• <tr id="yyy80"></tr>
  • <sup id="yyy80"></sup>
  • <tfoot id="yyy80"><noscript id="yyy80"></noscript></tfoot>
  • 99热精品在线国产_美女午夜性视频免费_国产精品国产高清国产av_av欧美777_自拍偷自拍亚洲精品老妇_亚洲熟女精品中文字幕_www日本黄色视频网_国产精品野战在线观看 ?

    基于標(biāo)簽的評(píng)分信息熵推薦算法①

    2017-10-20 03:08:51
    關(guān)鍵詞:信息熵標(biāo)簽權(quán)重

    葉 婷

    (南京財(cái)經(jīng)大學(xué) 信息工程學(xué)院,南京 210046)

    基于標(biāo)簽的評(píng)分信息熵推薦算法①

    葉 婷

    (南京財(cái)經(jīng)大學(xué) 信息工程學(xué)院,南京 210046)

    由于標(biāo)簽是由用戶根據(jù)自己的理解和喜好隨意進(jìn)行標(biāo)注的因此存在大量的噪聲標(biāo)簽,導(dǎo)致基于標(biāo)簽的推薦系統(tǒng)準(zhǔn)確率不高.針對(duì)這種情況,提出了結(jié)合評(píng)分信息熵的標(biāo)簽推薦算法.算法通過(guò)判斷用戶在標(biāo)注標(biāo)簽的評(píng)分穩(wěn)定程度來(lái)確定該標(biāo)簽對(duì)于用戶的重要性從而過(guò)濾掉噪聲標(biāo)簽將重要標(biāo)簽賦予較高權(quán)重,并構(gòu)建用戶的興趣模型,最后應(yīng)用到協(xié)同過(guò)濾算法中產(chǎn)生推薦.該算法能有效地利用評(píng)分權(quán)重并結(jié)合信息熵來(lái)增強(qiáng)推薦準(zhǔn)確率,與以往的基于標(biāo)簽的推薦算法進(jìn)行對(duì)比,能獲得滿意的推薦效果.

    標(biāo)簽; 評(píng)分信息熵; 興趣模型; 協(xié)同過(guò)濾; 推薦算法

    隨著Internet的迅猛發(fā)展,人們的衣食住行交流溝通方面也漸漸離不開互聯(lián)網(wǎng)技術(shù).然而,互聯(lián)網(wǎng)中充斥著復(fù)雜多樣的信息,網(wǎng)絡(luò)信息過(guò)載的問(wèn)題也日益嚴(yán)重.不可否認(rèn),搜索引擎的出現(xiàn)和使用在很大程度上給用戶帶來(lái)了便利.它可以根據(jù)用戶設(shè)置的檢索條件進(jìn)行信息匹配,從而推送出相關(guān)信息返回給用戶.這種檢索過(guò)程要求用戶能夠明確地表達(dá)自己的信息需求,然而并不是所有的需求和偏好都能通過(guò)關(guān)鍵字來(lái)描述.傳統(tǒng)的搜索引擎技術(shù)已經(jīng)不能滿足用戶的搜索需要,因此個(gè)性化推薦技術(shù)孕育而生,且很好的緩解了信息過(guò)載問(wèn)題[1].

    由社會(huì)化標(biāo)簽是用戶為方便自己使用對(duì)資源的概要描述,它不僅反映了用戶的喜好興趣,還可以反映被標(biāo)注的資源的特性,因此得到了學(xué)術(shù)界和產(chǎn)業(yè)界的重視.目前已有不少學(xué)者將社會(huì)化標(biāo)簽應(yīng)用到推薦系統(tǒng)中.Marimho等人[2]提出了基于用戶、資源、標(biāo)簽三元關(guān)分離三個(gè)二維二維矩陣,計(jì)算向量矩陣的相似度來(lái)求得與目標(biāo)用戶有相似興趣的其他用戶從而進(jìn)行推薦.Symeonidis[3]根據(jù)社會(huì)標(biāo)簽系統(tǒng)的用戶、項(xiàng)目、標(biāo)簽數(shù)據(jù)構(gòu)建三階張量模型,并結(jié)合聚類方法以減小張量維度從而簡(jiǎn)化推薦運(yùn)算.Jiang和Zhou等[4]為了提高基于標(biāo)簽的推薦性能,考慮結(jié)合時(shí)間因素以及社會(huì)關(guān)系信息從而優(yōu)化推薦結(jié)果.Cao J等[5]提出了一種新的半監(jiān)督學(xué)習(xí)算法,該算法先在少量標(biāo)注標(biāo)簽的用戶集中訓(xùn)練得到一個(gè)貝葉斯分類器,并融合混合型協(xié)同過(guò)濾算法提出Web服務(wù)的雙向推薦機(jī)制.以上研究多采用機(jī)器學(xué)習(xí)的相關(guān)算法,由于標(biāo)簽自身的語(yǔ)義模糊等特征且社會(huì)化系統(tǒng)中有大量的噪聲標(biāo)簽存在,導(dǎo)致最終的推薦結(jié)果不是很令人滿意.

    盡管目前在社會(huì)化標(biāo)簽的推薦算法上已經(jīng)有很多研究,但大部分的研究多是考慮標(biāo)簽復(fù)雜的語(yǔ)義信息或是對(duì)標(biāo)簽進(jìn)行“一視同仁”的處理.然而,由于用戶的認(rèn)知水平、教育背景存在差異,對(duì)事物的理解也會(huì)有所差別,因此標(biāo)簽質(zhì)量的優(yōu)劣也不確定.由此可知,相同的標(biāo)簽對(duì)于不同的用戶來(lái)說(shuō)其重要程度也會(huì)有所不同.通常,如果一個(gè)標(biāo)簽多次被一個(gè)用戶用來(lái)標(biāo)記資源,則可認(rèn)為這個(gè)標(biāo)簽對(duì)這個(gè)用戶的重要程度很高.常用的計(jì)算標(biāo)簽權(quán)重的TF-IDF[6,7]方法就是利用特性將標(biāo)簽與其他用戶的標(biāo)簽區(qū)分開來(lái),如果該標(biāo)簽較少被其他用戶使用,那么該標(biāo)簽對(duì)于該用戶的意義就較大.然而,用戶對(duì)于標(biāo)簽的使用只是出于自身對(duì)于資源的理解,并不代表其對(duì)于該標(biāo)簽的喜愛,并且根據(jù)用戶對(duì)于標(biāo)簽標(biāo)注的資源打分不同,對(duì)于同一標(biāo)簽的喜愛程度也是不同的.

