排序方式: 共有4条查询结果,搜索用时 15 毫秒
1
1.
2.
3.
4.
插值估计可缓解推荐系统的稀疏问题,但其效果会影响预测性能。以logistic用户习惯(habit)评分加权改进Jaccard(HabJac)相似度量,并通过K近邻获得插补评分。进而,通过融合正则化奇异值分解(RSVD)技术提出了新的HISVD推荐算法,并获得最终预测。用户的习惯评分被定义为其出现频次最高的评分,并且logistic权值同评分与习惯评分之间的欧氏距离正相关。在四个现实数据集上的实验结果表明:a)HISVD在不同数据集上,最优情况下的参数比较稳定;b)HISVD在MAE和RSME指标上均超过了主流算法。 相似文献
1