基于改進型啟發式相似度模型的協同過濾推薦方法
大?。?/span>0.95 MB 人氣：0 2017-12-14 需要積分：3
為提高協同過濾推薦方法的準確性和有效性，提出一種基于改進型啟發式相似度模型的協同過濾推薦方法PSJ。該方法考慮了用戶評分差值、用戶全局評分偏好和用戶共同評分物品數三個因素。PSJ方法的Proximity因子使用指數函數反映用戶評分差值對用戶相似度的影響，這樣也可避免零除問題；將NHSM方法中的Significance因子和URP因子合并成PSJ方法的Significance因子，這使得PSJ方法的計算復雜度低于NHSM方法；而且為了提高在數據稀疏情況下的推薦效果，PSJ方法同時考慮了用戶間的評分差值和用戶全局評分兩個因素。實驗采用Top-k推薦中的查準率和查全率作為衡量標準。實驗結果表明，當推薦物品數大于20時，與NHSM、杰卡爾德算法、自適應余弦相似度（ ACOS）算法、杰卡爾德均方差（JMSD）算法和皮爾遜相關系數算法（SPCC）相比，PSJ方法的查準率與查全率均有提升。
?
非常好我支持^.^
(0) 0%
不好我反對
(0) 0%
下載地址
基于改進型啟發式相似度模型的協同過濾推薦方法下載
相關電子資料下載
- 圖像相似度分析——相似度算法 1212
- 二進制代碼相似度比較研究技術匯總 728
- 人的大腦和自監督學習模型的相似度有多高？ 732
- 快速了解文本語義相似度領域的研究脈絡和進展 731
- 思必馳在中文文本相似度計算方向上取得階段性成果 1935
- 自然語言任務方案思考：句子相似度和匹配 2294
- 如何實現三維模型對比？比較3d模型相似度軟件浩辰3D軟件入門教程 9466
- 評價Python字符串相似度的六種度量方法 3002
- 小米有品上架觸摸LED化妝鏡 95%日光相似度 2825
- DeepMind 綜述深度強化學習:智能體和人類相似度竟然如此高！ 2704