    本文考慮引入標(biāo)簽信息熵的特征實(shí)現(xiàn)對(duì)標(biāo)簽區(qū)別對(duì)待,之前也有一些應(yīng)用信息熵的信息到推薦系統(tǒng)當(dāng)中.如Saneeha等[8]通過(guò)將用戶的興趣特征進(jìn)行層次聚類,通過(guò)計(jì)算用戶興趣特征對(duì)應(yīng)到各個(gè)類簇的比例從而確定各興趣項(xiàng)的熵權(quán)重.Harita等[9]通過(guò)用戶對(duì)電影數(shù)據(jù)是否感興趣程度分為1、0兩個(gè)類別繼而訓(xùn)練最大熵模型和標(biāo)簽特征并應(yīng)用到推薦系統(tǒng)中.Javier等[10]考慮結(jié)合標(biāo)簽的評(píng)分?jǐn)?shù)據(jù)來(lái)計(jì)算用戶興趣項(xiàng)的權(quán)重從而產(chǎn)生推薦.以上研究方法多是通過(guò)數(shù)據(jù)挖掘算法和大量的數(shù)據(jù)模型訓(xùn)練計(jì)算信息熵,或簡(jiǎn)單的結(jié)合評(píng)分?jǐn)?shù)據(jù)計(jì)算用戶的興趣項(xiàng)權(quán)重,多是要求用戶主觀上將興趣項(xiàng)分類而不能通過(guò)算法自適應(yīng)地修正用戶的興趣項(xiàng)權(quán)重,最終推薦效果一般且耗費(fèi)大量時(shí)間.

    因此本文提出了基于評(píng)分信息熵的用戶標(biāo)簽權(quán)重計(jì)算方法,通過(guò)衡量用戶對(duì)標(biāo)注標(biāo)簽的資源的打分不確定程度并結(jié)合歸一化的評(píng)分?jǐn)?shù)據(jù)綜合評(píng)價(jià)用戶標(biāo)簽權(quán)重,從而構(gòu)建用戶的基于標(biāo)簽的興趣模型,并應(yīng)用到推薦算法中.

    1 基于評(píng)分信息熵的用戶標(biāo)簽權(quán)重計(jì)算

    在本文中,用戶的興趣模型是通過(guò)用戶的標(biāo)簽數(shù)據(jù)進(jìn)行構(gòu)建,并融合了用戶的評(píng)分、標(biāo)簽頻數(shù)、標(biāo)簽信息熵等特征計(jì)算興趣項(xiàng)的權(quán)重.其中,U=u1,u2,,u|U|定義為一組用戶,I= i1,i2,,i|I|定義為一組項(xiàng)目,T=t1,t2,,t|T|定義為標(biāo)注在項(xiàng)目的標(biāo)簽.總的來(lái)說(shuō),用戶對(duì)項(xiàng)目的評(píng)分可以體現(xiàn)用戶對(duì)其興趣度,用戶給項(xiàng)目打的標(biāo)簽體現(xiàn)了用戶對(duì)項(xiàng)目的理解,本文聯(lián)系用戶的評(píng)分?jǐn)?shù)據(jù)以及標(biāo)簽數(shù)據(jù)來(lái)計(jì)算興趣項(xiàng)權(quán)重從而協(xié)同過(guò)濾推薦.

    定義1.(用戶—資源評(píng)分矩陣)定義為U*I矩陣R(U*I)=(Ri,j),其中U表示用戶集合,I表示資源集合,Ri,j為用戶u對(duì)資源i的評(píng)分.計(jì)算用戶標(biāo)簽權(quán)重前,先將每個(gè)用戶的評(píng)分歸一化即用戶u在資源i上標(biāo)簽t的評(píng)分權(quán)重表示為:

    定義2.(信息熵)由于同一個(gè)標(biāo)簽可能會(huì)被標(biāo)注在不同的資源中,因此用戶對(duì)于同一個(gè)標(biāo)簽可能打分多次.因此給標(biāo)簽定義信息熵如下:

    其中,Tu為用戶u使用的標(biāo)簽集合,wru,i(t)表示用戶u在標(biāo)注標(biāo)簽t上的資源打分,fu(t)表示用戶使用標(biāo)簽t標(biāo)注資源的頻數(shù).

    2 算法流程

    由于標(biāo)簽和評(píng)分?jǐn)?shù)據(jù)都是用戶根據(jù)自己的理解喜好標(biāo)注的,所以可以很好的表達(dá)用戶的興趣.考慮社會(huì)化標(biāo)簽系統(tǒng)中存在一定的噪聲標(biāo)簽,因此通過(guò)計(jì)算標(biāo)簽的評(píng)分信息熵來(lái)修正標(biāo)簽的不確定表達(dá)從而增強(qiáng)準(zhǔn)確性.本文采用用戶的標(biāo)簽數(shù)據(jù)表示用戶興趣模型的興趣項(xiàng),并通分析用戶對(duì)于同一個(gè)標(biāo)簽的打分不確定程度確定標(biāo)簽的信息熵并結(jié)合評(píng)分從而計(jì)算標(biāo)簽興趣項(xiàng)的興趣權(quán)重,考慮將用戶對(duì)于標(biāo)注在同個(gè)資源的標(biāo)簽的打分穩(wěn)定性區(qū)別對(duì)待,從而能更加精確的表示用戶的興趣.最后將其興趣模型應(yīng)用到協(xié)同過(guò)濾算法當(dāng)中.

