• <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 ?

    基于組合優(yōu)化理論的協(xié)同過(guò)濾推薦算法

    2018-01-20 18:49:00楊麗麗袁浩浩
    現(xiàn)代電子技術(shù) 2018年1期
    關(guān)鍵詞:推薦算法協(xié)同過(guò)濾局部

    楊麗麗+袁浩浩

    摘 要: 針對(duì)傳統(tǒng)推薦系統(tǒng)中的協(xié)同過(guò)濾推薦算法無(wú)法解決數(shù)據(jù)間的高度稀疏問(wèn)題,采用余弦相似性度量運(yùn)算的物品相似性誤差較高,導(dǎo)致系統(tǒng)推薦質(zhì)量降低,提出基于局部組合優(yōu)化的協(xié)同過(guò)濾推薦算法,其改進(jìn)了物品間相似性的運(yùn)算,為了解決數(shù)據(jù)稀疏性問(wèn)題,選擇目標(biāo)的近鄰對(duì)象時(shí)利用局部?jī)?yōu)化方法選擇推薦群,降低了預(yù)測(cè)的誤差,確保誤差值收斂到某固定值,并采用基于內(nèi)容的方法調(diào)整協(xié)同過(guò)濾預(yù)測(cè)存在的異常預(yù)測(cè)結(jié)果。實(shí)驗(yàn)結(jié)果表明,所提算法抑制了數(shù)據(jù)稀疏性的不利影響,提高了協(xié)同過(guò)濾預(yù)測(cè)評(píng)分的準(zhǔn)確度。

    關(guān)鍵詞: 局部; 組合優(yōu)化理論; 協(xié)同過(guò)濾; 推薦算法; 稀疏問(wèn)題; 評(píng)分精度

    中圖分類(lèi)號(hào): TN911.1?34; TP391 文獻(xiàn)標(biāo)識(shí)碼: A 文章編號(hào): 1004?373X(2018)01?0139?04

    Abstract: The collaborative filtering recommended algorithm in the traditional recommended system can′t solve the high sparsity among data. The cosine similarity measurement used to calculate the similarity of objects has big error, which may cause the low recommendation quality of the system. Therefore, a collaborative filtering algorithm based on local combinatorial optimization is proposed to improve the calculation of similarity among items. In order to reduce the data sparsity, the local combinatorial optimization method is adopted to select the recommended group for the object near the selected objective to reduce the prediction error and guarantee the error converging to a fixed value. The content?based method is used to adjust the abnormal prediction results of collaborative filtering prediction. The experimental results show that the algorithm can suppress the adverse effects of data sparsity, and improve the scoring accuracy of collaborative filtering prediction.

    Keywords: local; combinatorial optimization theory; collaborative filtering; recommended algorithm; sparse problem; scoring accuracy

    0 引 言

    隨著互聯(lián)網(wǎng)、信息技術(shù)的快速發(fā)展,信息呈現(xiàn)爆炸式增長(zhǎng),用戶(hù)從海量信息中快速、準(zhǔn)確檢索到有價(jià)值資源的難度逐漸增加。因此,個(gè)性化推薦系統(tǒng)的發(fā)展逐漸引起人們的關(guān)注[1]。

    個(gè)性化推薦系統(tǒng)中應(yīng)用性最高的推薦技術(shù)是協(xié)同過(guò)濾推薦算法,其基于用戶(hù)以往的行為偏好,獲取用戶(hù)間的相似度,將同目標(biāo)用戶(hù)興趣最相似的用戶(hù)作為臨近鄰居集,分析鄰居用戶(hù)的行為偏好,獲取預(yù)測(cè)目標(biāo)用戶(hù)對(duì)物品的偏好情況。傳統(tǒng)推薦算法無(wú)法解決數(shù)據(jù)間的高度稀疏問(wèn)題,采用余弦相似性度量運(yùn)算的物品相似性誤差較高,導(dǎo)致預(yù)測(cè)的誤差大幅度增加。

    為了解決該問(wèn)題,本文提出基于局部組合優(yōu)化的協(xié)同過(guò)濾推薦算法,以提高協(xié)同過(guò)濾預(yù)測(cè)評(píng)分的準(zhǔn)確度。

    1 基于組合優(yōu)化的協(xié)同過(guò)濾推薦算法

    1.1 問(wèn)題的提出

    數(shù)據(jù)稀疏性問(wèn)題廣泛存在于個(gè)性化推薦系統(tǒng)中,電子商務(wù)網(wǎng)站中包含了海量的用戶(hù)和商品,用戶(hù)無(wú)法對(duì)全部的物品實(shí)施準(zhǔn)確評(píng)價(jià)。若采用傳統(tǒng)協(xié)同過(guò)濾算法,通過(guò)相似性度量獲取物品間的相似性[2],能夠完成用戶(hù)對(duì)物品偏好度的評(píng)分,但是該種算法會(huì)受到高度稀疏數(shù)據(jù)集的干擾,使得推薦質(zhì)量大大降低。針對(duì)傳統(tǒng)算法無(wú)法處理數(shù)據(jù)稀疏性問(wèn)題,可采用改進(jìn)相似度運(yùn)算方法對(duì)其實(shí)施改進(jìn)。相似性的兩個(gè)改進(jìn)方法,公式如下:

    [sim(i,j)=min(Ui?Uj,γ)γ×cos(i,j)] (1)

    [sim(i,j)=max(Ui?Uj,γ)γ×cos(i,j)] (2)

    式中:[γ]參數(shù)用于描述調(diào)節(jié)參數(shù),基于實(shí)際數(shù)據(jù)集明確該參數(shù)的取值范圍;[cos(i,j)]是余弦相似性,對(duì)向量而言,式(1),式(2)中主要為物品間關(guān)系,可轉(zhuǎn)化為向量表示。

