means of structural interaction fingerprints profiles (SIFts profiles) that constituted an input for ML methods. The developed protocol was found to be superior to the combination of classification algorithms with the standard fingerprint MACCSFP. (C) 2013 Elsevier Ltd. All rights reserved.

关键词： 功能磁共振成像   机器学习   特征选择   模式分类   静息态   脑网络  

摘要： 人类大脑是自然界中最复杂的系统之一，由数量巨大的神经元通过亿万突触相互连接形成一个高度复杂而庞大的结构性网络，是人脑进行信息处理和认知表达的结构基础。随着脑科学研究的深入，越来越多的证据表明大脑的结构性网络和功能性网络密不可分，功能性网络是在结构性网络的基础上，对空间中存在一定距离的不同神经元或脑区之间动态活动相互整合的直观描述，它使各神经元之间、各脑区之间的活动能够协调进行。随着医学影像技术的发展，基于血氧水平依赖（Blood Oxygenation Level Dependent，BOLD）的功能磁共振成像(fMRI)技术，利用其数据构建的功能性脑网络，发现脑并不是一个单纯对外界刺激进行响应的处理器，而是存在着大量自发活动的自组织复杂系统，外界刺激与该系统的内在动力相互作用才能够产生外在的行为表现。因此，通过分析脑自发活动，我们可以获得脑功能更加全面的信息，对于理解脑信息处理机制，研究认知行为的脑基础，以及分析神经和精神疾病中的脑功能异常都具有重要的意义。本文以重大神经和精神疾病的临床应用为目标，以基于静息状态的fMRI技术为突破口，将磁共振影像技术，图像处理技术，信号处理技术，机器学习技术等手段相结合，在模式分类算法，基于功能脑网络的疾病特征识别和判别分析，语言网络的发育等方面进行了系统的研究。\n 基于静息态的fMRI技术研究已经发现BOLD信号自发波动在空间上的一致性，也就是我们常说的静息状态功能连接，已被发现与疾病状态下的脑功能异常有关。近年来，人工智能领域里的机器学习算法逐渐成为一种有力的数据分析工具，被越来越多的研究人员用于功能磁共振数据的研究，与传统单元分析方法不同，机器学习算法是一个多元模式分析方法，能够充分挖掘功能磁共振数据的多元本质并用于脑疾病的早期辅助诊断。本文提出一个基于自适应学习算法的分类器，该算法最大的特点就是把模式分类问题看成是一个样本子集选择的问题，在样本的选择过程中充分利用样本之间的互信息。我们基于该算法，以静息态功能语言网络为特征，评估语言网络的异常在精神分裂症患者临床诊断中的价值，实验发现该模型能有效地分类精神分裂症患者和正常人，分类正确率为83.6％，表明语言网络的异常可以作为一个潜在的生物学标记用于该疾病的临床诊断。\n 除疾病的诊断外，从脑网络角度，研究多个受累脑区在功能上的相互关系，有益于对疾病病理生理机制的理解，也有可能发现新的生物学标记。本文提出了基于支持向量机的多元自适应特征选择算法，以静息态功能连接为特征，系统研究了精神分裂症患者功能脑网络异常的分布情况。实验结果表明精神分裂症患者的功能连接异常主要分布在边缘系统和旁边缘系统。此外，我们还进一步发现精神分裂患者的脑网络小世界属性异常，即低内聚和高耦合现象。\n 本文采用基于线性支持向量机的多元模式分析方法，将上述的静息态fMRI技术应用到语言网络发育的研究中。语言获得是人类的一个最根本特征，而且很显然，是大脑承担着这项发育变化。一个孩子可以在几年获得任何一种自然语言，而不需要分析思维的帮助，也不需要额外的“语法”指导。这种特独的语言能力是如何伴随大脑发育的？本文将予以探索。

