排序方式: 共有9条查询结果,搜索用时 0 毫秒
1
1.
2.
基于矩阵分解技术的社会化推荐通过加入用户信任关系来加强学习准确性,但忽略了物品之间的关联信息在模型分解过程中对用户兴趣的影响。对此首先提出在物品相似度计算方法中加入用户参与度进行改进,并构建了融合物品关联正则项和信任用户正则项双重约束的矩阵分解推荐模型,在优化隐式特征矩阵过程中体现了物品之间的关联信息对推荐的重要影响。最后通过对两个不同稀疏级别的数据集的实验证明,相比主流的矩阵分解模型,提出的双重正则项的矩阵分解模型能够提高稀疏数据集上预测评分的准确性,并能明显缓解用户冷启动问题。 相似文献
3.
基于邻域的top-◢N◣推荐算法利用隐式反馈数据建立排序模型,其算法性能严重依赖于相似度函数的表现。传统相似性度量函数在隐式反馈数据上会遇到数据过于稀疏和维数过高两个问题,稀疏数据不利于推荐模型选取光滑的邻域,过高的数据维数会导致维数灾难问题,导致推荐算法表现较差。为此提出一种基于表征学习方法的推荐算法,改进算法实现了基于二部图网络的多目标节点表征学习方法,在节点表征中通过嵌入不同层次的网络结构信息和适合推荐任务的次序信息来提升推荐性能。三个不同规模真实数据集上的实验结果表明,该算法相较于常用的基于隐式反馈的推荐模型具有更高的准确率和召回率,特别是针对大规模数据集能够有效缓解矩阵稀疏性问题和维数灾难问题,提高推荐性能。 相似文献
4.
分析了领域本体中本体建模阶段的各种主流技术和研究方向,通过总结现有的本体构建方法论,结合实例,提出一种针对已有校园级信息门户(CIP)的系统扩展框架,通过Web语义技术协同设置一些辅助应用功能,完成对本领域知识的统一表示,访问与推理;同时总结了实现的关键技术与具体解决方案,保证在付出代价最小情况下,充分改进Web系统的智能性. 相似文献
5.
目前协同过滤技术已经被成功运用到各种推荐系统中,但是随着资源种类的不断膨胀与用户日益的增加,用来评判的数据矩阵越来越稀疏,严重影响了推荐质量。为此设计了一种混合新算法,对基于项目的协同过滤算法提出两个改进方法:首先根据网站的层次结构信息改进了传统的相似度计算方法;其次增加了预测缺失兴趣值的算法,使用户的交叉兴趣点增多,有效缓解了稀疏性的问题。实验结果证明了新算法具有较高的推荐精度,能够找到用户潜在的兴趣页面。 相似文献
6.
7.
根据传统协同过滤算法中用户数据的高维稀疏特点,提出一种基于局部主成分分析协同过滤推荐模型,采用基于语义分类和主成分分析的二阶段降维技术,分别对各类主题页面进行局部降维处理,以保留对某类主题真正感兴趣的用户群,加速最近邻的搜索过程。通过对真实Web日志数据的测试,证明该模型具有较高的预测精度。 相似文献
8.
为了克服“维灾”所带来的问题,提出一种基于主成分分析的维数约简方法,并在转换后的低维向量空间上进行K-means聚类算法,以减少目标用户的最近邻搜索范围,代替在超高维空间上逐一寻找最近邻的过程。实验结果证明了新算法的有效性,特别在目标用户的历史评价信息较少的情况下,也能有较好的预测精度。 相似文献
9.
提出了一种应用遗传算法优化子空间的SVM分类算法GS-SVM。该算法首先改进样本选择策略,采用基于置信度和凸包的样本选择方法,考虑类间距离和样本分布等因素,选择典型代表样本作为SVM的新训练集;然后采用矩阵式混合编码方式,利用遗传算法一并优化代表样本的特征子空间和SVM分类参数,并根据特征优化后的代表样本,构建SVM分类模型。在UCI的11个数据集上进行的仿真实验结果表明,该算法在大部分数据集上均可获得较小的样本规模和特征维数,以及较高的分类精度。 相似文献
1