• <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
    国产一区二区激情短视频 | 国产极品粉嫩免费观看在线| 午夜福利一区二区在线看| 午夜免费鲁丝| 成年人黄色毛片网站| 久久精品国产亚洲av高清一级| 亚洲成av片中文字幕在线观看| 亚洲久久久国产精品| av不卡在线播放| 久久久久久久久免费视频了| 精品欧美一区二区三区在线| 操出白浆在线播放| 亚洲一区二区三区欧美精品| 老司机影院毛片| 十八禁网站网址无遮挡| 国产真人三级小视频在线观看| 女人高潮潮喷娇喘18禁视频| 麻豆乱淫一区二区| 亚洲欧美日韩高清在线视频 | 久久人妻福利社区极品人妻图片| 欧美黄色片欧美黄色片| 亚洲少妇的诱惑av| 欧美亚洲日本最大视频资源| 免费一级毛片在线播放高清视频 | 侵犯人妻中文字幕一二三四区| 91老司机精品| 99热网站在线观看| 日本av免费视频播放| 肉色欧美久久久久久久蜜桃| 两个人免费观看高清视频| 成年av动漫网址| a 毛片基地| 国产99久久九九免费精品| 久久综合国产亚洲精品| av国产精品久久久久影院| 菩萨蛮人人尽说江南好唐韦庄| 18禁裸乳无遮挡动漫免费视频| 爱豆传媒免费全集在线观看| 免费av中文字幕在线| 久久精品国产综合久久久| 在线 av 中文字幕| 一级毛片精品| 欧美乱码精品一区二区三区| 久久久久久亚洲精品国产蜜桃av| 亚洲黑人精品在线| 久久人人97超碰香蕉20202| 99国产极品粉嫩在线观看| 99国产极品粉嫩在线观看| 成年av动漫网址| 777久久人妻少妇嫩草av网站| 亚洲专区字幕在线| 青青草视频在线视频观看| 日韩大片免费观看网站| 欧美日韩一级在线毛片| 制服诱惑二区| 汤姆久久久久久久影院中文字幕| 欧美xxⅹ黑人| 俄罗斯特黄特色一大片| 叶爱在线成人免费视频播放| 久久国产精品大桥未久av| 免费观看av网站的网址| 最近最新免费中文字幕在线| 91av网站免费观看| 男女免费视频国产| a在线观看视频网站| 久久性视频一级片| 久久女婷五月综合色啪小说| 亚洲av日韩精品久久久久久密| 人人妻人人爽人人添夜夜欢视频| 欧美黑人欧美精品刺激| 欧美午夜高清在线| 十八禁高潮呻吟视频| 蜜桃国产av成人99| 老司机在亚洲福利影院| 午夜福利影视在线免费观看| 中文字幕精品免费在线观看视频| 午夜福利影视在线免费观看| av国产精品久久久久影院| 亚洲精品av麻豆狂野| 丝袜美足系列| 欧美国产精品va在线观看不卡| 国产老妇伦熟女老妇高清| 国产精品熟女久久久久浪| 在线观看舔阴道视频| 色老头精品视频在线观看| 日日摸夜夜添夜夜添小说| 99久久综合免费| 人人妻人人添人人爽欧美一区卜| 女性被躁到高潮视频| 少妇 在线观看| 久久人人97超碰香蕉20202| 丝瓜视频免费看黄片| 免费在线观看影片大全网站| 女人被躁到高潮嗷嗷叫费观| 亚洲全国av大片| 在线亚洲精品国产二区图片欧美| 两性午夜刺激爽爽歪歪视频在线观看 | 女人被躁到高潮嗷嗷叫费观| 亚洲精品国产区一区二| 精品亚洲乱码少妇综合久久| 性色av一级| 美女视频免费永久观看网站| 欧美亚洲日本最大视频资源| 亚洲精品中文字幕在线视频| 国产精品一二三区在线看| 免费在线观看影片大全网站| 国产精品久久久久久精品古装| 国产精品熟女久久久久浪| 午夜日韩欧美国产| 国产一区二区 视频在线| 大片电影免费在线观看免费| 国产精品 欧美亚洲| 夫妻午夜视频| 大香蕉久久成人网| 国产精品久久久久久人妻精品电影 | svipshipincom国产片| 日韩中文字幕视频在线看片| 操美女的视频在线观看| 