yimiaomochu-CSDN博客

原创融合主题模型和协同过滤的多样化移动应用推荐

引用的资料：融合主题模型和协同过滤的多样化移动应用推荐提出了将用户的主题模型和应用的主题模型与MF 相结合的LDA_MF 模型,以及将应用的标签信息和用户行为数据同时加以考虑的LDA_CF 算法。提出了融合LDA_MF,LDA_CF 以及经典的基于物品的协同过滤模型的混合推荐算法.结合主题模型和举证分解方法的算法LDA_MF为了将多种信息融合,增加用户兴趣表示,本文提出了结合主题模型LDA和矩阵分解

2017-04-23 21:12:30 738

原创社交网络环境下基于信任的推荐算法

社交网络环境下基于信任的推荐算法PMF概率矩阵分解（借鉴：http://blog.csdn.net/shenxiaolu1984/article/details/50372909） - 基本思路其核心思想是：用户和电影之间的关系（即用户对电影的偏好）可以由较少的几个因素的线性组合决定。评分矩阵可以分解为两个低维矩阵的乘积R=UTV，其中D×N矩阵U描述N个用户的属性，D×M矩阵V描述M部

2017-04-17 15:23:19 2386 4

原创一种优化组合相似度的协同过滤推荐算法

陈曦, 成韵姿. 一种优化组合相似度的协同过滤推荐算法[J]. 计算机工程与科学, 2017, 39(1):180-187.（1）建立用户一项目评分时间矩阵，根据用户对共同评分项目的评分时间先后顺序，计算用户之问的影响力；构建用户一项目评分矩阵R和用户一项目评分时间矩阵Rtime。时序行为影响力的公式：对于用户i与用户J共同消费过的商品，Wij表示用户i比用户j先消费的商品数，uni

2017-04-10 20:32:03 3364

原创结合用户特征分类和动态时间的协同过滤推荐

谢霖铨, 梁博群. 结合用户特征分类和动态时间的协同过滤推荐, 2015年10月29日[J]. 计算机工程与应用, 2015.（1）根据用户特征信息建立用户类别树，并根据分类树计算两两用户间相似性 simf(u,v) ； L(hi,hj) 表示节点 i 和节点 j 具有的最大公共路径的节点个数，depth(hi) 表示节点 i 的层次。（2）根据用户特征矩阵 T ，利用式（3）计算用户属性

2017-04-09 10:15:33 837

原创 Attention+：一种基于关注关系与多用户行为的图推荐算法

刘梦娟, 王巍, 李杨曦,等. AttentionRank~+:一种基于关注关系与多用户行为的图推荐算法[J]. 计算机学报, 2017(3).基于Random Walk的TSPR算法该算法采用一阶Markov-chain计算游走概率。方法如下：分别从每个用户节点出发，在“用物品”二分图上进行一轮Random Walk；每当到达一个节点时，需要判断是以概β继续向下游走，还是以1-β概率返回

2017-04-07 21:20:22 1567

原创综合用户特征及专家信任的协作过滤推荐算法

高发展, 黄梦醒, 张婷婷. 综合用户特征及专家信任的协作过滤推荐算法[J]. 计算机科学, 2017, 44(2):103-106. 总结。改进的混合推荐算法混合推荐算法，即基于改进的用户特征及专家新人的协作过滤算法基于用户特征的协同过滤研究表明，当数据集中几乎没有用户评分数据时，利用用户特征也能启动协作过滤算法。所以当新用户到达推荐系统时，利用用户填写的注册信息可以有效缓解推荐系统中的冷

2017-04-07 11:04:55 1267

原创基于大数据的推荐算法研究（4）——矩阵分解并行化

孙远帅. 基于大数据的推荐算法研究[D]. 厦门大学, 2014. 读的一篇论文的总结（4）矩阵分解的主要工作是利用分布式编程技术将矩阵分解算法并行化。矩阵分解算法矩阵分解技术的目标是，对每个用户和项目构建一个向量因子模型，由k维向量表示，其中每个分量代表用户在一个因子上的偏好程度或者项目在一个因子上的侧重程度。假设用户对项目的评分矩阵是M，用户因子矩阵是U，项目因子矩阵V，则矩阵分解算法可表示