    采用式(1)和式(2)描述的兩種改進(jìn)相似性運(yùn)算方法可提高評(píng)分預(yù)測(cè)的準(zhǔn)確度,然而在數(shù)據(jù)高度稀疏時(shí),這兩種改進(jìn)算法的優(yōu)化效果不明顯。因此,面向上述分析問(wèn)題,本文基于局部組合優(yōu)化的協(xié)同過(guò)濾推薦算法,先對(duì)項(xiàng)目間的相似性運(yùn)算實(shí)施優(yōu)化,再采用局部?jī)?yōu)化方法選擇對(duì)象當(dāng)成推薦群,并通過(guò)基于內(nèi)容的方法調(diào)整協(xié)同過(guò)濾預(yù)測(cè)評(píng)分包含的部分異常[3],提升推薦系統(tǒng)的質(zhì)量。

    1.2 優(yōu)化物品間相似性運(yùn)算公式

    如果數(shù)據(jù)存在高度稀疏性特征,在傳統(tǒng)協(xié)同過(guò)濾算法對(duì)物品相似性實(shí)施運(yùn)算的過(guò)程中,兩個(gè)物品被同時(shí)評(píng)分的用戶(hù)數(shù)量大大降低,使得物品相似性運(yùn)算存在顯著的隨機(jī)特征。為了減少該種隨機(jī)特征產(chǎn)生的干擾,本文采用物品的評(píng)分相似性同物品的特征屬性相似性的線性加權(quán)方法運(yùn)算物品間的相似性,如式(3)所示:endprint

    [sim′(i,j)=θsim(i,j)+(1-θ)simT(i,j)] (3)

    式中:[θ]是常量;[simT(i,j)]用于描述物品的特征屬性相似性。

    1.3 局部?jī)?yōu)化選擇近鄰對(duì)象

    傳統(tǒng)協(xié)同過(guò)濾過(guò)程是在全部推薦物品群內(nèi),采用[k]個(gè)相似性最高的物品,若采用的相鄰個(gè)數(shù)[k]過(guò)高,則會(huì)使得推薦結(jié)果精度降低,無(wú)法提高推薦系統(tǒng)的質(zhì)量。本文提出的基于局部?jī)?yōu)化選擇的組合推薦算法,設(shè)置最小閾值[δ,]通過(guò)局部?jī)?yōu)化方法選擇預(yù)測(cè)目標(biāo)[4],確保近鄰集中物品數(shù)量最小化。采取的局部?jī)?yōu)化運(yùn)算公式如下:

    [sgi,j*sim′(i,j)>δ] (4)

    式中:[δ]是常量,設(shè)置的相似度閾值如果過(guò)高,會(huì)使得覆蓋率過(guò)低;[sgij]描述重要性權(quán)重因子,其靠近存在更多一致評(píng)分物品的對(duì)等者。真實(shí)狀態(tài)中出現(xiàn)兩個(gè)用戶(hù)評(píng)分混合的現(xiàn)象較少,為了解決相似性度量存在的隨機(jī)特征的不利影響,用[I=Ii?Ij]描述物品[Ii]以及[Ij]被共同評(píng)分的用戶(hù)集,用[λ]描述閾值,采用式(5)對(duì)比分析閾值同項(xiàng)目[Ii]以及[Ij]被共同評(píng)分的用戶(hù)數(shù)[ni,j]:

    [sgi,j=ni,jλ,ni,j<λ1,其他] (5)

    式中:[ni,j=I],因?yàn)楫?dāng)共同評(píng)分物品數(shù)量高于50時(shí),預(yù)測(cè)的誤差向平穩(wěn)趨勢(shì)靠近。

    該方法通過(guò)局部的相似性使得總體預(yù)測(cè)誤差MAE大大降低,并且確保預(yù)測(cè)誤差收斂于某固定值。

    1.4 基于內(nèi)容調(diào)整異常預(yù)測(cè)評(píng)分

    系統(tǒng)過(guò)濾預(yù)測(cè)評(píng)分時(shí),如果數(shù)據(jù)呈現(xiàn)高度稀疏狀態(tài),則將導(dǎo)致用戶(hù)對(duì)項(xiàng)目的評(píng)分?jǐn)?shù)大大降低,出現(xiàn)預(yù)測(cè)評(píng)分異常,導(dǎo)致系統(tǒng)預(yù)測(cè)誤差的大幅度上升[5]。因此,本文通過(guò)基于內(nèi)容的方法對(duì)異常預(yù)測(cè)評(píng)分進(jìn)行調(diào)整,詳細(xì)的過(guò)程如下:

    1) 基于內(nèi)容的預(yù)測(cè)過(guò)程

    基于內(nèi)容的預(yù)測(cè)方法采用式(6)獲取項(xiàng)目[i]對(duì)于物品特征[t]的權(quán)重:

    [wi,t=1,項(xiàng)目i有屬性特征t0,項(xiàng)目i沒(méi)有屬性特征t] (6)

    采用式(7),用0~1的值描述用戶(hù)對(duì)于項(xiàng)目的某種物品特征的興趣度:

    [wu,t=r(t)tar(u)tb*11+ct] (7)

    式中:[r(t)]是用戶(hù)[u]對(duì)具有特征[t]的全部項(xiàng)目總的評(píng)分;[r(u)]是用戶(hù)[u]全部評(píng)分的總和;[ta]表示用戶(hù)[u]對(duì)存在特征[t]的項(xiàng)目進(jìn)行評(píng)價(jià)的數(shù)量;[tb]表示用戶(hù)[u]評(píng)價(jià)的全部項(xiàng)目數(shù);[wu,t]表示用戶(hù)[u]對(duì)物品特征[t]的感興趣度;約束因子[11+ct]用于降低熱門(mén)項(xiàng)目特征的權(quán)重[6],[ct]用于描述特征[t]在全部特征中所占的權(quán)重。

