• <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 ?

    基于模糊C-均值和特征加權(quán)法的協(xié)同過濾推薦算法*

    2018-06-28 02:44:44字云飛李業(yè)麗孫華艷
    關(guān)鍵詞:復(fù)雜度聚類個(gè)性化

    字云飛,李業(yè)麗,孫華艷,韓 旭

    (北京印刷學(xué)院 信息工程學(xué)院,北京 102600)

    0 引言

    在當(dāng)今大數(shù)據(jù)、人工智能(AI)時(shí)代,自媒體數(shù)據(jù)、出版數(shù)據(jù)、社交網(wǎng)絡(luò)數(shù)據(jù)、電商數(shù)據(jù)等成為人們現(xiàn)實(shí)與虛擬生活的重要組成部分。為解決大數(shù)據(jù)時(shí)代的海量數(shù)據(jù)和用戶隱性需求之間的矛盾,衍生了精準(zhǔn)化和個(gè)性化推薦系統(tǒng),且廣泛應(yīng)用于電商行業(yè)。個(gè)性化推薦系統(tǒng)為用戶獲取隱性需求節(jié)約了時(shí)間、空間等成本,也是解決信息過載的最佳途徑。隨著網(wǎng)購便捷度不斷改善,用戶對(duì)于網(wǎng)購依賴性極大增強(qiáng),這也帶來了用戶隱性需求未能得到滿足的問題,促使個(gè)性化、精準(zhǔn)化推薦系統(tǒng)在電商行業(yè)顯得前所未有的重要。傳統(tǒng)協(xié)同過濾算法在電商、社交網(wǎng)絡(luò)個(gè)性化推薦領(lǐng)域得到了較為成功的應(yīng)用,但隨著互聯(lián)網(wǎng)數(shù)據(jù)呈幾何級(jí)數(shù)增長(zhǎng)、數(shù)據(jù)內(nèi)容復(fù)雜度不斷提高等問題的凸現(xiàn),這些已有算法也暴露了自身的局限性,協(xié)同過濾推薦算法[1-3]的缺點(diǎn)有:(1) 數(shù)據(jù)的稀疏性問題;(2) 新物品問題;(3) 可擴(kuò)展性問題。

    現(xiàn)有協(xié)同過濾推薦算法[4-7]主要通過用戶的歷史行為、興趣愛好等來實(shí)現(xiàn)個(gè)性化推薦,如根據(jù)用戶A和B相似度高,A對(duì)項(xiàng)目i感興趣,可以推測(cè)B也有可能對(duì)項(xiàng)目i感興趣,但推薦過程中如何應(yīng)用高效的方法精準(zhǔn)劃分項(xiàng)目候選集S成為推薦系統(tǒng)的核心,且候選集中每個(gè)子集i本身就是由多個(gè)模糊特征因素(x1,x2,…,xn)構(gòu)成的,且多個(gè)特征因素集在項(xiàng)目中的權(quán)重又存在著差異,這會(huì)極大地影響推薦的精度和個(gè)性化。

    很多學(xué)者基于協(xié)同過濾推薦算法[8-10]的不足,對(duì)其進(jìn)行了不同維度的改進(jìn),但都沒有得到徹底解決。為了解決傳統(tǒng)推薦算法對(duì)用戶-項(xiàng)目精準(zhǔn)化、個(gè)性化推薦過程中存在項(xiàng)目評(píng)分信息不足、特征值模糊性及權(quán)重偏向?qū)栴},本文提出了一種模糊C-均值和特征加權(quán)法的協(xié)同過濾推薦算法。通過用戶在系統(tǒng)中的結(jié)構(gòu)化、半結(jié)構(gòu)化及非結(jié)構(gòu)化數(shù)據(jù)記錄,通過奇異值分解法把用戶評(píng)分項(xiàng)分解為多個(gè)不同特征值來判斷用戶對(duì)未評(píng)項(xiàng)的喜好程度,然后再對(duì)C-均值計(jì)算出的候選集構(gòu)建用戶-項(xiàng)目特征因素加權(quán)模型,計(jì)算用戶-項(xiàng)目核心特征因素的權(quán)值高低及價(jià)值大小,同時(shí)結(jié)合基于用戶-項(xiàng)目協(xié)同過濾推薦算法的相似度等數(shù)據(jù)信息尋找最近鄰,最后對(duì)用戶-項(xiàng)目進(jìn)行綜合預(yù)判及終值優(yōu)化,從而實(shí)現(xiàn)對(duì)用戶顯性、隱性需求的高效性、精準(zhǔn)化、個(gè)性化的推薦。實(shí)驗(yàn)分析表明,該算法對(duì)于最近鄰?fù)扑]的準(zhǔn)確性有了極大的提高,同時(shí),明顯提升了個(gè)性化推薦系統(tǒng)精度,優(yōu)化了推薦質(zhì)量。

