

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(jìn)行舉報(bào)或認(rèn)領(lǐng)
文檔簡介
1、協(xié)同過濾推薦算法是現(xiàn)實(shí)世界應(yīng)用最廣泛、最成熟的算法之一。本課題研究的Slope One算法就是一種基于項(xiàng)目的協(xié)同過濾推薦算法,該算法因其簡單高效的特點(diǎn)受到眾多學(xué)者的青睞。但該算法將所有用戶和項(xiàng)目看的同等重要,當(dāng)數(shù)據(jù)集過于稀疏時(shí)算法的預(yù)測精度和可擴(kuò)展性都面臨嚴(yán)峻挑戰(zhàn)。針對這些問題,本課題提出了相應(yīng)的改進(jìn)措施。
首先,簡單介紹了推薦系統(tǒng)產(chǎn)生的背景和研究現(xiàn)狀,描述了協(xié)同過濾推薦算法的相關(guān)知識。緊接著重點(diǎn)講解了Slope One算法的
2、相關(guān)內(nèi)容,總結(jié)了算法的優(yōu)缺點(diǎn),并提出相應(yīng)的改進(jìn)方案。
其次,隨著用戶和項(xiàng)目數(shù)量的急劇增長,計(jì)算量也隨之增加,該情況會導(dǎo)致算法的可擴(kuò)展性差。因此本文考慮利用項(xiàng)目分類信息劃分評分矩陣,使Slope One算法的相關(guān)計(jì)算在目標(biāo)項(xiàng)目所在的分類矩陣中進(jìn)行。為了區(qū)分用戶,引入分類專家,即利用專家用戶的評分計(jì)算項(xiàng)目間偏差;為了區(qū)分項(xiàng)目,引入項(xiàng)目動態(tài)k近鄰,即利用用戶對近鄰項(xiàng)目的評分計(jì)算偏差和預(yù)測評分。這種改進(jìn)方案不僅減小了計(jì)算量,同時(shí)還過濾
3、了不相關(guān)用戶或項(xiàng)目對預(yù)測結(jié)果的影響,提高了推薦精度。
然后,考慮到有的數(shù)據(jù)集不包含項(xiàng)目屬性信息,此時(shí)采用 K-means聚類方法,利用評分信息分別對用戶和項(xiàng)目聚類。對于基于用戶聚類的方法,需要在目標(biāo)用戶所在的聚類中尋找該用戶的k近鄰,然后根據(jù)近鄰用戶的評分計(jì)算項(xiàng)目偏差;對于基于項(xiàng)目聚類的方法,需要在目標(biāo)項(xiàng)目所在的聚類中尋找該項(xiàng)目的k近鄰,然后根據(jù)用戶對近鄰項(xiàng)目的評分計(jì)算偏差和預(yù)測評分。該方案同樣可以減小計(jì)算量和提高預(yù)測準(zhǔn)確性。
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(hù)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(fù)責(zé)。
- 6. 下載文件中如有侵權(quán)或不適當(dāng)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(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自己和他人造成任何形式的傷害或損失。
最新文檔
- 基于K-means聚類點(diǎn)密度加權(quán)質(zhì)心定位算法研究.pdf
- 熵加權(quán)多視角核k-means聚類算法的研究.pdf
- k-means類型變量加權(quán)聚類算法的研究與實(shí)現(xiàn).pdf
- 基于K-Means的文檔聚類算法研究.pdf
- (6)K-means聚類算法.pdf
- K-means聚類算法的改進(jìn).pdf
- K-means聚類算法的改進(jìn)研究.pdf
- 基于K-means聚類的RCNA識別算法.pdf
- K-means聚類優(yōu)化算法的研究.pdf
- 基于K-means聚類算法的負(fù)荷模型研究.pdf
- 基于K-Means聚類算法的客戶細(xì)分研究.pdf
- K-means聚類算法研究及其應(yīng)用.pdf
- 密度敏感的K-means聚類算法研究.pdf
- 基于密度的改進(jìn)K-Means文本聚類算法研究.pdf
- 基于遺傳算法的K-MEANS聚類改進(jìn)研究.pdf
- 數(shù)據(jù)挖掘K-means聚類算法的研究.pdf
- K-Means聚類算法的研究與改進(jìn).pdf
- k-means聚類算法分析應(yīng)用研究
- 基于SOM和K-means聚類算法的RFM模型分析.pdf
- 基于MapReduce的海量數(shù)據(jù)K-means聚類算法研究.pdf
評論
0/150
提交評論