版權(quán)說(shuō)明:本文檔由用戶提供并上傳,收益歸屬內(nèi)容提供方,若內(nèi)容存在侵權(quán),請(qǐng)進(jìn)行舉報(bào)或認(rèn)領(lǐng)
文檔簡(jiǎn)介
1、隨著互聯(lián)網(wǎng)2.0時(shí)代的到來(lái),用戶的各類(lèi)網(wǎng)絡(luò)信息數(shù)據(jù)與日俱增,信息過(guò)載的問(wèn)題日益嚴(yán)重。對(duì)于單個(gè)用戶而言,從紛繁復(fù)雜的網(wǎng)絡(luò)世界中快速捕捉到自己需要的信息越來(lái)越難;對(duì)于產(chǎn)品提供方而言,如何集成所有用戶的信息并迅速地挖掘到用戶的個(gè)人潛在需求,把用戶可能感興趣的產(chǎn)品及時(shí)推送給用戶成為大數(shù)據(jù)時(shí)代下精準(zhǔn)營(yíng)銷(xiāo)的一大技術(shù)難題。個(gè)性化推薦技術(shù)作為解決信息過(guò)載的有效手段和重要工具應(yīng)運(yùn)而生,在電子商務(wù)領(lǐng)域及各類(lèi)社交媒體平臺(tái)展現(xiàn)出了良好的應(yīng)用前景。其中,協(xié)同過(guò)濾
2、推薦技術(shù)作為應(yīng)用最早也最廣泛的個(gè)性化推薦技術(shù)之一,在實(shí)際應(yīng)用中取得了巨大的成功,但仍然面臨著數(shù)據(jù)稀疏與冷啟動(dòng),可擴(kuò)展性差等制約推薦精度的嚴(yán)峻的問(wèn)題。個(gè)性化推薦發(fā)展到現(xiàn)在,已經(jīng)有大量?jī)?yōu)秀的專(zhuān)家學(xué)者提出了很多不同的算法模型來(lái)解決傳統(tǒng)協(xié)同過(guò)濾的這些缺陷,其中混合推薦算法因其能夠有效緩解傳統(tǒng)協(xié)同過(guò)濾推薦手段單一,推薦效率不高等缺陷而成為推薦算法研究領(lǐng)域的熱門(mén)方向,受到了越來(lái)越多的關(guān)注。本文提出的基于奇異值分解與支持向量機(jī)的混合推薦算法對(duì)傳統(tǒng)協(xié)同
3、過(guò)濾算法進(jìn)行了一些相應(yīng)的改進(jìn),主要工作如下:
1.針對(duì)推薦系統(tǒng)中用戶-項(xiàng)目評(píng)分?jǐn)?shù)據(jù)的稀疏性問(wèn)題,提出采用矩陣分解技術(shù)降維來(lái)最大化提取有效信息,分解得到三個(gè)稠密的包含用戶對(duì)項(xiàng)目偏好信息的奇異矩陣,有效地緩解了原始評(píng)分矩陣的極端稀疏情況;
2.針對(duì)推薦系統(tǒng)中用戶及項(xiàng)目數(shù)量急劇增長(zhǎng)引發(fā)的可擴(kuò)展性差的問(wèn)題,利用奇異值分解技術(shù)抽取用戶-項(xiàng)目數(shù)據(jù)的關(guān)鍵特征,降低用戶或項(xiàng)目的奇異向量維數(shù),相比傳統(tǒng)協(xié)同過(guò)濾一定程度上降低了相似度矩陣
4、的計(jì)算復(fù)雜度,較好地解決了可擴(kuò)展性差的問(wèn)題;
3.為了避免推薦系統(tǒng)用戶及項(xiàng)目數(shù)量龐大導(dǎo)致的內(nèi)存損耗問(wèn)題,提出基于SVD及SVM的混合推薦算法,只需存儲(chǔ)奇異值分解后的用戶或者項(xiàng)目的奇異矩陣,用戶或項(xiàng)目的特征向量維數(shù)大大降低,保證了推薦精確度的同時(shí),節(jié)省了更多存儲(chǔ)空間,這對(duì)于擁有浩如煙海數(shù)據(jù)的推薦系統(tǒng)無(wú)疑具有十分重大的意義;
4.在MovieLens數(shù)據(jù)集上進(jìn)行的實(shí)證表明,本文提出的基于奇異值分解和SVM的混合推薦算法確
溫馨提示
- 1. 本站所有資源如無(wú)特殊說(shuō)明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請(qǐng)下載最新的WinRAR軟件解壓。
- 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請(qǐng)聯(lián)系上傳者。文件的所有權(quán)益歸上傳用戶所有。
- 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁(yè)內(nèi)容里面會(huì)有圖紙預(yù)覽,若沒(méi)有圖紙預(yù)覽就沒(méi)有圖紙。
- 4. 未經(jīng)權(quán)益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
- 5. 眾賞文庫(kù)僅提供信息存儲(chǔ)空間,僅對(duì)用戶上傳內(nèi)容的表現(xiàn)方式做保護(hù)處理,對(duì)用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯,并不能對(duì)任何下載內(nèi)容負(fù)責(zé)。
- 6. 下載文件中如有侵權(quán)或不適當(dāng)內(nèi)容,請(qǐng)與我們聯(lián)系,我們立即糾正。
- 7. 本站不保證下載資源的準(zhǔn)確性、安全性和完整性, 同時(shí)也不承擔(dān)用戶因使用這些下載資源對(duì)自己和他人造成任何形式的傷害或損失。
最新文檔
- 基于混合推薦的電影推薦系統(tǒng)的研究與實(shí)現(xiàn).pdf
- 基于SVD的推薦系統(tǒng)研究及其應(yīng)用.pdf
- 基于混合推薦的手機(jī)閱讀推薦系統(tǒng)的研究與實(shí)現(xiàn).pdf
- 基于混合推薦技術(shù)的推薦系統(tǒng)設(shè)計(jì)與實(shí)現(xiàn).pdf
- 基于分類(lèi)驅(qū)動(dòng)推薦算法的電影推薦系統(tǒng)的研究與應(yīng)用.pdf
- 基于混合推薦技術(shù)的推薦系統(tǒng)設(shè)計(jì)與實(shí)現(xiàn)
- 基于SVD的協(xié)同過(guò)濾推薦算法研究.pdf
- 基于本體的電影推薦系統(tǒng).pdf
- 基于Spark的混合推薦系統(tǒng).pdf
- 基于Hadoop的電影推薦系統(tǒng)的研究與實(shí)現(xiàn).pdf
- 基于Spark的混合推薦系統(tǒng)的研究與實(shí)現(xiàn).pdf
- 基于混合模型的推薦系統(tǒng)的研究.pdf
- 基于Hadoop的電影推薦系統(tǒng)研究與實(shí)現(xiàn).pdf
- 基于二分圖推薦算法的電影推薦系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn).pdf
- 基于混合算法的推薦系統(tǒng)的研究與實(shí)現(xiàn).pdf
- 電影推薦系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn).pdf
- 基于混合推薦算法的情境感知音樂(lè)推薦系統(tǒng)研究與實(shí)現(xiàn).pdf
- 基于用戶行為的電影推薦系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn).pdf
- 基于用戶興趣的混合推薦系統(tǒng)研究.pdf
- 基于混合過(guò)濾的推薦系統(tǒng)開(kāi)發(fā)研究.pdf
評(píng)論
0/150
提交評(píng)論