    1 傳統(tǒng)的協(xié)同過濾推薦算法

    傳統(tǒng)協(xié)同過濾(Collaborative Filtering,CF)推薦算法是根據(jù)用戶-項(xiàng)目之間的評(píng)分、收藏、瀏覽信息等數(shù)據(jù)分析、計(jì)算相似度,從而尋找最近鄰,最后實(shí)現(xiàn)對(duì)目標(biāo)用戶-項(xiàng)目的精準(zhǔn)、個(gè)性化推薦。協(xié)同過濾推薦算法[11-15]分為基于用戶的協(xié)同過濾推薦算法和基于項(xiàng)目的協(xié)同過濾推薦算法。

    1.1 協(xié)同過濾推薦算法的實(shí)現(xiàn)

    (1)用戶-項(xiàng)目數(shù)據(jù)的收集及預(yù)處理。

    (2)基于清洗后的數(shù)據(jù)來計(jì)算用戶-項(xiàng)目的相似度,選取最近鄰或相似度最高的N個(gè)用戶或項(xiàng)目。

    (3)把N個(gè)相似度最高的用戶或項(xiàng)目推薦給對(duì)應(yīng)的項(xiàng)目或用戶。

    1.2 相關(guān)度評(píng)價(jià)計(jì)算

    協(xié)同過濾推薦系統(tǒng)中,D=(U,I,R)用來表示用戶-項(xiàng) 目的數(shù)據(jù)源。U=(User1,User2,…,Usern)為用戶集,|U|=n;I=(Item1,Item2,…,Itemm)為項(xiàng)目集,|I|=m。用戶對(duì)項(xiàng)目的評(píng)分矩陣為Rm×n,其中Rij表示用戶Useri對(duì)項(xiàng)目Itemj的評(píng)分,表1為評(píng)分矩陣R。

    協(xié)同過濾推薦算法中計(jì)算機(jī)相似度的常用方法為Pearson相關(guān)系數(shù)法,通過用戶對(duì)產(chǎn)品的評(píng)價(jià)數(shù)據(jù)計(jì)

    表1 用戶-項(xiàng)目評(píng)分矩陣

    (1)

    計(jì)算相似度之后尋找最近鄰,Zum為最近鄰,對(duì)項(xiàng)目s預(yù)測(cè)評(píng)分的計(jì)算如下:

    (2)

    (3)

    其中:Ts是項(xiàng)目總和,muw表示u對(duì)產(chǎn)品w的評(píng)價(jià)值。

    2 模糊C-均值的候選集篩選

    模糊C-均值聚類[16-17](Fuzzy C-Means clustering,F(xiàn)CM)算法是把項(xiàng)目集轉(zhuǎn)化為模糊等價(jià)關(guān)系,通過最佳閾值法來劃分項(xiàng)目集,劃分為N個(gè)相似度較高的類。其過程為:根據(jù)選取的N個(gè)樣本分為C類,而任何一個(gè)類都有自己的一個(gè)聚類中心,然后通過樣本與聚類中心的距離,計(jì)算得到特征值相同或相似的最近聚類中心模糊子集,最后獲得推薦項(xiàng)或用戶的最佳候選集。描述過程如下:

