基于組推薦的冷啟動與混合算法研究.pdf_第1頁
已閱讀1頁,還剩67頁未讀, 繼續(xù)免費閱讀

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),請進行舉報或認領(lǐng)

文檔簡介

1、組推薦算法彌補了傳統(tǒng)推薦算法無法給多個人進行推薦的缺點,已經(jīng)引起了越來越多的研究者的關(guān)注。目前的組推薦算法主要分為兩種,一種是使用組偏好模型進行推薦,另一種是融合組員推薦列表。此外,傳統(tǒng)推薦算法的冷啟動問題在組推薦中同樣存在。組推薦算法發(fā)展迅速,但是目前的組推薦算法存在這諸多問題。
  本文首先針對冷啟動問題提出了一種基于數(shù)據(jù)遷移的解決方案。該方案不僅可以解決傳統(tǒng)推薦的冷啟動問題,也同樣適合于組推薦。此外,還提出了一種融合算法來專

2、門提高組推薦的準確度。本文的主要工作如下:
  1)總結(jié)了傳統(tǒng)推薦的一些典型算法,重點介紹了協(xié)同過濾算法,同時也分析了基于用戶和基于項目協(xié)同過濾算法的優(yōu)點和缺點。此外,介紹了基于矩陣分解的協(xié)同過濾算法、基于關(guān)聯(lián)規(guī)則挖掘的推薦算法、基于概率分析的推薦算法和Slope One算法。這些算法在推薦的時候均沒有考慮內(nèi)容本身的因素,所以進一步說明了基于內(nèi)容的推薦算法。
  2)冷啟動問題是推薦系統(tǒng)中無法避免的一個問題,不管是在傳統(tǒng)推薦

3、系統(tǒng)還是在組推薦系統(tǒng)中。本文基于數(shù)據(jù)遷移,提出了一種解決冷啟動的方案。該方案可以將其他系統(tǒng)已有的知識遷移到新的推薦系統(tǒng)中,從而解決了推薦系統(tǒng)缺乏數(shù)據(jù)進而難以進行推薦的問題。
  3)當(dāng)前效果不錯并且比較常用的組推薦算法是Average Aggregation算法和Borda算法。Average Aggregation算法僅僅考慮了項目評分因素而忽略了項目排名因素,而Borda算法只考慮了項目排名因素而忽略了項目評分因素。本文基于兩

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確性、安全性和完整性, 同時也不承擔(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