极品人妻少妇av视频| 欧美日韩成人在线一区二区| 黄色片一级片一级黄色片| 操美女的视频在线观看| 国产欧美日韩一区二区精品| 18在线观看网站| 精品国产乱码久久久久久男人| 美女脱内裤让男人舔精品视频| 欧美激情极品国产一区二区三区| 日本精品一区二区三区蜜桃| videosex国产| 欧美日本中文国产一区发布| 免费在线观看完整版高清| 天天影视国产精品| 亚洲全国av大片| 亚洲av电影在线观看一区二区三区| 建设人人有责人人尽责人人享有的| 精品一区二区三区四区五区乱码| 亚洲一区二区三区欧美精品| 国产男人的电影天堂91| 精品一区在线观看国产| 男男h啪啪无遮挡| av电影中文网址| 美女视频免费永久观看网站| 丁香六月天网| 日本精品一区二区三区蜜桃| 国产精品自产拍在线观看55亚洲 | 久久中文字幕一级| 久久久久国产精品人妻一区二区| 99国产极品粉嫩在线观看| 久久久久精品人妻al黑| 男女下面插进去视频免费观看| 青草久久国产| 别揉我奶头~嗯~啊~动态视频 | 欧美 亚洲 国产 日韩一| 亚洲午夜精品一区,二区,三区| 一边摸一边做爽爽视频免费| 中文字幕制服av| 成人国产一区最新在线观看| 日本五十路高清| 丰满少妇做爰视频| 丝袜美足系列| 久久精品亚洲熟妇少妇任你| 色老头精品视频在线观看| 日韩一区二区三区影片| 国产一级毛片在线| 久久精品国产a三级三级三级| 欧美精品高潮呻吟av久久| 高清视频免费观看一区二区| 十八禁网站免费在线| 国产精品.久久久| 18禁黄网站禁片午夜丰满| 看免费av毛片| 亚洲三区欧美一区| 国产日韩欧美在线精品| 一区福利在线观看| 91成年电影在线观看| 精品福利永久在线观看| 汤姆久久久久久久影院中文字幕| 视频区图区小说| √禁漫天堂资源中文www| 中文字幕高清在线视频| 亚洲精品中文字幕在线视频| 午夜免费观看性视频| 午夜福利,免费看| 99国产综合亚洲精品| 99国产精品一区二区蜜桃av | www日本在线高清视频| 女人被躁到高潮嗷嗷叫费观| 人人妻人人爽人人添夜夜欢视频| 亚洲黑人精品在线| 亚洲精品乱久久久久久| 欧美大码av| 国产亚洲午夜精品一区二区久久| 国产99久久九九免费精品| 国产高清国产精品国产三级| 欧美乱码精品一区二区三区| 日韩一区二区三区影片| 巨乳人妻的诱惑在线观看| 人人妻人人澡人人爽人人夜夜| 久久久久久久久久久久大奶| 久久精品亚洲av国产电影网| 狂野欧美激情性xxxx| 精品少妇久久久久久888优播| 老熟妇乱子伦视频在线观看 | 18禁国产床啪视频网站| 十八禁网站网址无遮挡| 最近最新免费中文字幕在线| 一本—道久久a久久精品蜜桃钙片| 国产成人免费观看mmmm| 国产成人免费观看mmmm| av天堂久久9| 欧美国产精品va在线观看不卡| 激情视频va一区二区三区| 成年动漫av网址| 91成年电影在线观看| 国产福利在线免费观看视频| 视频区图区小说| 欧美精品av麻豆av| 久久99热这里只频精品6学生| 亚洲精品av麻豆狂野| 黑人欧美特级aaaaaa片| 2018国产大陆天天弄谢| 99久久精品国产亚洲精品| 在线观看免费午夜福利视频| 亚洲美女黄色视频免费看| 嫁个100分男人电影在线观看| 国产欧美日韩一区二区精品| 女警被强在线播放| 国产欧美日韩综合在线一区二区| 亚洲欧美成人综合另类久久久| 波多野结衣一区麻豆| 纵有疾风起免费观看全集完整版| 久久免费观看电影| 老鸭窝网址在线观看| 免费女性裸体啪啪无遮挡网站| 美女高潮到喷水免费观看| 高清视频免费观看一区二区| 一本一本久久a久久精品综合妖精| 高清视频免费观看一区二区| www.av在线官网国产| 