    基于協(xié)同過(guò)濾的推薦算法需要得到與目標(biāo)用戶興趣相似的用戶集合,從而挖掘出這個(gè)集合中用戶喜歡的且沒有標(biāo)注過(guò)的資源.為了找到k近鄰相似用戶,我們定義用戶的相似度如下:

    對(duì)于給定的用戶u∈U,與其相似度較大的k近鄰用戶定義如下:

    對(duì)于給定用戶的k近鄰用戶,得出用戶u對(duì)于未標(biāo)注的資源i的預(yù)測(cè)興趣度定義如下:

    則基于標(biāo)簽的評(píng)分信息熵推薦算法表述如下:

    第 1步.結(jié)合用戶-評(píng)分-資源記錄,根據(jù)公式(1)計(jì)算用戶對(duì)于標(biāo)簽的評(píng)分權(quán)重并進(jìn)行歸一化處理.

    第2步.結(jié)合用戶在標(biāo)簽上的不同打分?jǐn)?shù)據(jù)并計(jì)算其對(duì)應(yīng)的概率,根據(jù)公式(2)計(jì)算不同標(biāo)簽的信息熵值.

    第3步.結(jié)合標(biāo)簽的信息熵值,根據(jù)公式(3)結(jié)合用戶的評(píng)分?jǐn)?shù)據(jù)修正用戶對(duì)于其標(biāo)簽的興趣度權(quán)重.

    第4步.構(gòu)建用戶基于標(biāo)簽以及評(píng)分信息熵權(quán)重的興趣模型{(T1,W1),(T2,W2),…,(Tn,Wn)},其中 T1表示用戶的標(biāo)簽興趣項(xiàng),W1表示用戶對(duì)應(yīng)的評(píng)分信息熵權(quán)重.根據(jù)公式(4)計(jì)算用戶相似度,并構(gòu)造用戶的相似度矩陣SN*N.

    第5步.基于用戶對(duì)資源的歷史記錄,根據(jù)用戶的相似度矩陣SN*N查詢用戶與其他用戶的相似度,并用公式(5)得到用戶的k近鄰用戶,依據(jù)公式(6)依次計(jì)算用戶與這些資源的預(yù)測(cè)興趣度.

    第6步.按預(yù)測(cè)興趣度從大到小排序,取前N個(gè)資源組成 Top-N 推薦集合并輸出.其中算法的偽代碼如下.

    表1 基于標(biāo)簽的評(píng)分信息熵推薦算法

    3 實(shí)驗(yàn)

    3.1 實(shí)驗(yàn)數(shù)據(jù)

    本部分采用MovieLens和Delicious兩組數(shù)據(jù)集來(lái)測(cè)試算法的效率,具體數(shù)據(jù)集合見表2,數(shù)據(jù)集中的評(píng)分?jǐn)?shù)據(jù)大小在 0.5-5 之間,間隔 0.5,共 10 個(gè)分值.為了驗(yàn)證本文算法的有效性,將本文算法SE-CF與兩個(gè)較新的算法tensor-u[11]采用張量分解模型并考慮用戶標(biāo)簽的語(yǔ)義信息進(jìn)行推薦與colla-tv[12]結(jié)合TF-IDF算法以及用戶的評(píng)分矩陣進(jìn)行推薦和一個(gè)經(jīng)典的基于標(biāo)簽的推薦算法T-CF[13]進(jìn)行對(duì)比驗(yàn)證.

    表2 數(shù)據(jù)集結(jié)構(gòu)

    3.2 度量標(biāo)準(zhǔn)

    推薦算法實(shí)驗(yàn)中的重要組成部分之一就是推薦質(zhì)量的評(píng)價(jià)指標(biāo)計(jì)算,不同推薦算法的評(píng)價(jià)方法也會(huì)有所差別.在本文中,實(shí)驗(yàn)采取的評(píng)價(jià)指標(biāo)如下:

    (1)準(zhǔn)確率(Precision)表示在用戶產(chǎn)生的推薦列表中,有多大比例的資源是用戶真正喜歡的,設(shè)R(u)指用戶在訓(xùn)練集上依據(jù)用戶的行為作出的推薦列表,T(u)表示用戶在測(cè)試集中的行為列表.則推薦結(jié)果的準(zhǔn)確率定義如下:

    (2)召回率(Recall)表示用戶真正喜歡的商品中,有多大比例的商品進(jìn)入了推薦列表,其計(jì)算公式如下:

    (3)F-measure,因?yàn)闇?zhǔn)確率和召回率在一定程度上是相互矛盾的,如果推薦的準(zhǔn)確率高可能意味著它的召回率會(huì)比較低,因此現(xiàn)在實(shí)驗(yàn)中多使用一個(gè)平衡以上兩種指標(biāo)的綜合評(píng)價(jià)方法即F-measure,其計(jì)算公式如下:

    3.3 實(shí)驗(yàn)結(jié)果分析

    (1)確定鄰居數(shù)k的影響

    本部分測(cè)試鄰居數(shù)k的值對(duì)協(xié)同過(guò)濾推薦結(jié)果的影響,其中設(shè)置k的值的變化從10到100,值變化間隔為10,將本文算法SE-CF與算法T-CF在度量標(biāo)準(zhǔn)Recall上進(jìn)行對(duì)比驗(yàn)證.在協(xié)同過(guò)濾算法中,鄰居用戶的數(shù)量k一定程度上影響著推薦精度,k如果太小將無(wú)法獲取足夠的候選資源集合,k如果太大也將增加計(jì)算成本以及時(shí)間消耗.設(shè)置不同的k值,實(shí)驗(yàn)結(jié)果的召回率也會(huì)隨之改變,其結(jié)果如圖1所示.

    圖1 不同鄰居數(shù) k 值對(duì) Recall變化情況

    從圖1可以看出,當(dāng)鄰居數(shù)k的值約為35時(shí),本算法SE-CF和T-CF算法的召回率基本相同,當(dāng)k>35時(shí),本算法SE-CF的召回率才高于T-CF算法.實(shí)驗(yàn)過(guò)程分析可得,經(jīng)典T-CF算法是基于用戶共同標(biāo)注的資源數(shù)目來(lái)確定用戶之間的相似度,而SE-CF算法是通過(guò)計(jì)算用戶標(biāo)簽的評(píng)分信息熵構(gòu)建用戶的標(biāo)簽興趣模型再計(jì)算兩用戶之間的相似程度,相似度的值與用戶共同標(biāo)注的資源數(shù)目沒有直接關(guān)聯(lián),因此可能存在兩個(gè)用戶相似度較大但共同標(biāo)注的資源很少的現(xiàn)象.如圖1所示,隨著鄰居用戶數(shù)目k的增大,SE-CF算法的召回率的上升速率要明顯高于經(jīng)典T-CF算法.另外,從圖中可以看出兩個(gè)算法的召回率在k=70左右趨于穩(wěn)定,k>70時(shí),二者的召回率上升速度都很緩慢,因此在后面的協(xié)同過(guò)濾算法比較中設(shè)置鄰居數(shù)k=70.

