版權(quán)說明: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)
文檔簡介
1、由于在英特網(wǎng)中有巨大的商業(yè)價(jià)值,推薦系統(tǒng)已經(jīng)吸引了各方注意,且已經(jīng)廣泛使用到了網(wǎng)絡(luò)環(huán)境中。為了能更好的提高商品的銷量,也為了能夠提高用戶的體驗(yàn)程度,越來越多的互聯(lián)網(wǎng)公司如Amazon,EBay,淘寶等依賴推薦系統(tǒng)通過對(duì)用戶的購買進(jìn)行進(jìn)行記錄來預(yù)測(cè)用戶對(duì)其他物品的喜愛程度,預(yù)測(cè)后將評(píng)分高的商品推薦給用戶。盡管矩陣可以有效表示用戶與物品的互動(dòng)關(guān)系(比如用戶觀看電影后評(píng)分)然而在推薦系統(tǒng)中,低評(píng)估密度(少量用戶參與評(píng)分)和可伸縮性(新用戶與新
2、物品(商品、電影)的加入)是矩陣填充面臨的主要問題。為了研究上述問題,提出了一種快速且準(zhǔn)確度高的推薦算法——基于拆分的矩陣推薦方法,該方法利用局部敏感哈希函數(shù)來對(duì)用戶進(jìn)行實(shí)時(shí)管理,再使用矩陣填充技術(shù)來對(duì)用戶進(jìn)行相關(guān)推薦。本文主要研究點(diǎn)如下:
1.利用局部敏感哈希函數(shù)的良好的性能特點(diǎn),提出了oLSH的用戶管理方法。oLSH使用局部敏感哈希表來將系統(tǒng)中有相似興趣愛好的用戶記錄在相近的位置。oLSH的關(guān)鍵是使用多個(gè)局部敏感哈希函數(shù),
3、通過計(jì)算使得興趣相似的用戶能夠高概率的將相似的用戶放入到同一個(gè)局部敏感哈希桶中。與傳統(tǒng)的基于內(nèi)存的方法需要對(duì)數(shù)據(jù)進(jìn)行二次查詢才能找到相似用戶不同,oLSH可以實(shí)現(xiàn)在線對(duì)相似用戶進(jìn)行查詢。
2.基于oLSH用戶管理方法,提出基于拆分的矩陣推薦方法來對(duì)用戶進(jìn)行推薦。oLSH用戶管理方法將原始矩陣分解為多個(gè)子矩陣,子矩陣中的用戶興趣愛好更加相似有著更高的相關(guān)性,使得使用矩陣填充方法在對(duì)子矩陣進(jìn)行填充時(shí)的效果更加準(zhǔn)確。為了進(jìn)一步的降低
4、子矩陣的維度,提高子矩陣的采樣率,該方法使用實(shí)驗(yàn)得出閾值使得子矩陣中與目標(biāo)用戶不是很相關(guān)的列進(jìn)行刪除。與利用原始矩陣進(jìn)行矩陣填充的推薦方法相比,利用該方法進(jìn)行分解后的矩陣具有更高的準(zhǔn)確性。
將該方法在開源數(shù)據(jù)集MovieLens中進(jìn)行實(shí)驗(yàn)。通過實(shí)驗(yàn)證明,基于拆分的矩陣推薦方法能夠提供更好的推薦正確率。在基于拆分的矩陣推薦方法中由于將相似的用戶放入到同一個(gè)桶中,并且桶與桶之間相互獨(dú)立沒有聯(lián)系,每個(gè)子矩陣可以單獨(dú)的進(jìn)行數(shù)據(jù)恢復(fù),因
溫馨提示
- 1. 本站所有資源如無特殊說明,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)頁內(nèi)容里面會(huì)有圖紙預(yù)覽,若沒有圖紙預(yù)覽就沒有圖紙。
- 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
- 面向推薦系統(tǒng)的矩陣填充算法研究.pdf
- 矩陣填充的算法研究.pdf
- 基于評(píng)分矩陣的推薦算法研究.pdf
- 基于概率矩陣分解的推薦算法研究.pdf
- 基于近似矩陣分解的推薦算法研究.pdf
- 基于矩陣分解的推薦系統(tǒng)算法研究.pdf
- 基于改進(jìn)矩陣分解的推薦算法研究.pdf
- 基于矩陣分解的推薦算法優(yōu)化研究.pdf
- 基于矩陣分解模型的推薦算法研究.pdf
- 基于用戶關(guān)系的矩陣分解推薦算法研究.pdf
- 基于雙重正則化的矩陣分解推薦算法研究.pdf
- 基于矩陣分解的協(xié)同過濾推薦算法研究.pdf
- 基于主題矩陣分解模型的新聞推薦算法研究.pdf
- 基于概率矩陣分解的多指標(biāo)推薦算法研究.pdf
- 矩陣及張量填充算法的研究及應(yīng)用.pdf
- 面向社交網(wǎng)絡(luò)關(guān)系的矩陣分解算法的推薦系統(tǒng)研究.pdf
- 基于矩陣分解的推薦系統(tǒng)模型和算法改進(jìn)研究.pdf
- 基于社交網(wǎng)絡(luò)的推薦算法研究.pdf
- 基于信任網(wǎng)絡(luò)的群體推薦算法研究.pdf
- 基于概率矩陣分解的社會(huì)化推薦算法研究.pdf
評(píng)論
0/150
提交評(píng)論