    式(6)能得到各項(xiàng)目的特征權(quán)重向量[V,]式(7)能夠運(yùn)算各用戶(hù)的歷史興趣特征權(quán)重,得到用戶(hù)特征權(quán)重向量[U。]則依據(jù)內(nèi)容的評(píng)分預(yù)測(cè)表達(dá)式為:

    [R′i,j=hj*5*sim(ui,vj)] (8)

    式中:[sim(ui,vj)]是采用余弦相似性公式運(yùn)算得到的;[hj]表示當(dāng)前項(xiàng)目[j]被評(píng)分的用戶(hù)數(shù)的權(quán)重。根據(jù)式(9)計(jì)算[hj,]從而得到基于內(nèi)容預(yù)測(cè)的準(zhǔn)確度。

    [hj=njη,nj>η1,其他] (9)

    式中:[η]是常量;[nj]用于描述項(xiàng)目[j]被評(píng)分的用戶(hù)數(shù)量。

    2) 調(diào)整評(píng)分預(yù)測(cè)方法

    協(xié)同過(guò)濾算法自身存在的缺陷,會(huì)使得用戶(hù)對(duì)項(xiàng)目的評(píng)分?jǐn)?shù)量較少,預(yù)測(cè)的分?jǐn)?shù)會(huì)大大減小,容易產(chǎn)生異常的預(yù)測(cè)評(píng)分現(xiàn)象[7]。面對(duì)該現(xiàn)象,本文提出新的評(píng)分預(yù)測(cè)表達(dá)式:

    [Ru,t=σ*R′u,n+(1-σ)Ru,n,Ru,n<βRt+n∈S(Jj)sim(t,n)*(Ru,n-Rn)n∈S(Jj)sim(t,n),others] (10)

    分析上述描述的協(xié)同過(guò)濾預(yù)測(cè)評(píng)分過(guò)程可得,協(xié)同過(guò)濾預(yù)測(cè)獲取的異常結(jié)果為[Ru,n<β,][Ru,n]為特征值,通過(guò)基于內(nèi)容的預(yù)測(cè)[R′u,n]對(duì)該異常結(jié)果實(shí)施調(diào)整,其中[β]是常量。

    3) 拉普拉斯平滑方法

    概率統(tǒng)計(jì)過(guò)程中的拉普拉斯平滑也就是加平滑,用于處理數(shù)學(xué)系數(shù)在統(tǒng)計(jì)領(lǐng)域中的零概率問(wèn)題。數(shù)據(jù)集中包括小規(guī)模的項(xiàng)目特征,基于項(xiàng)目特征矩陣進(jìn)行特征的余弦相似性運(yùn)算時(shí),會(huì)產(chǎn)生大量的零值關(guān)系,此時(shí)基于相似性屬性,能夠看出兩種項(xiàng)目間相互獨(dú)立。但是實(shí)際預(yù)測(cè)過(guò)程中,無(wú)法獲取兩個(gè)項(xiàng)目間的不確定關(guān)系[8]。因此,采用拉普拉斯平滑方法進(jìn)行改進(jìn),項(xiàng)目特征屬性運(yùn)算相似性表達(dá)式為:

    [simt(i,j)=ti?tj+1ti?tj+k] (11)

    式中:[ti,][tj]是用于描述項(xiàng)目[i,j]的特征向量;[k]是相關(guān)聯(lián)項(xiàng)目的數(shù)量,本文設(shè)置其值是10。

    基于式(11)可以看出,在拉普拉斯方法運(yùn)算原始項(xiàng)目屬性矩陣過(guò)程中,無(wú)需進(jìn)行繁瑣的操作,就能夠高效率地運(yùn)算出項(xiàng)目間的相似性,具有較高的運(yùn)算效率。

    2 實(shí)驗(yàn)結(jié)果與分析

    2.1 實(shí)驗(yàn)數(shù)據(jù)

    本文實(shí)驗(yàn)分析的數(shù)據(jù)集是MovieLens,將該數(shù)據(jù)集中的832個(gè)用戶(hù)對(duì)1 489部電影的8 000條評(píng)分記錄作為實(shí)驗(yàn)數(shù)據(jù)集。同時(shí)將實(shí)驗(yàn)數(shù)據(jù)集中的75%當(dāng)成訓(xùn)練集,其余的25%當(dāng)成測(cè)試集。實(shí)驗(yàn)數(shù)據(jù)集內(nèi)存在16種全部電影的特征輸入,如愛(ài)情、劇情、恐怖等。通過(guò)預(yù)測(cè)評(píng)分和用戶(hù)實(shí)際評(píng)分間的偏差,也就是通過(guò)平均絕對(duì)誤差MAE(Mean Absolute Error)對(duì)本文算法預(yù)測(cè)評(píng)分的準(zhǔn)確度進(jìn)行檢測(cè)。

    2.2 實(shí)驗(yàn)結(jié)果分析

    2.2.1 參數(shù)[β]的最優(yōu)取值

    過(guò)高稀疏性的數(shù)據(jù)會(huì)導(dǎo)致訓(xùn)練集內(nèi)用戶(hù)評(píng)分的項(xiàng)目記錄過(guò)低,存在共同評(píng)分項(xiàng)目的用戶(hù)數(shù)十分少,用戶(hù)間的相似度很小,使得協(xié)同過(guò)濾預(yù)測(cè)分?jǐn)?shù)中存在異常評(píng)分。本文算法采用基于內(nèi)容的方法對(duì)異常評(píng)分進(jìn)行調(diào)整,實(shí)驗(yàn)設(shè)置本文算法的預(yù)測(cè)評(píng)分score<[β]時(shí)產(chǎn)生異常評(píng)分。在數(shù)據(jù)集MovieLens中,1~5分用于描述不同用戶(hù)可選擇的評(píng)分區(qū)域,1用于描述很差,5用于描述很好。用戶(hù)采用差異分?jǐn)?shù)描述自身對(duì)已看電影的偏好程度。實(shí)驗(yàn)設(shè)置[β]取[0.0,0.20,0.40,0.60,0.80,0.85,0.90,1.10,1.30,1.50],設(shè)置鄰居個(gè)數(shù)為[N=20,]實(shí)驗(yàn)結(jié)果用圖1描述。endprint