    (2)實(shí)驗(yàn)對(duì)比驗(yàn)證

    為了更好的驗(yàn)證實(shí)驗(yàn),本文采用五折交叉驗(yàn)證,每次隨機(jī)選取80%的實(shí)驗(yàn)數(shù)據(jù)集作為訓(xùn)練集,剩余20%數(shù)據(jù)為測(cè)試集,對(duì)五次結(jié)果取平均作為最終結(jié)果,同時(shí)考慮在Precision、Recall、F-measure三個(gè)度量標(biāo)準(zhǔn)進(jìn)行比實(shí)驗(yàn)驗(yàn)證.在本文算法中訓(xùn)練集用于計(jì)算用戶標(biāo)簽的評(píng)分信息熵以確定用戶標(biāo)簽的興趣權(quán)重,并構(gòu)建用戶興趣模型應(yīng)用到協(xié)同過(guò)濾推薦算法當(dāng)中,然后測(cè)試集中利用訓(xùn)練集得到的推薦結(jié)果進(jìn)行比較計(jì)算.根據(jù)前面的實(shí)驗(yàn)所知,設(shè)k=70,隨著推薦列表的數(shù)量N值的變化,三個(gè)度量標(biāo)準(zhǔn)的值也會(huì)不同,并將N設(shè)置從5到25變化,值變化間隔為5,實(shí)驗(yàn)數(shù)據(jù)結(jié)果如表3、表4所示.

    對(duì)比圖示結(jié)果如圖2、圖3所示.

    通過(guò)上圖的對(duì)比可以看出無(wú)論推薦列表數(shù)量N取任何值,基于標(biāo)簽的評(píng)分信息算法在準(zhǔn)確率、召回率、F-measure三個(gè)度量標(biāo)準(zhǔn)都明顯好于其他基于標(biāo)簽的推薦算法,同時(shí)也可以看出基于標(biāo)簽的評(píng)分信息熵推薦算法在N=10時(shí)推薦效果最好且比其他幾個(gè)推薦算法準(zhǔn)確度平均提高了6.7%左右.筆者分析認(rèn)為,本文算法之所以能優(yōu)于其他三個(gè)算法在于:一是考慮將豐富信息量的標(biāo)簽信息構(gòu)成用戶的興趣模型能較好的表達(dá)用戶的興趣; 二是考慮有一定的噪聲標(biāo)簽的存在因此提出通過(guò)計(jì)算標(biāo)簽的打分不確定程度來(lái)計(jì)算標(biāo)簽的興趣權(quán)重從而將標(biāo)簽對(duì)用戶的重要性區(qū)別對(duì)待,對(duì)于打分不穩(wěn)定不能精準(zhǔn)表現(xiàn)用戶興趣的標(biāo)簽可以通過(guò)計(jì)算其信息熵來(lái)修正降低其重要性.

    表3 MovieLens實(shí)驗(yàn)數(shù)據(jù)對(duì)比

    表4 Delicious實(shí)驗(yàn)數(shù)據(jù)對(duì)比

    圖2 Movielens數(shù)據(jù)集結(jié)果對(duì)比

    圖3 Delicious 數(shù)據(jù)集結(jié)果對(duì)比

    4 結(jié)語(yǔ)

    本章基于標(biāo)簽構(gòu)建用戶的興趣模型,并提出了一種用戶標(biāo)簽評(píng)分信息熵的興趣度計(jì)算方法,對(duì)于用戶重要性高的標(biāo)簽予以較高的權(quán)重.通過(guò)在MovieLens數(shù)據(jù)集和Delicious數(shù)據(jù)集上將本文算法與其他三個(gè)算法進(jìn)行實(shí)驗(yàn)對(duì)比,驗(yàn)證了本文算法要明顯好于其他三個(gè)基于標(biāo)簽的推薦算法.由于用戶的評(píng)分信息局限于幾個(gè)離散的數(shù)值,因此基于社會(huì)化標(biāo)簽的信息熵計(jì)算還不夠準(zhǔn)確.目前,將信息熵應(yīng)用于標(biāo)簽的推薦算法研究還比較新穎,因?yàn)樾畔㈧乇旧碛泻茇S富的解釋信息以及物理背景,因此其應(yīng)用前景還是十分可觀的.

    1Verma C,Hart M,Bhatkar S,et al.Improving scalability of personalized recommendation systems for enterprise knowledge workers.IEEE Access,2016,4:204–215.[doi:10.1109/ACCESS.2015.2513000]

    2Marinho LB,Schmidt-Thieme L.Collaborative tag recommendations.In:Preisach C,Burkhardt H,Schmidt-Thieme L,et al.eds.Data Analysis,Machine Learning and Applications.Berlin,Heidelberg,Germany.2008.553–540.

    3Symeonidis P.ClustHOSVD:Item recommendation by combining semantically enhanced tag clustering with tensor hosvd.IEEE Trans.on Systems,Man,and Cybernetics:Systems,2016,46(9):1240–1251.[doi:10.1109/TSMC.2015.248 2458]

    4Jiang ZG,Zhou A,Wang SG,et al.Personalized service recommendation for collaborative tagging systems with social relations and temporal influences.Proc.of the 2016 IEEE International Conference on Services Computing(SCC).San Francisco,CA,USA.2016.786–789.

    5Cao J,Wu ZA,Wang YQ,et al.Hybrid collaborative filtering algorithm for bidirectional web service recommendation.Knowledge and Information Systems,2013,36(3):607–627.[doi:10.1007/s10115-012-0562-1]

    6Buck C,Koehn P.Quick and reliable document alignment via TF/IDF-weighted cosine distance.Proc.of the 1st Conference on Machine Translation,Volume 2:Shared Task Papers.Berlin,Germany.2016.672–678.

