




版权说明:本文档由用户提供并上传,收益归属内容提供方,若内容存在侵权,请进行举报或认领
文档简介
基于信息熵的协同过滤算法汇报人:张佳闽南师范大学计算机学院2021/7/8预备知识1主要内容基于用户的算法2基于信息熵的协同过滤算法3实验结果4参考文献52021/7/8协同过滤思想:根据用户过去的浏览记录,购买记录,评分记录及其主页标注等信息,分析用户潜在的兴趣偏好,以给用户提供个性化的推荐服务。例1:
the
mendation
of
movies
in
MTime2021/7/8国内外研究现状推荐系统二部图 混合过滤 基于内容 协同过滤基于模型 基于内存基于项目基于用户2021/7/8存在的问题2021/7/8可拓展性(Scalability):当数据规模逐渐增大时,可能导致算法速度急剧下降,无法及时产生推荐。冷启动(Coldstart):对于新加入的系统的项目或用户,由于缺乏评价资源,没办法进行推荐。稀疏性(Datasparsity):收集到的用户数据有限,系统的性能和准确性较低。2021/7/8预备知识1主要内容基于用户的算法2基于信息熵的协同过滤算法3实验结果4参考文献5基于用户的算法2021/7/8基于用户的算法2021/7/8基于用户的算法2021/7/82021/7/8预备知识1主要内容基于用户的算法2基于信息熵的协同过滤算法3实验结果4参考文献5假设间隔2021/7/8模型构建2021/7/8模型构建2021/7/82021/7/8预备知识1主要内容基于用户的算法2基于信息熵的协同过滤算法3实验结果4参考文献5数据集及度量指标2021/7/8数据集(数据可在下载):选用公开的MovieLens数据集(ML数据集)和HetRec2011-MovieLens数据集(HML数据集)对算法有效性进行验证。其中,ML数据集包含943个用户在1682个电影上的100000条评分记录,每个用户至少有20条评分记录,评分矩阵的稀疏等级为0.9370。鉴于HML数据集中评分记录过多,随机选择了其中的404个用户在1300个电影上的39259条评分记录,每个用户至少有3条评分记录,评分矩阵的稀疏等级为0.9254。度量指标:采用推荐算法中常见的平均绝对偏差(Mean实验结果预测结果优化用户间的相似性大小和信息熵差异对推荐结果的影响2021/7/8实验结果算法比较2021/7/8[1]ADOMAVICIUSG,TUZHILIN
A.
Toward
the
next
generation
of
mender
systems:
a
survey
of
the
state-of-the-art
and
possibleextensions
[J].
IEEE
Transactions
on
Knowledge
and
Data
Engineering,
2005,
17(6):
734-749.[2]LIYanen,
ZHAI
Chengxiang,
ChenYe.
Exploiting
rich
user
information
for
one-class
collaborative
filtering
[J].
Knowledge
andInformation
Systems,
2014,
38(2):
277-301.[3]SHI
Yue,
LARSON
M,
HANJALIC
A.
Collaborative
filtering
beyond
the
user-item
matrix:
A
survey
of
the
state
of
the
art
and
futurechallenges
[J].
ACM
Computing
Surveys,
2014,
47(1):
3:1-3:45.[4]BOBADILLA
J,
ORTEGA
F,
HEMANDO
A,
et
al.
mender
systems
survey
[J].
Knowledge-Based
Systems,
2013,
46:
109-132.[5]BREESE
J
S,
HECKERMAN
D,
KADIE
C.
Empirical
Analysis
of
Predictive
Algorithms
for
Collaborative
Filtering[C]//Proc
of
the
14thConference
on
Uncertainty
in
Artificial
Intelligence.
Madison,
USA:
UAI,
1998:
43-52.[6]RESNICK
P,
IACOVOU
N,
SUCHAK
M,
et
al.
GroupLens
:
An
open
architecture
for
collaborative
filtering
of
netnews[C]//Proc
of
theACM
Conference
on
Computer
Supported
Cooperative
Work.
Chapel
Hill,
USA:
ACM,
1994:
175-186.[7]JAMALI
M,
ESTER
M.
TrustWalker:
a
random
walk
model
for
combining
trust-based
and
item-based
mendation[C]//Proc
of
the
15thACM
SIGKDD
International
Conference
on
Knowledge
Discovery
and
Data
Mining.
New
York,
USA:
ACM,
2009:
397-406.[8]SARWAR
B,
KARPIS
G,
KONSTAN
J,
et
al.
Item-based
collaborative
filtering
mendation
algorithms[C]//Proc
of
the
10th
InternationalConference
on
WorldWide
Web.
New
York,
USA:
ACM,
2001:
285–295.[9]AHN
H
J.
A
new
similarity
measure
for
collaborative
filtering
to
alleviate
the
new
user
cold-starting
problem
[J].
Information
Sciences,2008,
178(1):
37–51.[10]LIU
Haifeng,
HU
Zheng,
MIAN
Ahmad,
et
al.
A
new
user
similarity
model
to
improve
the
accuracy
of
collaborative
filtering
[J].Knowledge-Based
Systems,
2014,
56:
156-166.[11]李改,李磊.一种解决协同过滤系统冷启动问题的新算法[J].山东大学学报:工学版,2012,42(2):11-17.LI
Gai,
LI
Lei.
A
new
algorithm
of
cold-start
in
a
collaborative
filtering
system
[J].