    分析圖1可得,如果[β]值是0.9,則當(dāng)預(yù)測(cè)評(píng)分低于0.9時(shí),采用基于內(nèi)容的推薦法調(diào)整異常預(yù)測(cè)評(píng)分,本文算法可有效減少預(yù)測(cè)的誤差。

    2.2.2 異常預(yù)測(cè)評(píng)分結(jié)果的數(shù)目

    實(shí)驗(yàn)采用本文算法預(yù)測(cè)不同的測(cè)試數(shù)據(jù)集的評(píng)分score,其中,[k]為預(yù)測(cè)用戶(hù)相關(guān)系數(shù),異常預(yù)測(cè)評(píng)分結(jié)果(score<0.9與score≤0)的數(shù)量,用表1和圖2描述。

    圖2 5個(gè)MovieLens 100K的數(shù)據(jù)集內(nèi)異常的預(yù)測(cè)評(píng)分結(jié)果個(gè)數(shù)

    Fig. 2 Number of abnormal prediction scores of 100K

    5 MovieLens datasets

    分析表1和圖2能夠得出,本文算法預(yù)測(cè)評(píng)分低于0.9的異常結(jié)果在總體檢測(cè)過(guò)程中存在的平均次數(shù)是97.2次,預(yù)測(cè)評(píng)分不高于0的異常結(jié)果的平均出現(xiàn)次數(shù)是61.6次。說(shuō)明本文算法可有效預(yù)測(cè)出異常評(píng)分結(jié)果,為后續(xù)的預(yù)測(cè)評(píng)分優(yōu)化提供有利基礎(chǔ),提升總體協(xié)同過(guò)濾推薦的準(zhǔn)確度。

    2.2.3 不同算法的MAE值對(duì)比

    實(shí)驗(yàn)對(duì)比分析本文算法、線性組合LCCF算法和填充偽評(píng)分CBCF算法的MAE值[9],結(jié)果用表2和圖3描述。分析表2和圖3可得,當(dāng)[N]值低于10時(shí),各種算法的預(yù)測(cè)質(zhì)量將大大降低;而當(dāng)[N]值高于10時(shí),各算法的預(yù)測(cè)質(zhì)量逐步提升。但是本文算法的MAE值低于其他兩種算法,可有效增強(qiáng)預(yù)測(cè)的精度,降低數(shù)據(jù)稀疏性產(chǎn)生的不利干擾,并且隨著[N]值的不斷提升,本文算法的預(yù)測(cè)準(zhǔn)確度趨于穩(wěn)定。

    3 結(jié) 論

    本文針對(duì)傳統(tǒng)協(xié)同過(guò)濾推薦算法無(wú)法解決數(shù)據(jù)間的高度稀疏問(wèn)題,存在預(yù)測(cè)評(píng)分精度低的問(wèn)題,提出基于局部組合優(yōu)化的協(xié)同過(guò)濾推薦算法,實(shí)現(xiàn)協(xié)同過(guò)濾預(yù)測(cè)評(píng)分精度的提高。

    參考文獻(xiàn)

    [1] 田保軍,胡培培,杜曉娟,等.Hadoop下基于聚類(lèi)協(xié)同過(guò)濾推薦算法優(yōu)化的研究[J].計(jì)算機(jī)工程與科學(xué),2016,38(8):1615?1624.

    TIAN Baojun, HU Peipei, DU Xiaojuan, et al. Optimization of the collaborative filtering recommendation algorithm based on clustering under Hadoop [J]. Computer engineering and science, 2016, 38(8): 1615?1624.

    [2] 張學(xué)錢(qián),林世平,郭昆.協(xié)同過(guò)濾推薦算法對(duì)比分析與優(yōu)化應(yīng)用[J].計(jì)算機(jī)系統(tǒng)應(yīng)用,2015,24(5):100?105.

    ZHANG Xueqian, LIN Shiping, GUO Kun. Collaborative filte?ring recommendation algorithm analysis and optimization applications [J]. Computer systems & applications, 2015, 24(5): 100?105.

    [3] 祝曉斌,蔡強(qiáng),白璐,等.一種基于標(biāo)簽和協(xié)同過(guò)濾的并行推薦算法[J].高技術(shù)通訊,2015,25(3):307?312.

    ZHU Xiaobin, CAI Qiang, BAI Lu, et al. A parallel recommendation algorithm based on tagging and collaborative filte?ring [J]. Chinese high technology letters, 2015, 25(3): 307?312.

    [4] 劉濤.基于二叉樹(shù)偏碼匿名亂序的云平臺(tái)協(xié)同計(jì)算研究[J].科技通報(bào),2016,32(7):167?171.

    LIU Tao. Cloud platform collaborative computing research based on binary tree partial code anonymous out?of?order [J]. Bulletin of science and technology, 2016, 32(7): 167?171.

    [5] 王興茂,張興明,鄔江興.基于一跳信任模型的協(xié)同過(guò)濾推薦算法[J].通信學(xué)報(bào),2015(6):193?200.

    WANG Xingmao, ZHANG Xingming, WU Jiangxing. Collabo?rative filtering recommendation algorithm based on one?jump trust model [J]. Journal on communications, 2015(6): 193?200.

    [6] 馬胡雙,石永革,高勝保.基于特征增益與多級(jí)優(yōu)化的協(xié)同過(guò)濾個(gè)性化推薦算法[J].科學(xué)技術(shù)與工程,2016,16(21):272?277.

    MA Hushuang, SHI Yongge, GAO Shengbao. A recommendation algorithm based on collaborative filtering by feature augmentation and cascade tactics [J]. Science technology and engineering, 2016, 16(21): 272?277.