亚洲第一青青草原| 国产av精品麻豆| 国产欧美日韩综合在线一区二区| e午夜精品久久久久久久| 爱豆传媒免费全集在线观看| 一区二区av电影网| 欧美精品一区二区免费开放| 亚洲人成电影观看| 成年人黄色毛片网站| 一区二区av电影网| 国产一区二区在线观看av| 十八禁人妻一区二区| tocl精华| 热99re8久久精品国产| 亚洲国产av影院在线观看| 99久久精品国产亚洲精品| 极品人妻少妇av视频| 日韩一卡2卡3卡4卡2021年| svipshipincom国产片| 50天的宝宝边吃奶边哭怎么回事| 看免费av毛片| 国产精品久久久久成人av| 十八禁网站网址无遮挡| 香蕉丝袜av| 免费看十八禁软件| 中亚洲国语对白在线视频| 男人操女人黄网站| 免费久久久久久久精品成人欧美视频| 亚洲 欧美一区二区三区| 建设人人有责人人尽责人人享有的| 巨乳人妻的诱惑在线观看| 男女之事视频高清在线观看| 免费不卡黄色视频| 91精品伊人久久大香线蕉| 亚洲欧美激情在线| 久久久精品免费免费高清| 亚洲一码二码三码区别大吗| 成人黄色视频免费在线看| 国产一区二区在线观看av| 亚洲国产中文字幕在线视频| 99久久99久久久精品蜜桃| 亚洲五月色婷婷综合| av线在线观看网站| tube8黄色片| 一区福利在线观看| 99国产综合亚洲精品| 亚洲国产欧美一区二区综合| 亚洲av男天堂| 大片电影免费在线观看免费| 久久热在线av| 国产精品一区二区在线不卡| 黄色毛片三级朝国网站| 国产成人a∨麻豆精品| 亚洲自偷自拍图片 自拍| 黄色视频在线播放观看不卡| 99久久人妻综合| 国产不卡av网站在线观看| 成人亚洲精品一区在线观看| 别揉我奶头~嗯~啊~动态视频 | 天天躁夜夜躁狠狠躁躁| 日本黄色日本黄色录像| 中文字幕人妻丝袜制服| 1024视频免费在线观看| 国产一区二区三区av在线| 午夜激情久久久久久久| 亚洲国产精品一区三区| 亚洲 欧美一区二区三区| 999精品在线视频| 91成年电影在线观看| 久久久国产成人免费| 精品久久久久久电影网| 黄色毛片三级朝国网站| 欧美激情久久久久久爽电影 | 日韩大码丰满熟妇| 亚洲成国产人片在线观看| 国产精品99久久99久久久不卡| 黄色 视频免费看| 日韩视频在线欧美| 久久女婷五月综合色啪小说| 亚洲伊人久久精品综合| 97人妻天天添夜夜摸| 日韩三级视频一区二区三区| 夜夜夜夜夜久久久久| 亚洲专区国产一区二区| 日韩三级视频一区二区三区| 久久久久国产一级毛片高清牌| 热99国产精品久久久久久7| 少妇精品久久久久久久| 国产成人影院久久av| 精品少妇内射三级| 日韩 欧美 亚洲 中文字幕| 一区二区三区精品91| 法律面前人人平等表现在哪些方面 | 热re99久久国产66热| av天堂在线播放| 国产亚洲精品久久久久5区| 免费av中文字幕在线| 免费日韩欧美在线观看| 99久久人妻综合| 五月开心婷婷网| 精品国产乱码久久久久久小说| 亚洲精品久久午夜乱码| 建设人人有责人人尽责人人享有的| 日韩电影二区| 亚洲欧美精品自产自拍| 99热网站在线观看| 99九九在线精品视频| 欧美+亚洲+日韩+国产| 中文字幕人妻丝袜一区二区| 欧美成狂野欧美在线观看| 成人18禁高潮啪啪吃奶动态图| 久久久久网色| 国产成人系列免费观看| 男女免费视频国产| 各种免费的搞黄视频| 淫妇啪啪啪对白视频 | 飞空精品影院首页| 国产一卡二卡三卡精品| 久久久久国内视频| 欧美中文综合在线视频| 黄色a级毛片大全视频| 性色av一级| 高清视频免费观看一区二区| 精品国产一区二区久久| 精品一区二区三区av网在线观看 | 视频区图区小说| 