基于隱因子的邏輯回歸推薦模型研究.pdf_第1頁
已閱讀1頁，還剩62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

文檔簡介

1、個性化推薦系統(tǒng)是根據(jù)用戶歷史行為記錄以及用戶和項目的特點，推薦適合用戶的項目。隨著用戶和項目數(shù)量的快速增長，信息過載問題突出，用戶-項目評分矩陣數(shù)據(jù)稀疏情況日趨嚴峻，導致傳統(tǒng)的推薦系統(tǒng)擴展性不佳，個性化服務難以提升。在推薦系統(tǒng)的設計中，推薦模型的研究是關鍵，對數(shù)據(jù)稀疏與擴展性的研究已然成為推薦系統(tǒng)研究的重點和難點。
　　本文采用的用戶-項目評分數(shù)據(jù)來源于 MovieLens，它提供了大量而真實的用戶行為數(shù)據(jù)。本文首先提出基于最優(yōu)化

2、方法的近似奇異值分解—OSVD模型，對評分矩陣進行最佳秩k奇異值分解，利用最優(yōu)化技術(shù)得到近似秩為k的奇異值和隱語義特征矩陣。實驗結(jié)果表明，本文提出的 OSVD模型的預測能力較好于隱語義模型（LFM），且復雜度較低于奇異值分解（SVD）。接著本文提出LFM和OSVD分別與Logistic模型結(jié)合，構(gòu)建LR-LFM模型和LR-OSVD模型，這兩種模型通過將矩陣分解數(shù)值預測轉(zhuǎn)化分類問題，實現(xiàn)項目推薦。實驗結(jié)果表明，本文提出的LR-LFM和LR

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)容里面會有圖紙預覽，若沒有圖紙預覽就沒有圖紙。
  • 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