    [7] 周?chē)?guó)強(qiáng),金禮仁,張文聰,等.基于用戶(hù)影響力和個(gè)性的協(xié)同過(guò)濾推薦算法[J].計(jì)算機(jī)應(yīng)用,2016,36(z1):63?66.

    ZHOU Guoqiang, JIN Liren, ZHANG Wencong, et al. Colla?borative filtering recommendation algorithm based on user inf?luence [J]. Journal of computer applications, 2016, 36(z1): 63?66.

    [8] WANG Jianian, XIAN Xiaobing. Multi?node cooperative transmission of data collection protocols for wireless sensor networks [J]. Computer simulation, 2014, 31(9): 339?342.

    [9] 趙偉,李俊鋒,韓英,等.Hadoop云平臺(tái)下的基于用戶(hù)協(xié)同過(guò)濾算法研究[J].計(jì)算機(jī)測(cè)量與控制,2015,23(6):2082?2085.

    ZHAO Wei, LI Junfeng, HAN Ying, et al. Research on user?based collaborative filtering algorithm on Hadoop platform [J]. Computer measurement & control, 2015, 23(6): 2082?2085.

    猜你喜歡
    推薦算法協(xié)同過(guò)濾局部
    局部分解 巧妙求值
    非局部AB-NLS方程的雙線性B?cklund和Darboux變換與非線性波
    基于鏈?zhǔn)酱鎯?chǔ)結(jié)構(gòu)的協(xié)同過(guò)濾推薦算法設(shè)計(jì)與實(shí)現(xiàn)
    基于相似傳播和情景聚類(lèi)的網(wǎng)絡(luò)協(xié)同過(guò)濾推薦算法研究
    社交網(wǎng)絡(luò)推薦系統(tǒng)
    基于協(xié)同過(guò)濾算法的個(gè)性化圖書(shū)推薦系統(tǒng)研究
    混合推薦算法在電影推薦中的研究與評(píng)述
    一種改進(jìn)的基于位置的推薦算法
    局部遮光器
    吳觀真漆畫(huà)作品選
    a级毛片在线看网站| 黄色怎么调成土黄色| 国产精品一区二区三区四区久久 | 后天国语完整版免费观看| 欧美不卡视频在线免费观看 | 12—13女人毛片做爰片一| 亚洲aⅴ乱码一区二区在线播放 | 久久久精品国产亚洲av高清涩受| 日韩免费高清中文字幕av| 在线观看免费视频日本深夜| 热99re8久久精品国产| 亚洲 欧美一区二区三区| 久久热在线av| 色综合站精品国产| 91麻豆精品激情在线观看国产 | 久久99一区二区三区| 亚洲av美国av| 亚洲片人在线观看| 亚洲五月色婷婷综合| 久久久久久久久久久久大奶| 亚洲熟女毛片儿| www国产在线视频色| 亚洲一码二码三码区别大吗| 激情视频va一区二区三区| 啦啦啦在线免费观看视频4| 91成年电影在线观看| 日韩欧美国产一区二区入口| 精品欧美一区二区三区在线| 免费少妇av软件| 国产高清国产精品国产三级| 男人操女人黄网站| 69av精品久久久久久| 久久中文看片网| 国产又色又爽无遮挡免费看| 村上凉子中文字幕在线| 亚洲精品成人av观看孕妇| 黄色成人免费大全| 久久久国产一区二区| 免费高清在线观看日韩| 女人高潮潮喷娇喘18禁视频| 一区二区三区激情视频| 啦啦啦在线免费观看视频4| 99在线视频只有这里精品首页| 国产av精品麻豆| 天堂动漫精品| 韩国精品一区二区三区| 久99久视频精品免费| 国产极品粉嫩免费观看在线| 亚洲性夜色夜夜综合| 伊人久久大香线蕉亚洲五| 久久精品91蜜桃| 亚洲色图av天堂| a级毛片黄视频| 又黄又爽又免费观看的视频| 高清欧美精品videossex| 国产伦一二天堂av在线观看| 啦啦啦在线免费观看视频4| xxx96com| xxx96com| 欧美最黄视频在线播放免费 | 成人三级做爰电影| 午夜福利在线观看吧| 在线视频色国产色| 一进一出抽搐gif免费好疼 | 91成年电影在线观看| 淫秽高清视频在线观看| 免费av毛片视频| 黄片小视频在线播放| 午夜a级毛片| 日韩精品中文字幕看吧| www.