    7Chen KW,Zhang ZP,Long J,et al.Turning from TF-IDF to TF-IGM for term weighting in text classification.Expert Systems with Applications:An International Journal,2016,66:245–260.[doi:10.1016/j.eswa.2016.09.009]

    8Ahmed S,Tepe K.Entropy-based recommendation trust model for machine to machine communications.Proc.of the 8th International Conference Ad Hoc Networks.Ottawa,Canada.2016.297–305.

    9Mehta H,Dixit VS,Bedi P.Weighted difference entropy based similarity measure at two levels in a recommendation framework.Proc.of the 2013 International Conference on Advances in Computing,Communications and Informatics(ICACCI).Mysore,India.2013.2076–2083.

    10Parra-Arnau J,Rebollo-Monedero D,Forné J.Optimal forgery and suppression of ratings for privacy enhancement in recommendation systems.Entropy,2014,16(3):1586–1631.[doi:10.3390/e16031586]

    11Zhang SW,Ge YY.Personalized tag recommendation based on transfer matrix and collaborative filtering.Journal of Computer and Communications,2015,3(9):9–17.[doi:10.4236/jcc.2015.39002]

    12Peng J,Zeng DD,Zhao HM,et al.Collaborative filtering in social tagging systems based on joint item-tag recommendations.Proc.of the 19th ACM International Conference on Information and Knowledge Management.Toronto,ON,Canada.2010.809–818.

    13Tso-Sutter KHL,Marinho LB,Schmidt-Thieme L.Tagaware recommender systems by fusion of collaborative filtering algorithms.Proc.of the 2008 ACM Symposium on Applied Computing.New York,USA.2008.1995–1999.

    Label-Based Score Information Entropy Recommendation Algorithm

    YE Ting
    (College of Information and Engineering,Nanjing University of Finance and Economics,Nanjing 210046,China)

    As the label is marked by the user according to their own understanding and preferences,the expression of the concept is fuzzy and there are a large number of noise tags,resulting in the low efficiency of the traditional label-based recommendation algorithm recommended.casein view of this problem,a tag recommendation algorithm combining the score information entropy is proposed.The algorithm determines the importance of the tag for the user in order to build the user’s interest model for the rating of the label.The algorithm can effectively use the score weight and combine the information entropy to enhance the recommendation accuracy,and compared with the previous label-based recommendation algorithm,it can get a satisfactory recommendation effect.

    tag; score information entropy; interest model; collaborative filtering; recommendation system

    葉婷.基于標(biāo)簽的評(píng)分信息熵推薦算法.計(jì)算機(jī)系統(tǒng)應(yīng)用,2017,26(10):190–195.http://www.c-s-a.org.cn/1003-3254/6003.html

    科技部科技支撐項(xiàng)目(BAH29F01); 江蘇省重點(diǎn)研發(fā)計(jì)劃(BE2016178)