关键词： 软件产品   质量缺陷   预测性能   非均衡分类   随机森林算法   代价敏感  

摘要： 软件缺陷的存在不仅危害软件产品质量，还增加软件组织的管理成本，延缓了开发和发布进度。软件缺陷预测可以通过历史数据、已经发现的缺陷等表征软件相关产品、过程、资源特征的软件度量数据，来预测软件的缺陷数目和分布，是一种重要的缺陷预防和控制方式。目前软件缺陷预测的研究主要是从历史数据获取来源和预测方法这两方面入手。然而，获取到的软件历史缺陷数据往往是非均衡的，易错样本比例往往不足20％。传统的预测方法通常会以预测整体准确率为目标，而忽略少数类样本，进而给易错数据样本带来极大的误分率。因此，缺陷预测是一个非均衡分类问题。\n 非均衡分类问题是目前机器学习领域的一个热门课题，涵盖了从数据预处理角度和算法改进角度入手的两大研究方法。基于抽样的非均衡分类方法也有很多相关研究，然而对于最优的抽样方法和最优的分类算法，以及如何选择合适的抽样比例，都没有得到一个统一的结论，很多研究往往是单维度地考虑抽样方法或分类算法的优劣。\n 针对这一问题，本文提出使用经验研究的方法，在软件工程领域采用所提出的非均衡分类模型进行软件缺陷分类预测，多维度对比分析各类抽样方法、抽样比例和机器学习算法对缺陷预测中数据分布非均衡问题的解决能力。本文将该模型应用于真实的NASA数据集进行案例研究。通过经验性地系统化对比分析12种已有抽样与分类算法组合的预测性能优劣，得到SpreadSubsampling和随机森林结合的方法(SP-RF)综合表现最好，但具有较高伪正率(FPR)。\n 为了进一步提高预测性能，针对原始SP-RF方法会对原始数据带来较大的噪音及信息缺失等不足，从不同角度提出了两种基于SP-RF的改进算法，分别为内置均衡化抽样的自适应随机森林改进算法(IBSBA-RF)和基于样本分布加权投票的自适应随机森林算法(VBRF)。实验表明，IBSBA-RF算法可以显著降低预测结果的FPR，并且进一步提高了预测结果的AUC和Balance值。此外，本文还根据IBSBA-RF方法和VBRF方法设计并实现了支持基于非均衡分类模型的缺陷预测工具。

关键词： 机器学习   人工智能   李群机器学习   核机器学习   流形学习  

摘要： 本文以什么是机器学习、机器学习的发展历史和机器学习的主要策略这一线索,对机器学习进行系统性的描述。接着,着重介绍了流形学习、李群机器学习和核机器学习三种新型的机器学习方法,为更好的研究机器学习提供了新的思路。

关键词： 基质金属蛋白酶-13   选择性抑制剂   机器学习方法   支持向量机   随机森林   虚拟筛选  

摘要： 基质金属蛋白酶-13(MMP-13)为预防和治疗骨关节炎(OA)提供了充满希望的靶标.通过抑制剂来阻断MMP-13的活性将会对治疗OA疾病产生潜在的作用.然而,宽谱抑制剂同样抑制MMP家族的其它成员,特别是MMP-1,这将会导致肌与骨的综合症.因此,设计和发现潜在的MMP-13相对于MMP-1的高效选择性抑制剂,在对治疗OA新型药物的研发中具有相当重要的现实意义.本研究通过两种机器学习方法(ML):支持向量机(SVM)和随机森林(RF)来建立分类模型,用于预测不同结构的MMP-13对MMP-1的选择性抑制剂.所建这些模型的预测效果都已经达到了令人满意的精度.在这两种ML模型中,RF对于MMP-13选择性抑制剂和非抑制剂的精度分别达到97.58%和100%.同时,与MMP-13对MMP-1的选择性抑制最相关的分子描述符也基于不同的特征选择方法被两种模型挑选出来.最后,用预测效果最好的RF模型虚拟筛选了ZINC数据库的"fragment-like"子集,从而得到了一系列潜在的候选药物.研究表明,机器学习方法,特别是RF方法,对于发现潜在的MMP-13选择性抑制剂十分有效.同时还得到了一些与MMP-13的选择性抑制相关的分子描述符.

关键词： Drug-enzyme interaction   CfsSubset   Machine learning   Random Forest   Pseudo amino acid composition   Molecular descriptor  

摘要： It is important to correctly and efficiently map drugs and enzymes to their possible interaction network in modern drug research. In this work, a novel approach was introduced to encode drug and enzyme molecules with physicochemical molecular descriptors and pseudo amino acid composition, respectively. Based on this encoding method, Random Forest was adopted to build the drug-enzyme interaction network. After selecting the optimal features that are able to represent the main factors of drug-enzyme interaction in our prediction, a total of 129 features were attained which can be clustered into nine categories: Elemental Analysis, Geometry, Chemistry, Amino Acid Composition, Secondary Structure, Polarity, Molecular Volume, Codon Diversity and Electrostatic Charge. It is further found that Geometry features were the most important of all the features. As a result, our predicting model achieved an MCC of 0.915 and a sensitivity of 87.9% at the specificity level of 99.8% for 10-fold cross-validation test, and achieved an MCC of 0.895 and a sensitivity of 95.7% at the specificity level of 95.4% for independent set test. This article is part of a Special Issue entitled: Computational Proteomics, Systems Biology & Clinical Implications. Guest Editor: Yudong Cai. (C) 2013 Elsevier B.V. All rights reserved.