熟女人妻精品国产| 国产免费现黄频在线看| 新久久久久国产一级毛片| 一区二区三区激情视频| 香蕉久久夜色| 国产成人精品无人区| 他把我摸到了高潮在线观看| 亚洲中文字幕日韩| 一进一出好大好爽视频| av欧美777| 美女大奶头视频| 亚洲国产欧美日韩在线播放| 两性午夜刺激爽爽歪歪视频在线观看 | 亚洲男人的天堂狠狠| 老司机午夜十八禁免费视频| 天堂中文最新版在线下载| 丝袜在线中文字幕| 999精品在线视频| 久久久水蜜桃国产精品网| 午夜影院日韩av| 久久久久久免费高清国产稀缺| 色综合婷婷激情| 成人三级做爰电影| 国产精华一区二区三区| 亚洲av日韩精品久久久久久密| 国产主播在线观看一区二区| 12—13女人毛片做爰片一| 黄色毛片三级朝国网站| 亚洲男人的天堂狠狠| 久久久精品国产亚洲av高清涩受| 亚洲一卡2卡3卡4卡5卡精品中文| 成年人黄色毛片网站| 亚洲中文av在线| 免费日韩欧美在线观看| 热re99久久精品国产66热6| 老司机在亚洲福利影院| 脱女人内裤的视频| 黄色丝袜av网址大全| 亚洲欧美激情综合另类| 欧美黄色片欧美黄色片| 男人舔女人的私密视频| 亚洲国产精品合色在线| 婷婷丁香在线五月| 亚洲五月婷婷丁香| 国产精品av久久久久免费| 久久精品国产亚洲av香蕉五月| 男女下面进入的视频免费午夜 | 一级毛片精品| netflix在线观看网站| av超薄肉色丝袜交足视频| 日本a在线网址| 欧美午夜高清在线| 午夜日韩欧美国产| 精品国产乱子伦一区二区三区| 性欧美人与动物交配| 午夜精品在线福利| 深夜精品福利| 在线免费观看的www视频| avwww免费| 看黄色毛片网站| 一区二区三区精品91| 亚洲五月婷婷丁香| 久久精品国产亚洲av香蕉五月| 亚洲熟女毛片儿| 777久久人妻少妇嫩草av网站| 国产激情久久老熟女| 亚洲情色 制服丝袜| 黄色视频不卡| 亚洲成人免费av在线播放| 久久国产精品男人的天堂亚洲| 国产乱人伦免费视频| 欧美日韩av久久| 狂野欧美激情性xxxx| 亚洲黑人精品在线| 天堂中文最新版在线下载| 男女下面进入的视频免费午夜 | 极品教师在线免费播放| 在线观看66精品国产| 在线观看www视频免费| 久久影院123| 欧美乱妇无乱码| 亚洲黑人精品在线| 久久香蕉精品热| 国产精品乱码一区二三区的特点 | 中文字幕色久视频| 交换朋友夫妻互换小说| 国产有黄有色有爽视频| 又大又爽又粗| 久9热在线精品视频| 国产精品成人在线| 亚洲国产看品久久| 国产成年人精品一区二区 | 久久九九热精品免费| 久久性视频一级片| 久9热在线精品视频| 欧美人与性动交α欧美精品济南到| 老司机午夜福利在线观看视频| 视频区图区小说| 一级片'在线观看视频| 国产97色在线日韩免费| 成人国产一区最新在线观看| 久久欧美精品欧美久久欧美| 美女高潮喷水抽搐中文字幕| 成在线人永久免费视频| 色综合站精品国产| 国产91精品成人一区二区三区| 日韩欧美免费精品| 久9热在线精品视频| 亚洲人成电影免费在线| 婷婷精品国产亚洲av在线| 欧美乱码精品一区二区三区| 91老司机精品| 在线观看日韩欧美| 在线观看免费午夜福利视频| 久久香蕉国产精品| 免费搜索国产男女视频| av在线天堂中文字幕 | 母亲3免费完整高清在线观看| 国产av在哪里看| 国产乱人伦免费视频| 中文字幕精品免费在线观看视频| 咕卡用的链子| 欧美日韩国产mv在线观看视频| 午夜福利影视在线免费观看| 亚洲欧洲精品一区二区精品久久久| 老司机午夜十八禁免费视频| 大型av网站在线播放| 大陆偷拍与自拍| 日韩欧美三级三区| 五月开心婷婷网| 19禁男女啪啪无遮挡网站| 亚洲欧美精品综合一区二区三区| 老司机亚洲免费影院| 老司机深夜福利视频在线观看| 国产精品一区二区在线不卡| 国产99久久九九免费精品| 夜夜躁狠狠躁天天躁| 美女福利国产在线| 免费在线观看视频国产中文字幕亚洲| 亚洲色图av天堂| 国产深夜福利视频在线观看| 国产xxxxx性猛交| 亚洲熟妇中文字幕五十中出 | 免费在线观看视频国产中文字幕亚洲| 国产成人啪精品午夜网站| 中亚洲国语对白在线视频| 精品一区二区三区视频在线观看免费 | 亚洲情色 制服丝袜| 精品久久久久久成人av| 国产精品 欧美亚洲| 国产av一区在线观看免费| 国产av一区在线观看免费| 国产精品秋霞免费鲁丝片| 精品久久久久久成人av| 免费av中文字幕在线| 成人亚洲精品av一区二区 | 黑人巨大精品欧美一区二区蜜桃| 97碰自拍视频| av视频免费观看在线观看| 国产真人三级小视频在线观看| 国产一区在线观看成人免费| 成人三级黄色视频| 亚洲熟妇中文字幕五十中出 | 中文字幕av电影在线播放| 久久精品亚洲精品国产色婷小说| 一边摸一边做爽爽视频免费| 精品电影一区二区在线| 乱人伦中国视频| 国产av一区二区精品久久| 最好的美女福利视频网| 成人av一区二区三区在线看| 精品国产美女av久久久久小说| 后天国语完整版免费观看| 国产激情欧美一区二区| 久久国产精品男人的天堂亚洲| 国产精品久久视频播放| 丁香六月欧美| 国产xxxxx性猛交| 国产av又大| 成年女人毛片免费观看观看9| 9热在线视频观看99| 18禁国产床啪视频网站| 一边摸一边抽搐一进一小说| 日日爽夜夜爽网站| 99re在线观看精品视频| 18禁裸乳无遮挡免费网站照片 | 欧美一区二区精品小视频在线| 男女之事视频高清在线观看| 天堂影院成人在线观看| 精品一区二区三区视频在线观看免费 | av国产精品久久久久影院| 777久久人妻少妇嫩草av网站| 