午夜免费鲁丝| 欧美亚洲日本最大视频资源| 亚洲成人国产一区在线观看| 男女边摸边吃奶| 国产人伦9x9x在线观看| 午夜两性在线视频| 他把我摸到了高潮在线观看 | 亚洲国产日韩一区二区| 91麻豆精品激情在线观看国产 | 99国产精品免费福利视频| 俄罗斯特黄特色一大片| 国产成人欧美在线观看 | 亚洲九九香蕉| 久久这里只有精品19| 亚洲精品久久午夜乱码| 蜜桃国产av成人99| 日韩视频一区二区在线观看| 美女主播在线视频| 国产人伦9x9x在线观看| 悠悠久久av| 亚洲国产日韩一区二区| 久久性视频一级片| 亚洲精品av麻豆狂野| 国产xxxxx性猛交| 大香蕉久久成人网| 亚洲精品av麻豆狂野| 久久久久久久大尺度免费视频| 日韩熟女老妇一区二区性免费视频| 精品久久久久久电影网| 日日夜夜操网爽| 好男人电影高清在线观看| 狠狠狠狠99中文字幕| 国产片内射在线| 精品国产超薄肉色丝袜足j| 人人妻人人澡人人爽人人夜夜| 99热网站在线观看| 国产精品久久久久久精品电影小说| 免费在线观看完整版高清| av福利片在线| 欧美日韩av久久| 久久久久精品人妻al黑| 国产欧美日韩一区二区精品| 国产成+人综合+亚洲专区| 青春草视频在线免费观看| 亚洲激情五月婷婷啪啪| 18禁裸乳无遮挡动漫免费视频| 国产成人精品久久二区二区免费| 亚洲 国产 在线| 日韩 欧美 亚洲 中文字幕| 欧美成狂野欧美在线观看| 午夜福利影视在线免费观看| 免费在线观看完整版高清| 国产男人的电影天堂91| 秋霞在线观看毛片| 肉色欧美久久久久久久蜜桃| 一级毛片女人18水好多| 亚洲av日韩精品久久久久久密| 久久精品国产亚洲av香蕉五月 | 我要看黄色一级片免费的| 91麻豆精品激情在线观看国产 | 人人澡人人妻人| 天天影视国产精品| 精品熟女少妇八av免费久了| 国产精品99久久99久久久不卡| 女人久久www免费人成看片| svipshipincom国产片| 亚洲av成人不卡在线观看播放网 | 久久精品亚洲熟妇少妇任你| 亚洲精品粉嫩美女一区| 日本猛色少妇xxxxx猛交久久| 国产深夜福利视频在线观看| 最新的欧美精品一区二区| 国产亚洲精品一区二区www | 精品少妇久久久久久888优播| 少妇精品久久久久久久| 亚洲熟女精品中文字幕| 色老头精品视频在线观看| 欧美激情极品国产一区二区三区| 欧美另类一区| 女人高潮潮喷娇喘18禁视频| 制服诱惑二区| 国产精品1区2区在线观看. | 老司机午夜十八禁免费视频| 日韩 亚洲 欧美在线| 大陆偷拍与自拍| av在线播放精品| 精品人妻在线不人妻| 国产极品粉嫩免费观看在线| 亚洲一区中文字幕在线| 国产欧美日韩精品亚洲av| 多毛熟女@视频| 97在线人人人人妻| 一区二区三区精品91| av不卡在线播放| www.av在线官网国产| www.精华液| 午夜福利视频在线观看免费| 欧美亚洲 丝袜 人妻 在线| 欧美 亚洲 国产 日韩一| 亚洲av日韩精品久久久久久密| 精品第一国产精品| 国产精品香港三级国产av潘金莲| 国产区一区二久久| 亚洲精品国产av蜜桃| 香蕉国产在线看| 亚洲国产精品成人久久小说| 女人久久www免费人成看片| 欧美大码av| 欧美97在线视频| 99久久精品国产亚洲精品| 不卡一级毛片| 天天操日日干夜夜撸| 免费一级毛片在线播放高清视频 | 国产成人精品久久二区二区免费| 日韩 欧美 亚洲 中文字幕| 精品国产乱码久久久久久小说| 亚洲五月色婷婷综合| 亚洲欧美一区二区三区黑人| av国产精品久久久久影院| 午夜福利乱码中文字幕| 亚洲免费av在线视频| 欧美日韩亚洲高清精品| 一级,二级,三级黄色视频| 