    2017-01-17; 采用時(shí)間:2017-02-20

    猜你喜歡
    信息熵標(biāo)簽權(quán)重
    基于信息熵可信度的測(cè)試點(diǎn)選擇方法研究
    權(quán)重常思“浮名輕”
    無(wú)懼標(biāo)簽 Alfa Romeo Giulia 200HP
    車迷(2018年11期)2018-08-30 03:20:32
    為黨督政勤履職 代民行權(quán)重?fù)?dān)當(dāng)
    不害怕撕掉標(biāo)簽的人,都活出了真正的漂亮
    海峽姐妹(2018年3期)2018-05-09 08:21:02
    基于信息熵的實(shí)驗(yàn)教學(xué)量化研究
    基于公約式權(quán)重的截短線性分組碼盲識(shí)別方法
    一種基于信息熵的雷達(dá)動(dòng)態(tài)自適應(yīng)選擇跟蹤方法
    標(biāo)簽化傷害了誰(shuí)
    基于信息熵的IITFN多屬性決策方法
    亚洲久久久国产精品| 国产爽快片一区二区三区| 国产黄色免费在线视频| 伊人亚洲综合成人网| 国产精品人妻久久久久久| 97在线人人人人妻| 黄色 视频免费看| av女优亚洲男人天堂| av卡一久久| 国产成人免费无遮挡视频| av又黄又爽大尺度在线免费看| 午夜激情久久久久久久| 中文精品一卡2卡3卡4更新| 日韩制服骚丝袜av| 最新中文字幕久久久久| 成人国产麻豆网| 国产精品秋霞免费鲁丝片| 国产一区二区在线观看日韩| 哪个播放器可以免费观看大片| 中文欧美无线码| 亚洲精品久久久久久婷婷小说| 美女大奶头黄色视频| 国产免费福利视频在线观看| 寂寞人妻少妇视频99o| 午夜福利网站1000一区二区三区| av.在线天堂| 天堂中文最新版在线下载| 国产成人精品无人区| av网站免费在线观看视频| 亚洲av国产av综合av卡| 91午夜精品亚洲一区二区三区| 久久99一区二区三区| 精品人妻偷拍中文字幕| 日韩不卡一区二区三区视频在线| 亚洲av.av天堂| 99热网站在线观看| 国产精品国产三级国产av玫瑰| 大片电影免费在线观看免费| av一本久久久久| √禁漫天堂资源中文www| 亚洲精品久久午夜乱码| 亚洲精品久久午夜乱码| 女性被躁到高潮视频| 最近手机中文字幕大全| 国产免费一区二区三区四区乱码| 大片免费播放器 马上看| 久久韩国三级中文字幕| 免费日韩欧美在线观看| 在线免费观看不下载黄p国产| 韩国av在线不卡| 亚洲国产精品国产精品| 韩国精品一区二区三区 | 久久女婷五月综合色啪小说| 女人久久www免费人成看片| 99精国产麻豆久久婷婷| 国产福利在线免费观看视频| 亚洲精品视频女| 少妇人妻 视频| 久久人人爽人人爽人人片va| 国产日韩一区二区三区精品不卡| 色视频在线一区二区三区| 91精品国产国语对白视频| 男男h啪啪无遮挡| 下体分泌物呈黄色| 天天躁夜夜躁狠狠躁躁| 日韩一区二区视频免费看| 日韩,欧美,国产一区二区三区| 永久网站在线| 欧美精品一区二区免费开放| 国产一区亚洲一区在线观看| 狂野欧美激情性xxxx在线观看| 好男人视频免费观看在线| 97人妻天天添夜夜摸| 欧美成人午夜精品| 久久人人97超碰香蕉20202| 夜夜爽夜夜爽视频| 赤兔流量卡办理| 久久婷婷青草| 97在线人人人人妻| 男女午夜视频在线观看 | 自拍欧美九色日韩亚洲蝌蚪91| 久久热在线av| 精品久久久精品久久久| 国产精品一区www在线观看| 自线自在国产av| 国产又爽黄色视频| 国产伦理片在线播放av一区| 欧美最新免费一区二区三区| 九九在线视频观看精品| 成人手机av| 中文欧美无线码| 桃花免费在线播放| 久久人人爽人人爽人人片va| 亚洲情色 制服丝袜| 青青草视频在线视频观看| 午夜福利视频精品| 熟女人妻精品中文字幕| 国产69精品久久久久777片| 久久久亚洲精品成人影院| 欧美日韩一区二区视频在线观看视频在线| 国产精品久久久久久久电影| 免费观看av网站的网址| 91午夜精品亚洲一区二区三区| 国产精品无大码| 国产极品粉嫩免费观看在线| 国产极品粉嫩免费观看在线| 精品久久蜜臀av无| 国产视频首页在线观看| av国产精品久久久久影院| 欧美人与性动交α欧美软件 | 久久99一区二区三区| 亚洲天堂av无毛| 亚洲内射少妇av| 国产亚洲精品久久久com| 久久精品久久久久久久性| 男人添女人高潮全过程视频| 国产成人精品福利久久| 母亲3免费完整高清在线观看 | 午夜福利网站1000一区二区三区| 亚洲综合色惰| 男男h啪啪无遮挡| 亚洲av综合色区一区| 在线观看人妻少妇| 夜夜爽夜夜爽视频| 亚洲经典国产精华液单| 久久99蜜桃精品久久| 各种免费的搞黄视频| 高清欧美精品videossex| 黑人巨大精品欧美一区二区蜜桃 | 免费大片18禁| 九色亚洲精品在线播放| 国产一区有黄有色的免费视频| 久久国产精品大桥未久av| 欧美亚洲 丝袜 人妻 在线| 十分钟在线观看高清视频www| 国产1区2区3区精品| 内地一区二区视频在线| 91精品三级在线观看| 免费人妻精品一区二区三区视频| 2018国产大陆天天弄谢| 最后的刺客免费高清国语| 亚洲精品中文字幕在线视频| 考比视频在线观看| 成人亚洲欧美一区二区av| 18在线观看网站| av免费在线看不卡| 天堂8中文在线网| 精品卡一卡二卡四卡免费| 免费日韩欧美在线观看| 中文字幕免费在线视频6| 宅男免费午夜| 成人毛片60女人毛片免费| 七月丁香在线播放| 午夜福利视频精品| 97精品久久久久久久久久精品| 亚洲国产毛片av蜜桃av| 五月开心婷婷网| 欧美亚洲 丝袜 人妻 在线| 2018国产大陆天天弄谢| 夜夜骑夜夜射夜夜干| 黑人巨大精品欧美一区二区蜜桃 | 日本猛色少妇xxxxx猛交久久| 欧美日韩国产mv在线观看视频| 18禁观看日本| 深夜精品福利| 汤姆久久久久久久影院中文字幕| 桃花免费在线播放| 高清不卡的av网站| 亚洲精品成人av观看孕妇| 亚洲第一av免费看| 国产免费现黄频在线看| 国产黄色免费在线视频| 国产男女内射视频| 国语对白做爰xxxⅹ性视频网站| 久热久热在线精品观看| 18禁国产床啪视频网站| 日本免费在线观看一区| 日韩伦理黄色片| 欧美性感艳星| 热99国产精品久久久久久7| 中文字幕免费在线视频6| 97超碰精品成人国产| 男女免费视频国产| 亚洲天堂av无毛| 国产男女内射视频| av电影中文网址| 久久青草综合色| 免费黄色在线免费观看| 久久精品国产a三级三级三级| 人妻一区二区av| av网站免费在线观看视频| 日韩中文字幕视频在线看片| 久久97久久精品| 国产69精品久久久久777片| 亚洲丝袜综合中文字幕| 国产有黄有色有爽视频| 观看av在线不卡| 国产成人av激情在线播放| 2021少妇久久久久久久久久久| 亚洲精品456在线播放app| 热99久久久久精品小说推荐| 国产成人精品久久久久久| www.