Journal
of
Shandong
University:
Engineering
Science,
2012,42(2):
11-17.[12]邓晓懿,金淳,韩庆平,等.基于情境聚类和用户评级的协同过滤推荐模型[J].系统工程理论与实践,2013,33(11):2945-2953.DENG
Xiaoyi,
JIN
Chun,
HAN
Qingping,
et
al.
Improved
collaborative
filtering
model
based
on
context
clustering
and
user
raking
[J].
SystemsEngineering—Theory
&
Practice,
2013,
33(11):
2945-2953.[13]邓爱林,朱扬勇,施伯乐.基于项目评分预测的协同过滤推荐算法[J].软件学报,2003,14(9):1621-1628.DENG
Ailin,
ZHU
Yangyong,
SHI
Bole.
A
collaborative
filtering
mendation
algorithm
based
on
item
rating
prediction
[J].
Journal
of
Software,2003,
14(9):
1621-1628.[14]林耀进,胡学钢,李慧宗.基于用户群体影响的协同过滤推荐算法[J].情报学报,2013,32(3):299-305.LIN
Y2a0o2ji1n,/7H/8U
Xuegang,
LI
Huizong.
Collaborative
filtering
mendation
algorithm
based
on
user
group
influence
[J].
Journal
of
The
ChinaSociety
For
Scientific
andTechnical
Information,
2013,
32(3):
299-305.参考文献参考文献2021/7/8[15]JEONG
B,
LEE
J,
CHO
H.
User
credit-based
collaborative
filtering
[J].
Expert
Systems
with
Applications,
2009,
36(6):
7309-7312.[16]ANAND
D,
BHARADWAJ
K
K.
Utilizing
various
sparsity
measures
for
enhancing
accuracy
of
collaborative
mender
systems
based
onlocal
and
global
similarities
[J].
Expert
Systems
with
Applications,
2011,
38
(5):
5101–5109.[17]BOUMAZA
A,
BRUN
A.
Stochastic
search
for
global
neighbors
selection
in
collaborative
filtering[C]//Proc
of
the
27th
AnnualACMSymposium
on
Applied
Computing.
New
York,
USA:
ACM,
2012:
232–237.[18]黄创光,印鉴,汪静,等.不确定近邻的协同过滤推荐算法[J].计算机学报,2010,33(8):1369-1377.HUANG
Chuangguang,
YIN
Jian,
WANG
Jing,
et
al.
Uncertain
neighbors’
collaborative
filtering
mendation
algorithm
[J].
Chinese
Journal
ofComputers,
2010,
33(8):
1369-1377.[19]李聪,梁昌勇,马丽.基于领域最近邻的协同过滤推荐算法[J].计算机研究与发展,2008,45(9):1532-1538.LI
Cong,
LIANG
Changyong,
MA
Li.
A
collaborative
filtering
mendation
algorithm
based
on
domain
nearest
neighbor
[J].
Journal
of
ComputerResearch
and
Development,
2008,
45(9):
1532-1538.[20]LIU
Qi,
CHEN
Enhong,
XIONG
Hui,
et
al.
Enhancing
Collaborative
Filtering
by
User
Interest
Expansion
via
Personalized
Ranking
[J].IEEE
Transactions
on
Systems,
Man,
and
Cybernetics,
2012,
42(1):
218-233.[21]BOBADILLA
温馨提示
- 1. 本站所有资源如无特殊说明,都需要本地电脑安装OFFICE2007和PDF阅读器。图纸软件为CAD,CAXA,PROE,UG,SolidWorks等.压缩文件请下载最新的WinRAR软件解压。
- 2. 本站的文档不包含任何第三方提供的附件图纸等,如果需要附件,请联系上传者。文件的所有权益归上传用户所有。
- 3. 本站RAR压缩包中若带图纸,网页内容里面会有图纸预览,若没有图纸预览就没有图纸。
- 4. 未经权益所有人同意不得将文件中的内容挪作商业或盈利用途。
- 5. 人人文库网仅提供信息存储空间,仅对用户上传内容的表现方式做保护处理,对用户上传分享的文档内容本身不做任何修改或编辑,并不能对任何下载内容负责。
- 6. 下载文件中如有侵权或不适当内容,请与我们联系,我们立即纠正。
- 7. 本站不保证下载资源的准确性、安全性和完整性, 同时也不承担用户因使用这些下载资源对自己和他人造成任何形式的伤害或损失。
最新文档
- 2025至2030中国电池包装制品行业深度研究及发展前景投资评估分析
- 2025至2030中国特威兹勒行业发展趋势分析与未来投资战略咨询研究报告
- 企业消防安全专题培训大纲
- 餐饮服务店长培训
- 企业数字化办公解决方案的实践与思考
- 智慧城市公共服务中的公共安全体系构建研究
- 商业策略与教育品牌危机的预防措施
- 智慧城市大数据驱动的商业决策分析
- 学习者心理评估与教育干预
- 提升行政人员情绪管理能力的教育心理学方法
- 正畸接诊标准化流程
- 中心静脉压(CVP)监测与护理
- 2024-2025学年人教版(2024)初中英语七年级下册教学工作总结(共4套)
- Unit 1 Happy Holiday 第5课时(Section B 2a-3c) 2025-2026学年人教版英语八年级下册
- 2025年中国三元乙丙橡胶市场调查研究报告
- 酒店前台接待礼仪与沟通技巧练习题
- 常见耐药菌感染诊疗与防控
- 征兵体检外科标准
- 小学生预防拐骗教育课件
- 床上用品采购 投标方案
- 口腔工艺管理课件
评论
0/150
提交评论