基于k近鄰推薦方法
大小：1.09 MB 人氣： 2017-11-28 需要積分：2
標簽：推薦算法(9953)
針對基于七近鄰的協同過濾推薦算法中存在的評分特征數據維度過高、七近鄰查找速度慢，以及評分冷啟動等問題，提出基于數據降維與精確歐氏局部敏感哈希（ E2 LSH）的五近鄰協同過濾推薦算法。首先，融合評分數據、用戶屬性數據以及項目類別數據，將融合后的數據作為輸入對堆疊降噪自編碼（ SDA）神經網絡進行訓練，取神經網絡編碼部分最后一個隱層的值作為輸入數據的特征編碼，完成非線性降維。然后，利用精確歐氏局部敏感哈希算法對降維后的數據建立索引，通過檢索得到目標用戶或目標項目的相似近鄰。最后，計算目標與近鄰之間的相似度，利用相似度對近鄰的評分記錄加權得到目標用戶對目標項目的預測評分。在標準數據集上的實驗結果表明，在冷啟動場景下，均方根誤差比基于局部敏感哈希的推薦算法（ LSH-ICF）平均降低了約7.2%，平均運行時間和LSH-ICF相當。表明該方法在保證推薦效率的前提下，緩解了評分冷啟動問題。
非常好我支持^.^
(0) 0%
不好我反對
(0) 0%
下載地址
基于k近鄰推薦方法下載
相關電子資料下載
- TikTok將開發獨立版推薦算法，以滿足美國用戶需求？ 426
- 快手的短視頻推薦算法（1） 782
- 詳解推薦算法的架構流程 2871
- 《麻省理工科技評論》發布了最新的2021年10大突破性技術的概念 2813
- top-N推薦算法評測的影響有哪些？ 1846
- 基于賽靈思FPGA的廣告推薦算法Wide and deep硬件加速案例 2775
- 互聯網廣告推薦迎來變革，雪湖科技聯合賽靈思發布推薦算法解決方案 1614
- 基于阿里云FPGA云的廣告推薦算法加速器 985
- 基于深度學習的推薦算法大部分都存在不同程度的數據集缺失和源碼缺失 3690
- 基于標簽的推薦算法應用場景、基于標簽的推薦算法原理介紹 16714