基于改進的聚類和非對稱相似度的協(xié)同過濾算法研究.pdf_第1頁
已閱讀1頁,還剩70頁未讀 繼續(xù)免費閱讀

下載本文檔

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),請進行舉報或認領(lǐng)

文檔簡介

1、社交網(wǎng)絡(luò)的快速發(fā)展導致信息網(wǎng)絡(luò)中容納的信息數(shù)據(jù)飛速增長,但人們要從這些海量數(shù)據(jù)中有效獲取真正符合需求的部分反而變得更為困難,推薦系統(tǒng)應(yīng)運而生。推薦系統(tǒng)通過對用戶的歷史行為數(shù)據(jù)進行分析建模,發(fā)掘用戶潛在的興趣,進而向用戶推薦商品或信息。其中推薦系統(tǒng)中應(yīng)用最廣的算法是協(xié)同過濾算法,該算法通過相似用戶的選擇或者相似項目的評分來預(yù)測目標用戶對項目的評分。傳統(tǒng)的基于用戶相似度的協(xié)同過濾算法存在兩種缺陷:一是認為用戶之間的相似度是對稱的,這個假設(shè)在

2、某些情況下會導致錯誤;二是在選擇用戶的k近鄰時,目標用戶需要和其他所有用戶進行項目評分進行計算比較,當用戶數(shù)量不斷增長時,尋找k近鄰的計算成本會變得很高。
  本論文深入分析了現(xiàn)有用戶相似度度量方法的存在的問題,提出了改進的用戶相似度度量方法。此外研究了聚類算法來解決k近鄰選取效率不高的問題,提出了一種改進的K-means聚類算法。最后結(jié)合這兩種改進算法設(shè)計了一種新的協(xié)同過濾算法。論文的主要工作如下:
  1、通過實例對現(xiàn)有

3、的用戶相似度度量方法存在的問題進行闡述,提出了一種非對稱的用戶相似度度量方法,該方法能合理的表示用戶之間相似性的關(guān)系。此外本文介紹了現(xiàn)階段解決數(shù)據(jù)稀疏性的常用模型:隱語義模型,該模型通過奇異值分解來對未知評分值進行預(yù)測。本文將非對稱相似度模型和隱語義模型結(jié)合起來,設(shè)計了一種基于非對稱相似度的協(xié)同過濾算法。最后在MovieLens和Douban數(shù)據(jù)集上進行實驗,使用均方根誤差(RMSE)和平均絕對誤差(MAE)作為評價標準。實驗表明該相似

4、度度量方法對能在一定程度上提升推薦質(zhì)量。
  2、對傳統(tǒng)的K-means聚類算法進行了介紹,并通過實驗來說明傳統(tǒng)算法存在的兩個問題,一是聚類中心個數(shù)難以確定,往往依賴于算法使用者對數(shù)據(jù)所在領(lǐng)域的熟悉程度;二是由于初始聚類中心選擇的隨機性,多次聚類的結(jié)果不穩(wěn)定,而且容易出現(xiàn)局部最優(yōu)解。文中提出一種基于個體輪廓系數(shù)的改進K-means聚類算法,該算法能夠自適應(yīng)地確定聚類中心的個數(shù),并使聚類中心合理分布在數(shù)據(jù)對象中,不僅聚類效果有所提升

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空間,僅對用戶上傳內(nèi)容的表現(xiàn)方式做保護處理,對用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯,并不能對任何下載內(nèi)容負責。
  • 6. 下載文件中如有侵權(quán)或不適當內(nèi)容,請與我們聯(lián)系,我們立即糾正。
  • 7. 本站不保證下載資源的準確性、安全性和完整性, 同時也不承擔用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。

評論

0/150

提交評論