美国免费a级毛片| 欧美激情极品国产一区二区三区| 亚洲精品国产一区二区精华液| 巨乳人妻的诱惑在线观看| a级毛片在线看网站| 精品卡一卡二卡四卡免费| 亚洲精品美女久久av网站| 国产精品 欧美亚洲| 涩涩av久久男人的天堂| 波多野结衣一区麻豆| 狂野欧美激情性bbbbbb| 51午夜福利影视在线观看| 少妇猛男粗大的猛烈进出视频| 久久精品aⅴ一区二区三区四区| 久久久久国产一级毛片高清牌| 亚洲成人免费av在线播放| 操美女的视频在线观看| 欧美日韩亚洲高清精品| 1024视频免费在线观看| 99国产精品一区二区三区| 国产精品自产拍在线观看55亚洲 | 男人添女人高潮全过程视频| 亚洲国产av新网站| 国产亚洲一区二区精品| 国产精品 国内视频| 色婷婷久久久亚洲欧美| 大陆偷拍与自拍| 亚洲国产欧美网| 成人亚洲精品一区在线观看| 久久久久久久精品精品| 国产伦理片在线播放av一区| av一本久久久久| 午夜福利乱码中文字幕| 日韩大片免费观看网站| 国产亚洲精品第一综合不卡| 亚洲成国产人片在线观看| 亚洲国产毛片av蜜桃av| 99久久精品国产亚洲精品| 自线自在国产av| 美女主播在线视频| 婷婷成人精品国产| 中国美女看黄片| 国产精品久久久久久精品电影小说| 19禁男女啪啪无遮挡网站| 日本av手机在线免费观看| 18禁国产床啪视频网站| 黑人猛操日本美女一级片| 亚洲精品久久成人aⅴ小说| 亚洲精品国产一区二区精华液| 少妇精品久久久久久久| 亚洲国产av影院在线观看| 自线自在国产av| 热99re8久久精品国产| 每晚都被弄得嗷嗷叫到高潮| 黄片大片在线免费观看| 97人妻天天添夜夜摸| 母亲3免费完整高清在线观看| 午夜激情av网站| 香蕉丝袜av| 丝袜美足系列| 国产在线视频一区二区| 中文精品一卡2卡3卡4更新| 午夜影院在线不卡| 777米奇影视久久| 青春草视频在线免费观看| 国产亚洲午夜精品一区二区久久| 久久亚洲精品不卡| 欧美另类一区| 1024香蕉在线观看| www.精华液| 久久亚洲精品不卡| 欧美另类一区| 国产又色又爽无遮挡免| svipshipincom国产片| 国产免费av片在线观看野外av| 国产男人的电影天堂91| 在线观看人妻少妇| 国产成人欧美在线观看 | 成人国语在线视频| 天天躁狠狠躁夜夜躁狠狠躁| 国产精品亚洲av一区麻豆| 精品亚洲成a人片在线观看| 成人国产av品久久久| 秋霞在线观看毛片| 欧美成狂野欧美在线观看| 午夜视频精品福利| 久久精品久久久久久噜噜老黄| 黑人巨大精品欧美一区二区蜜桃| 少妇人妻久久综合中文| 91成人精品电影| 国产成人欧美在线观看 | 亚洲avbb在线观看| 国产主播在线观看一区二区| 高清在线国产一区| 黄片小视频在线播放| 亚洲欧美日韩高清在线视频 | 国产精品九九99| 亚洲av成人一区二区三| 免费女性裸体啪啪无遮挡网站| 欧美人与性动交α欧美软件| 久久99一区二区三区| 精品福利观看| a在线观看视频网站| 另类精品久久| 国产极品粉嫩免费观看在线| 国产在线一区二区三区精| 18禁裸乳无遮挡动漫免费视频| 欧美在线黄色| 多毛熟女@视频| 男女床上黄色一级片免费看| 一级毛片精品| 丝袜美腿诱惑在线| 在线 av 中文字幕| 久久精品成人免费网站| 动漫黄色视频在线观看| 99久久国产精品久久久| 涩涩av久久男人的天堂| 人妻久久中文字幕网| 18禁国产床啪视频网站| 久久久久久久精品精品| 91成年电影在线观看| 两性午夜刺激爽爽歪歪视频在线观看 | 在线观看免费高清a一片| 老司机影院毛片| 亚洲va日本ⅴa欧美va伊人久久 | 大码成人一级视频| 午夜福利乱码中文字幕|