注册会员 | 设为首页 | 加入收藏夹
您好，欢迎光临本网站！[请登录] ！[注册会员]！  

搜索资源列表

  1. 稀疏数据集协同过滤算法的进一步研究

  2. 协同过滤算法是电子商务和信息系统中非常重要的一门技术。其中用户相似度度量方法的科学性至关重要。为了获得更好的精度,采用用户间共同评分数目来动态调节原相似度,以更准确地反映用户间相似度的真实性。在此基础上,根据社会网络中FTL模型(follow the leader)的思想,对新用户或找不到最近邻的用户采用基于专家信任度的预测算法代替传统相似度来预测用户的评分,弥补了传统算法的不足。实验表明,算法提高了预测评分的准确性和推荐质量,并缓解了新用户的冷启动问题。

  3. 所属分类：其它

    • 发布日期：2021-03-17
    • 文件大小：418816
    • 提供者：weixin_38503483

  1. 基于用户相似度和信任度的协同过滤算法

  2. 基于用户相似度和信任度的协同过滤算法

  3. 所属分类：其它

    • 发布日期：2021-03-13
    • 文件大小：339968
    • 提供者：weixin_38596267

  1. 基于协同过滤的美食推荐算法

  2. 为了解决传统的基于用户的协同过滤算法中的数据稀疏性问题，提高推荐的准确率，对推荐算法进行了改进并将改进后的算法应用在美食推荐领域。利用均值中心化方法对实验数据进行处理，减少因个人评分习惯差异造成的推荐误差。通过使用改进的空值填补法降低评分矩阵的稀疏性，在计算相似度时引入了遗忘函数和用户间的信任度，进一步提高了推荐系统的准确性。实验表明，提出的改进算法比传统算法有更高的准确率，并得出了在推荐过程中考虑用户和项目外的其他因素以及针对不同的数据信息采用不同的算法，都有利于提高推荐准确率的重要结论。

  3. 所属分类：其它

    • 发布日期：2021-03-06
    • 文件大小：876544
    • 提供者：weixin_38545485

  1. 基于信任和项目偏好的协调过滤算法

  2. 针对传统协同过滤算法不能深度挖掘用户关系，以及无法对新项目进行用户推荐的问题，提出了基于信任和用户偏好的协同过滤( TIPCF) 算法。首先，通过分析用户评分判断用户的可信度并量化用户间的信任程度，挖掘用户潜在的信任关系; 其次，考虑到用户之间对于不同目标项目偏好程度的差异会对用户相似性产生影响，在传统用户相似性算法上添加用户偏好度改进相似性算法; 然后，通过结合用户信任度和改进的相似度，使得最近邻的选取更加准确; 最后，根据用户对项目属性的偏好对新项目进行推荐。Movielens 数据集实验结

  3. 所属分类：其它

    • 发布日期：2021-02-22
    • 文件大小：299008
    • 提供者：weixin_38686041

  1. 基于一跳信任模型的协同过滤推荐算法

  2. 基于社会信任网络的协同过滤推荐算法存在节点之间多下一跳带来的复杂路径选择和信任弱传递问题。针对这2个问题，给出基于项目的一跳信任模型，该模型通过用户对项目信任度的计算，定义用户的直接和间接社会信任属性，然后一步跳转计算用户之间的直接和间接信任距离，进而计算用户之间的信任度。基于此模型设计推荐算法，同时分析了信任度与传统相似度的理论关系并二维拟合。仿真实验表明，该算法提高了推荐准确度(约0.02 MAE)，降低了训练时间(约50%)。

  3. 所属分类：其它

    • 发布日期：2021-01-14
    • 文件大小：1048576
    • 提供者：weixin_38744207