色视频.com| 日韩欧美精品免费久久| 亚洲国产成人一精品久久久| 日韩欧美一区视频在线观看| 在线看a的网站| 国产精品国产三级国产av玫瑰| 午夜福利视频精品| 黄色 视频免费看| 久久久欧美国产精品| 亚洲第一区二区三区不卡| 又大又黄又爽视频免费| 青青草视频在线视频观看| 国产精品99久久99久久久不卡 | 有码 亚洲区| 一级毛片我不卡| 男人舔女人的私密视频| 97超碰精品成人国产| av在线观看视频网站免费| 激情五月婷婷亚洲| 麻豆精品久久久久久蜜桃| 久久av网站| 一级,二级,三级黄色视频| 精品一区在线观看国产| 久久久久精品性色| 久久久a久久爽久久v久久| 久久久久久久久久人人人人人人| 黄片无遮挡物在线观看| 亚洲欧洲日产国产| 在现免费观看毛片| 精品一品国产午夜福利视频| 久久99一区二区三区| 午夜激情久久久久久久| 精品一区二区三区视频在线| 国产日韩欧美亚洲二区| 人人妻人人澡人人爽人人夜夜| 69精品国产乱码久久久| 久久青草综合色| 久久99热6这里只有精品| 国产伦理片在线播放av一区| 最新的欧美精品一区二区| 久久午夜综合久久蜜桃| 性色av一级| 成年人免费黄色播放视频| 桃花免费在线播放| 夜夜骑夜夜射夜夜干| 巨乳人妻的诱惑在线观看| 久久免费观看电影| 精品久久国产蜜桃| 欧美精品亚洲一区二区| 久久精品aⅴ一区二区三区四区 | 18+在线观看网站| 视频在线观看一区二区三区| 一级毛片电影观看| 国产精品嫩草影院av在线观看| 新久久久久国产一级毛片| 女人久久www免费人成看片| 观看av在线不卡| 久久97久久精品| 18禁动态无遮挡网站| 在线天堂中文资源库| 91午夜精品亚洲一区二区三区| 最黄视频免费看| 天堂8中文在线网| 久久精品夜色国产| 久久狼人影院| 国产成人精品久久久久久| 2018国产大陆天天弄谢| 亚洲欧美中文字幕日韩二区| 在线观看一区二区三区激情| 国产免费福利视频在线观看| 中国三级夫妇交换| 99九九在线精品视频| av线在线观看网站| 国产精品久久久久久久电影| 国产国拍精品亚洲av在线观看| 下体分泌物呈黄色| 午夜视频国产福利| 亚洲精品日韩在线中文字幕| 一边亲一边摸免费视频| 最近手机中文字幕大全| 精品亚洲乱码少妇综合久久| 久久女婷五月综合色啪小说| 久久久久久伊人网av| 久久97久久精品| 亚洲美女搞黄在线观看| 免费av不卡在线播放| 七月丁香在线播放| 高清欧美精品videossex| 国产日韩欧美在线精品| 寂寞人妻少妇视频99o| 啦啦啦在线观看免费高清www| 欧美 亚洲 国产 日韩一| 一级爰片在线观看| 成年美女黄网站色视频大全免费| 一级a做视频免费观看| 最近的中文字幕免费完整| 考比视频在线观看| 91aial.com中文字幕在线观看| 久久精品久久精品一区二区三区| 男人舔女人的私密视频| 色网站视频免费| 亚洲综合色网址| 9热在线视频观看99| 国产精品国产av在线观看| 欧美亚洲 丝袜 人妻 在线| 亚洲精品国产av蜜桃| 少妇精品久久久久久久| a级毛片在线看网站| 搡老乐熟女国产| 欧美丝袜亚洲另类| 国产成人一区二区在线| 香蕉国产在线看| av国产精品久久久久影院| 精品人妻一区二区三区麻豆| 久久精品人人爽人人爽视色| 亚洲综合色惰| 大香蕉97超碰在线| 午夜免费观看性视频| freevideosex欧美| 综合色丁香网| 飞空精品影院首页| 少妇高潮的动态图| 成人国语在线视频| 欧美人与性动交α欧美软件 | 亚洲成国产人片在线观看| 春色校园在线视频观看| 亚洲三级黄色毛片| 久久久久久久久久久久大奶| 9色porny在线观看| 丝瓜视频免费看黄片| 国产熟女欧美一区二区| 久久久国产一区二区| 97精品久久久久久久久久精品| 日韩在线高清观看一区二区三区| 国产精品无大码| 一区二区三区四区激情视频| 飞空精品影院首页| 久久久国产精品麻豆| 精品一区二区三区四区五区乱码 | 精品第一国产精品| 欧美3d第一页| 女人久久www免费人成看片| 亚洲av男天堂| 欧美国产精品va在线观看不卡| 午夜福利乱码中文字幕| 亚洲精品久久久久久婷婷小说| 黄色怎么调成土黄色| 国产乱人偷精品视频| 国产女主播在线喷水免费视频网站| 色哟哟·www| 少妇人妻精品综合一区二区| 欧美人与善性xxx| 亚洲av男天堂| 国产亚洲精品久久久com| 欧美老熟妇乱子伦牲交| 欧美bdsm另类| www日本在线高清视频| 美女中出高潮动态图| 你懂的网址亚洲精品在线观看| 少妇的逼好多水| 色婷婷久久久亚洲欧美| av黄色大香蕉| 男的添女的下面高潮视频| 两个人看的免费小视频| 黄色 视频免费看| 美女脱内裤让男人舔精品视频| 亚洲精品色激情综合| 日韩一区二区三区影片| 亚洲成色77777| av一本久久久久| 18禁观看日本| 婷婷色麻豆天堂久久| 国产成人免费无遮挡视频| 赤兔流量卡办理| 精品一区二区三区四区五区乱码 | 欧美日韩国产mv在线观看视频| 人妻 亚洲 视频| 中文字幕人妻熟女乱码| 在线 av 中文字幕| 免费大片黄手机在线观看| 自拍欧美九色日韩亚洲蝌蚪91| 欧美成人精品欧美一级黄| 久久人妻熟女aⅴ| 成人影院久久| 国产日韩欧美亚洲二区| 国产黄色免费在线视频| 国产免费视频播放在线视频| 赤兔流量卡办理| 极品人妻少妇av视频| 国产黄色视频一区二区在线观看| 免费av不卡在线播放| 色哟哟·www| 老熟女久久久| 婷婷色麻豆天堂久久| 亚洲成人手机| 久久亚洲国产成人精品v| 