基于改進(jìn)矩陣分解的推薦算法研究.pdf_第1頁
已閱讀1頁,還剩66頁未讀, 繼續(xù)免費(fèi)閱讀

下載本文檔

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、在當(dāng)今網(wǎng)絡(luò)和電商競技的時(shí)代,推薦系統(tǒng)變得越來越有意義,尤其是在如今信息暴漲的時(shí)代,推薦系統(tǒng)的作用尤為突出。它能夠快速幫助用戶在海量數(shù)據(jù)中獲取到有用信息,從而將用戶感興趣的物品推薦給他,這極大的節(jié)約了用戶的時(shí)間,方便了用戶找尋需要之物。推薦系統(tǒng)的核心在于推薦算法,推薦算法通過收集和分析用戶的各種信息記錄來學(xué)習(xí)用戶的興趣和行為方式,利用數(shù)據(jù)挖掘技術(shù)得到用戶的喜好信息,進(jìn)而為用戶推薦他所需要的物品。因此一個(gè)好的推薦算法必須要有高的推薦精度,能

2、夠較精確的捕獲到用戶的興趣特征與偏好,正確推薦。所以,推薦的精確性是衡量一個(gè)推薦算法的最重要指標(biāo)。因此,本文主要以提高推薦算法的精確性為主線,在現(xiàn)有推薦算法的基礎(chǔ)上做了改進(jìn)和優(yōu)化,以提高算法推薦精確度。
  本研究主要內(nèi)容包括:⑴介紹了當(dāng)前常見的推薦算法技術(shù)及各自的優(yōu)缺點(diǎn),對推薦算法中隱語義模型下的矩陣分解(Matrix Factorization,MF)推薦算法做了較深入研究。⑵在深入理解MF算法的基礎(chǔ)上進(jìn)行改進(jìn),提出基于高斯核

3、函數(shù)矩陣分解的推薦算法(GaussianKernel Matrix Factorization, GKMF)以求提高算法預(yù)測精度,詳細(xì)推導(dǎo)了算法迭代公式,給出了算法流程框圖;此外,通過深入分析實(shí)驗(yàn)數(shù)據(jù)集特點(diǎn)后,考慮在GKMF算法中加入偏置因子,記為GKMF+算法,以期更進(jìn)一步提高算法預(yù)測精度。⑶通過真實(shí)數(shù)據(jù)集上不同規(guī)模的電影評分?jǐn)?shù)據(jù)進(jìn)行實(shí)驗(yàn)驗(yàn)證。首先通過實(shí)驗(yàn)結(jié)果分析了實(shí)驗(yàn)參數(shù)對于預(yù)測結(jié)果的影響,為選擇合適的參數(shù)提供依據(jù)和便利。然后在不同

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。

評論

0/150

提交評論