![](https://img-blog.csdnimg.cn/20201014180756927.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
推荐算法
文章平均质量分 65
yimiaomochu
这个作者很懒,什么都没留下…
展开
-
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原创 2017-04-07 11:04:55 · 1284 阅读 · 0 评论 -
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部原创 2017-04-17 15:23:19 · 2403 阅读 · 4 评论 -
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概率返回原创 2017-04-07 21:20:22 · 1577 阅读 · 0 评论 -
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原创 2017-04-10 20:32:03 · 3404 阅读 · 0 评论 -
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)计算用户属性原创 2017-04-09 10:15:33 · 841 阅读 · 0 评论 -
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原创 2017-03-18 21:31:16 · 2766 阅读 · 0 评论 -
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,原创 2017-03-14 10:20:13 · 11333 阅读 · 0 评论 -
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原创 2017-03-14 16:46:48 · 3109 阅读 · 0 评论 -
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,把原创 2017-03-18 19:58:02 · 2080 阅读 · 0 评论 -
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和矩阵分解原创 2017-04-23 21:12:30 · 744 阅读 · 0 评论