国产成人91sexporn| 国产免费一区二区三区四区乱码| 精品一品国产午夜福利视频| 又大又黄又爽视频免费| 九色亚洲精品在线播放| 九草在线视频观看| 国产视频首页在线观看| 久久久a久久爽久久v久久| 波多野结衣一区麻豆| 国产亚洲精品久久久com| 亚洲国产日韩一区二区| 午夜久久久在线观看| 精品99又大又爽又粗少妇毛片| 日本-黄色视频高清免费观看| 国国产精品蜜臀av免费| 午夜精品国产一区二区电影| 男的添女的下面高潮视频| 日韩成人av中文字幕在线观看| 国产精品麻豆人妻色哟哟久久| 如日韩欧美国产精品一区二区三区| 好男人视频免费观看在线| 国产探花极品一区二区| 黑人高潮一二区| 麻豆精品久久久久久蜜桃| 日本-黄色视频高清免费观看| 综合色丁香网| 国产淫语在线视频| 国产成人91sexporn| 成人二区视频| 22中文网久久字幕| 日韩免费高清中文字幕av| 国产伦理片在线播放av一区| 免费不卡的大黄色大毛片视频在线观看| 黄网站色视频无遮挡免费观看| 边亲边吃奶的免费视频| 18禁在线无遮挡免费观看视频| 亚洲欧美成人精品一区二区| av免费在线看不卡| 欧美3d第一页| 永久网站在线| 黄色毛片三级朝国网站| 久久亚洲国产成人精品v| 免费久久久久久久精品成人欧美视频 | 波多野结衣一区麻豆| 午夜激情av网站| 亚洲经典国产精华液单| 成人漫画全彩无遮挡| 男人添女人高潮全过程视频| 久久精品国产自在天天线| 如何舔出高潮| 国产精品无大码| 激情视频va一区二区三区| 超色免费av| 亚洲欧美日韩另类电影网站| 国产在线一区二区三区精| 欧美精品人与动牲交sv欧美| 美国免费a级毛片| 在线天堂中文资源库| 成人18禁高潮啪啪吃奶动态图| 亚洲精品久久成人aⅴ小说| www.色视频.com| 亚洲精品中文字幕在线视频| 伊人亚洲综合成人网| 欧美日韩国产mv在线观看视频| 高清视频免费观看一区二区| 国产高清国产精品国产三级| 一级黄片播放器| 亚洲精品aⅴ在线观看| 美女内射精品一级片tv| 国产毛片在线视频| 欧美另类一区| 亚洲图色成人| 69精品国产乱码久久久| 久久人人爽人人片av| 天堂中文最新版在线下载| 国产成人a∨麻豆精品| 亚洲精品美女久久久久99蜜臀 | 黄片播放在线免费| 两个人免费观看高清视频| 爱豆传媒免费全集在线观看| 精品亚洲乱码少妇综合久久| 午夜av观看不卡| 国产黄色视频一区二区在线观看| 香蕉丝袜av| 热re99久久国产66热| 国产在线视频一区二区| 搡老乐熟女国产| 秋霞伦理黄片| 亚洲成国产人片在线观看| 久久精品国产鲁丝片午夜精品| 一区在线观看完整版| 麻豆乱淫一区二区| 男的添女的下面高潮视频| 亚洲欧美中文字幕日韩二区| 纵有疾风起免费观看全集完整版| 国内精品宾馆在线| 国产av码专区亚洲av| 99九九在线精品视频| 国产精品一区二区在线观看99| 国产成人免费无遮挡视频| 日韩,欧美,国产一区二区三区| 精品第一国产精品| 国产又色又爽无遮挡免| 男女高潮啪啪啪动态图| 成人午夜精彩视频在线观看| 国产成人免费观看mmmm| 十八禁高潮呻吟视频| 国产欧美日韩综合在线一区二区| 亚洲国产欧美日韩在线播放| av在线观看视频网站免费| 国产日韩欧美视频二区| 国产黄色免费在线视频| 97精品久久久久久久久久精品| 美女大奶头黄色视频| 侵犯人妻中文字幕一二三四区| 肉色欧美久久久久久久蜜桃| 一本久久精品| 国产精品久久久久久久电影| 欧美日韩国产mv在线观看视频| 亚洲成色77777| 日韩免费高清中文字幕av| 免费女性裸体啪啪无遮挡网站| 欧美 亚洲 国产 日韩一| 最近最新中文字幕大全免费视频 | 99热6这里只有精品| 午夜福利,免费看| 久久热在线av| 欧美激情国产日韩精品一区| 天堂8中文在线网| 在线精品无人区一区二区三| 日本av手机在线免费观看| 国产探花极品一区二区| 欧美性感艳星| 高清视频免费观看一区二区| 人人澡人人妻人| 免费大片黄手机在线观看| av卡一久久| 亚洲成人av在线免费| 亚洲国产精品一区三区| 久久久久精品人妻al黑| 日日摸夜夜添夜夜爱| 久久久久久久久久久免费av| 丰满少妇做爰视频| 肉色欧美久久久久久久蜜桃| 咕卡用的链子| 色94色欧美一区二区| 美女福利国产在线| 成人亚洲精品一区在线观看| 亚洲高清免费不卡视频| 亚洲成人av在线免费| 又黄又粗又硬又大视频| 亚洲一码二码三码区别大吗| 国产老妇伦熟女老妇高清| 国产女主播在线喷水免费视频网站| 女性被躁到高潮视频| 久久久亚洲精品成人影院| 麻豆乱淫一区二区| 日本色播在线视频| 美女视频免费永久观看网站| 日韩中字成人| 国产爽快片一区二区三区| 国产成人91sexporn| 精品亚洲成国产av| 最黄视频免费看| 高清毛片免费看| 国产精品国产三级国产av玫瑰| 一级爰片在线观看| 黑人猛操日本美女一级片| kizo精华| 亚洲欧美日韩卡通动漫| 国产免费现黄频在线看| 18禁在线无遮挡免费观看视频| 成人免费观看视频高清| 99九九在线精品视频| 日本免费在线观看一区| av女优亚洲男人天堂| freevideosex欧美| 婷婷成人精品国产| 久久精品国产自在天天线| 丝瓜视频免费看黄片| 一本—道久久a久久精品蜜桃钙片| 国产色婷婷99| 九色成人免费人妻av| 免费看不卡的av| 中文字幕av电影在线播放| 国产高清不卡午夜福利| 国产成人aa在线观看| 日本与韩国留学比较| 亚洲国产成人一精品久久久| 亚洲综合色惰| 国产免费又黄又爽又色| 多毛熟女@视频| 尾随美女入室| 91精品国产国语对白视频| 精品酒店卫生间| 高清不卡的av网站| 精品人妻熟女毛片av久久网站| 黑人猛操日本美女一级片| 精品一区二区三卡| 国产亚洲午夜精品一区二区久久| 涩涩av久久男人的天堂| 777米奇影视久久| av黄色大香蕉| 精品国产一区二区久久| 亚洲欧美一区二区三区国产| 在线看a的网站| 9热在线视频观看99| 男女下面插进去视频免费观看 | 国产精品国产av在线观看| 久久热在线av| 看十八女毛片水多多多| av女优亚洲男人天堂| av在线观看视频网站免费| 午夜免费男女啪啪视频观看| av天堂久久9| 在线天堂中文资源库| 国产在视频线精品|