国产野战对白在线观看| 狠狠狠狠99中文字幕| 久久中文字幕一级| 中亚洲国语对白在线视频| 国内久久婷婷六月综合欲色啪| 9色porny在线观看| 少妇粗大呻吟视频| 纯流量卡能插随身wifi吗| 在线永久观看黄色视频| 琪琪午夜伦伦电影理论片6080| 欧美日韩亚洲综合一区二区三区_| 一级作爱视频免费观看| 我的亚洲天堂| 久久这里只有精品19| 99国产精品99久久久久| 老司机靠b影院| 无遮挡黄片免费观看| 日韩 欧美 亚洲 中文字幕| 国产高清视频在线播放一区| 精品人妻在线不人妻| 天天影视国产精品| 在线观看免费午夜福利视频| 美女午夜性视频免费| 高清欧美精品videossex| 亚洲国产精品合色在线| 久久精品国产99精品国产亚洲性色 | 成在线人永久免费视频| 亚洲七黄色美女视频| 精品国产乱码久久久久久男人| 一个人观看的视频www高清免费观看 | 亚洲欧美日韩另类电影网站| 久久久久久免费高清国产稀缺| 激情视频va一区二区三区| 久久久国产成人精品二区 | 淫妇啪啪啪对白视频| 亚洲三区欧美一区| 午夜免费观看网址| 欧美激情高清一区二区三区| 色婷婷av一区二区三区视频| 久久国产精品人妻蜜桃| 777久久人妻少妇嫩草av网站| 午夜激情av网站| 久久精品亚洲精品国产色婷小说| 在线观看免费视频日本深夜| 男人舔女人下体高潮全视频| 免费高清在线观看日韩| 国产精华一区二区三区| 国产亚洲欧美98| 美女扒开内裤让男人捅视频| 亚洲av成人一区二区三| 不卡一级毛片| 宅男免费午夜| 母亲3免费完整高清在线观看| 性少妇av在线| 国产精品亚洲一级av第二区| 精品久久久精品久久久| 搡老熟女国产l中国老女人| 亚洲专区国产一区二区| 欧美一区二区精品小视频在线| 99国产极品粉嫩在线观看| 免费少妇av软件| 欧美黑人精品巨大| 亚洲人成77777在线视频| 国产精华一区二区三区| 欧洲精品卡2卡3卡4卡5卡区| 精品一区二区三区av网在线观看| 亚洲精品一卡2卡三卡4卡5卡| 伊人久久大香线蕉亚洲五| 欧美黄色片欧美黄色片| 亚洲性夜色夜夜综合| 99精国产麻豆久久婷婷| 午夜精品久久久久久毛片777| 极品人妻少妇av视频| 最近最新中文字幕大全电影3 | 久久天堂一区二区三区四区| 一区福利在线观看| 国产精品自产拍在线观看55亚洲| tocl精华| 国产人伦9x9x在线观看| 手机成人av网站| 亚洲国产毛片av蜜桃av| 黑丝袜美女国产一区| 九色亚洲精品在线播放| 精品国产超薄肉色丝袜足j| 一进一出好大好爽视频| 精品免费久久久久久久清纯| 久久久精品国产亚洲av高清涩受| 日韩大尺度精品在线看网址 | 亚洲欧美精品综合久久99| av网站在线播放免费| 国产乱人伦免费视频| 日本欧美视频一区| 人成视频在线观看免费观看| 成人18禁在线播放| 变态另类成人亚洲欧美熟女 | 在线观看舔阴道视频| 美女国产高潮福利片在线看| 国产又爽黄色视频| 亚洲av日韩精品久久久久久密| 夜夜爽天天搞| 久久久国产一区二区| 又黄又粗又硬又大视频| 12—13女人毛片做爰片一| www.999成人在线观看| 99精国产麻豆久久婷婷| 极品人妻少妇av视频| 国产成人精品久久二区二区免费| 亚洲中文字幕日韩| 国产欧美日韩一区二区三| 国产熟女午夜一区二区三区| 两人在一起打扑克的视频| 亚洲在线自拍视频| 精品国产亚洲在线| 亚洲视频免费观看视频| 精品免费久久久久久久清纯| 精品久久蜜臀av无| 国产精品久久久久成人av| 亚洲精品中文字幕在线视频| 亚洲熟女毛片儿| 岛国视频午夜一区免费看| 亚洲aⅴ乱码一区二区在线播放 | 一二三四在线观看免费中文在| 亚洲欧美激情在线| 国产在线观看jvid| 中国美女看黄片| 熟女少妇亚洲综合色aaa.| 欧美性长视频在线观看| 亚洲全国av大片| 波多野结衣av一区二区av| 国产有黄有色有爽视频| 熟女少妇亚洲综合色aaa.| 亚洲午夜理论影院| 中文字幕精品免费在线观看视频| 9191精品国产免费久久| 男女午夜视频在线观看| 久久中文字幕一级| 久久久国产一区二区| 激情视频va一区二区三区| 久久精品人人爽人人爽视色| 中文字幕色久视频| 在线观看免费视频日本深夜| 视频区欧美日本亚洲| 性欧美人与动物交配| 麻豆成人av在线观看| 久久人妻福利社区极品人妻图片| 老司机福利观看| 999久久久精品免费观看国产| 嫩草影院精品99| 校园春色视频在线观看| 在线观看免费视频日本深夜| 99在线人妻在线中文字幕| 亚洲欧美精品综合久久99| 日本黄色视频三级网站网址| 亚洲av日韩精品久久久久久密| www.