2017-03-18 21:31:16 2748

原创基于大数据的推荐算法研究（3）——层次结构

孙远帅. 基于大数据的推荐算法研究[D]. 厦门大学, 2014. 读的一篇论文的总结（3）层次相似性项目标签的层次结构：项目标签之间有时候会存在层次，例如一个歌手有很多专辑，一个专辑会有很多歌，这些歌可以属于不同的音乐风格。其中，称h为a的上位标签，a为h的下位标签。层次结构的建立第一步，基于标签近邻的扩展，主要对进行了部分标注的项目的标签进行扩展。基本思想是利用关联规则挖掘，把

2017-03-18 19:58:02 2070

原创基于大数据的推荐算法研究（2）——改进相似度

孙远帅. 基于大数据的推荐算法研究[D]. 厦门大学, 2014. 读的一篇论文的总结（2）常规相似度度量方法在机器学习和数据挖掘领域，大多算法都是采用特征提取力处根损用户行为数据或用户项目内容数据为用户和项目分别创建一个向量模型。通过度量向量模型的距离来度量用户或项目的相似度。下面主要介绍余弦距离和皮尔逊相关系数。余弦距离从几何角度看，余弦距离是指n（n>=2）维空间中两个向量夹角的余弦值

2017-03-14 16:46:48 3064

原创基于大数据的推荐算法研究（1）

孙远帅. 基于大数据的推荐算法研究[D]. 厦门大学, 2014. 读的一篇论文的总结总览基于项目层次结构的推荐算法，并结合Hadoop技术实现矩阵分解算法。改进均衡相似度的余弦距离和皮尔逊相关系数的计算公式，避免计算目标用户与所有用户的像素度，从而避免了在整个用户空间中搜索最相近的k个用户，同时引入倒排索引数据结构，是查找目标用户最近邻的计算复杂度降低；提出基于项目层次相似度的协同过滤算法，

2017-03-14 10:20:13 11308

原创 MapReduce

MapReduce将复杂的、运行大规模集群上的并行计算过程高度地抽象到两个函数：Map和Reduce 编程容易，不需要掌握分布式并行编程细节，也可以很容易把自己的程序运行在分布式系统上，完成海量数据的计算。 MapReduce采用“分而治之”策略，一个存储在分布式文件系统图中的大规模数据集，会被切分成许多独立的分片（split），这些分片可以被多个Map任务并行处理 MapReduce将复杂的

2017-03-12 14:52:38 1470

原创朴素贝叶斯法

朴素贝叶斯发是基于贝叶斯定理与特征假设的分类方法。对给定训练数据集，首先基于特征条件独立假设学习输入/输出的联合概率分布；然后基于此模型，对给定的输入x，利用贝叶斯定力求出后验概率最大的输出y

2017-03-06 15:09:56 415

原创决策树

统计学习方法李航第五章决策树学习通常包括3个步骤：特征选取、决策树生成和决策树的修剪。特征选取（1）信息增益：熵与条件熵的差值熵：表示随机变量的不确定性。条件熵：在一个条件下，随机变量的不确定性。信息增益：在一个条件下，信息不确定性减少的程度！（2）信息增益比：条件熵和熵的比值决策树的生成生成算法：ID3、C4.5（对已知数据分类

2017-02-28 20:54:21 497

原创统计学习方法-李航（笔记整理）一

1、特点统计学习以数据为研究对象（数据驱动），以方法为中心，目的是为了对数据进行预测与分析。2、方法统计学习包括监督学习，非监督学习，半监督学习，强化学习。（以监督学习为主进行介绍）统计学习的方法包括模型的假设空间、模型选择的准则以及模型学习的方法。统计学习方法三要素：模型，策略，算法统计学习方法步骤：得到一个有限训练数据集确定包含所有可能的模型假设空间，即学习

2017-02-20 17:00:28 7059

yimiaomochu的博客