熟女人妻精品国产| 久久人人97超碰香蕉20202| 精品福利永久在线观看| 人妻丰满熟妇av一区二区三区| 国产xxxxx性猛交| 国产成人影院久久av| 国产成人免费无遮挡视频| 亚洲国产毛片av蜜桃av| 亚洲国产欧美一区二区综合| 黄色毛片三级朝国网站| 亚洲视频免费观看视频| aaaaa片日本免费| 久热爱精品视频在线9| 国产91精品成人一区二区三区| 午夜精品在线福利| 人人澡人人妻人| 国产欧美日韩一区二区三区在线| 露出奶头的视频| 最新在线观看一区二区三区| 国产精品久久久久成人av| 少妇被粗大的猛进出69影院| 又大又爽又粗| 黄色a级毛片大全视频| 午夜视频精品福利| 视频区欧美日本亚洲| 中文欧美无线码| 久久久久久久久中文| 欧美黑人精品巨大| 日本 av在线| 91国产中文字幕| 久久人妻av系列| 老汉色∧v一级毛片| 久久精品影院6| 男人的好看免费观看在线视频 | 每晚都被弄得嗷嗷叫到高潮| 日本精品一区二区三区蜜桃| 国产1区2区3区精品| 久久国产精品男人的天堂亚洲| 在线观看午夜福利视频| 香蕉久久夜色| 99精品欧美一区二区三区四区| 久久精品91无色码中文字幕| 制服人妻中文乱码| 亚洲专区中文字幕在线| 免费高清在线观看日韩| 高清av免费在线| 欧美精品亚洲一区二区| 国产精品香港三级国产av潘金莲| 成年人黄色毛片网站| 亚洲色图综合在线观看| 久久欧美精品欧美久久欧美| a级毛片在线看网站| 夜夜躁狠狠躁天天躁| 日韩精品青青久久久久久| 国产有黄有色有爽视频| 亚洲一区高清亚洲精品| 国产精品99久久99久久久不卡| 欧美日本中文国产一区发布| 在线av久久热| 国产精品亚洲一级av第二区| 国产91精品成人一区二区三区| 制服诱惑二区| 在线观看舔阴道视频| 欧美午夜高清在线| 在线观看日韩欧美| 亚洲自偷自拍图片 自拍| 亚洲国产看品久久| 两性夫妻黄色片| 国产成人精品久久二区二区免费| 亚洲精品一区av在线观看| 51午夜福利影视在线观看| 法律面前人人平等表现在哪些方面| 一进一出抽搐gif免费好疼 | 成年人黄色毛片网站| 怎么达到女性高潮| 999久久久国产精品视频| 极品教师在线免费播放| 国产精品一区二区在线不卡| 亚洲熟女毛片儿| 黑丝袜美女国产一区| 欧美丝袜亚洲另类 | 久久久国产成人精品二区 | 欧美激情 高清一区二区三区| 国产欧美日韩一区二区精品| 无限看片的www在线观看| 欧美午夜高清在线| 一进一出抽搐动态| 香蕉久久夜色| 亚洲片人在线观看| 国产欧美日韩一区二区精品| 亚洲专区字幕在线| 宅男免费午夜| 极品人妻少妇av视频| 9热在线视频观看99| 91精品三级在线观看| 十分钟在线观看高清视频www| 亚洲人成网站在线播放欧美日韩| 国产又爽黄色视频| 国产欧美日韩精品亚洲av| 久久九九热精品免费| 又黄又粗又硬又大视频| a级片在线免费高清观看视频| 交换朋友夫妻互换小说| 午夜成年电影在线免费观看| 精品国产超薄肉色丝袜足j| 国产av一区二区精品久久| 欧美成狂野欧美在线观看| netflix在线观看网站| 国产不卡一卡二| 久久香蕉激情| 香蕉久久夜色| 男人舔女人下体高潮全视频| 老司机午夜十八禁免费视频| 久久久久久免费高清国产稀缺| 欧美日韩亚洲综合一区二区三区_| 欧美大码av| 久久亚洲精品不卡| 大码成人一级视频| av免费在线观看网站| 国产一区二区三区在线臀色熟女 | 日韩大尺度精品在线看网址 | 亚洲第一欧美日韩一区二区三区| 妹子高潮喷水视频| 国产精品爽爽va在线观看网站 | 一进一出好大好爽视频| 日韩一卡2卡3卡4卡2021年| 国产精品99久久99久久久不卡| 一二三四社区在线视频社区8| 欧美一级毛片孕妇| 神马国产精品三级电影在线观看 | 欧美老熟妇乱子伦牲交| 欧美成人免费av一区二区三区| 啦啦啦免费观看视频1| 成人三级做爰电影| 久久国产精品男人的天堂亚洲| 精品午夜福利视频在线观看一区| 国产精品久久久av美女十八| 亚洲成国产人片在线观看| 无遮挡黄片免费观看| 在线av久久热| 成人三级黄色视频| 人妻久久中文字幕网| 国产xxxxx性猛交| 99久久综合精品五月天人人| 日韩精品免费视频一区二区三区| 日本撒尿小便嘘嘘汇集6| 亚洲少妇的诱惑av| 日韩一卡2卡3卡4卡2021年| 国产三级在线视频| 亚洲成a人片在线一区二区| 亚洲精品在线观看二区| 国产麻豆69| 日韩欧美国产一区二区入口| 视频区图区小说| www.自偷自拍.com| 大香蕉久久成人网| 欧美乱色亚洲激情| 满18在线观看网站| 岛国在线观看网站| 久久久久久久精品吃奶| 欧美日韩av久久| 丝袜人妻中文字幕| 亚洲精品中文字幕在线视频| 一区二区三区精品91| 超碰97精品在线观看| 久久香蕉激情| 伊人久久大香线蕉亚洲五| 亚洲欧美激情综合另类| 神马国产精品三级电影在线观看 | 热99re8久久精品国产| www.自偷自拍.com| x7x7x7水蜜桃| 天天影视国产精品| 午夜成年电影在线免费观看| 国产av一区二区精品久久| 久久久久精品国产欧美久久久| 国产精品国产av在线观看| 久久久久精品国产欧美久久久| 他把我摸到了高潮在线观看| 制服人妻中文乱码| 亚洲精品美女久久av网站| 亚洲av片天天在线观看| 久久久久久大精品| 日韩国内少妇激情av| 欧美在线一区亚洲| 亚洲专区国产一区二区| 亚洲人成电影观看| 日韩中文字幕欧美一区二区| 欧美色视频一区免费| 国产欧美日韩一区二区三区在线| 三级毛片av免费| 精品人妻1区二区| 女人被狂操c到高潮| 一区二区日韩欧美中文字幕| 美女扒开内裤让男人捅视频| 国产精品久久久人人做人人爽| 制服人妻中文乱码| 啦啦啦 在线观看视频| 色综合婷婷激情|