    給定數(shù)據(jù)集X={x1,x2,…,xn}包括N個(gè)樣本,數(shù)據(jù)集可以劃分為c(1≤c≤n)類,則模糊目標(biāo)函數(shù)定義為:

    (4)

    (dik)2=xk-vi=(xk-vi)TA(xk-vi)

    (5)

    其中:U=[uik],uik∈[0,1]表示隸屬度矩陣;V=[vi],i=1,2,…,c,vi為聚類中心矩陣集合,m=2為模糊指數(shù);J(U,V)表示所選樣本與各聚類中心的距離總和;A要求對(duì)稱陣;dik是歐氏距離。

    最小化聚類J(U,V):min{J(U,V)}則:

    (6)

    當(dāng)多次迭代之后,聚類中心向量和隸屬度矩陣為:

    (7)

    (8)

    FCM算法實(shí)現(xiàn)過程:

    Step1:確定類別劃分?jǐn)?shù)C,模糊指數(shù)設(shè)置為2(m=2),迭代停止參數(shù)ε;

    Step2:對(duì)于聚類中心P初始化;

    Step3:計(jì)算原數(shù)據(jù)的隸屬度矩陣U;

    Step4:通過公式(7)更新聚類中心矩陣C;

    Step5:通過矩陣C計(jì)算得到所需的用戶-項(xiàng)目之間的距離dik及隸屬度矩陣U*,如dik=0,則uik=1;

    Step7:根據(jù)最后計(jì)算得到的隸屬度矩陣對(duì)用戶-項(xiàng)目數(shù)據(jù)進(jìn)行模糊聚類獲得候選集。

    3 對(duì)篩選候選集進(jìn)行特征加權(quán)法

    通過C-均值聚類之后得到的推薦候選集是一個(gè)屬性值相似度較高的類,但要對(duì)用戶-項(xiàng)目實(shí)現(xiàn)精準(zhǔn)、個(gè)性化推薦仍存在著分類精度不高、個(gè)性化特征不足的缺陷。因?yàn)槊恳粋€(gè)推薦候選集的用戶-項(xiàng)目信息本身又有特征值權(quán)重比,而特征值加權(quán)更能夠客觀、精準(zhǔn)的表達(dá)事物本身,所以通過對(duì)C-均值聚類之后的候選集進(jìn)行特征加權(quán)法能夠更精準(zhǔn)、個(gè)性化實(shí)現(xiàn)推薦結(jié)果。

    在實(shí)際的推薦過程中,用戶和項(xiàng)目都是由多個(gè)特征屬性組成的,而特征屬性[18-19]沒有嚴(yán)格、準(zhǔn)確的分界線,所有它們就構(gòu)成了描述用戶-項(xiàng)目本身的模糊特征集,而每一個(gè)模糊特征集是由若干個(gè)特征值相互作用而成的,且每一個(gè)特征因素又可以用一個(gè)特征模糊集來表示,此時(shí)的用戶-項(xiàng)目論域可以表示為n個(gè)因素集的Descartes乘積,即

    U=U1×U2×…×Un

    設(shè)Ai∈Ui(i=1,2,…,n),Ai為某一個(gè)用戶或項(xiàng)目特征因素集的子集,A∈U,A是由用戶-項(xiàng)目特征因素集A1,A2,…,An復(fù)合而成的。

    3.1 加權(quán)平均法

    給一個(gè)用戶推薦某一個(gè)項(xiàng)目是基于用戶本身的興趣愛好,而興趣喜好是由用戶的職業(yè)、性別、教育程度、生活環(huán)境等諸多因素決定和影響的,而每一個(gè)因素又由多個(gè)特征值構(gòu)成,且每個(gè)特征因素決定項(xiàng)目或用戶本身的比重又存在著差異,所以賦予特征模糊集中的特征因素在用戶-項(xiàng)目中的權(quán)重比能夠使推薦系統(tǒng)更加精準(zhǔn)、高效和個(gè)性化。

    若用戶-項(xiàng)目A(u)是由n個(gè)子特征集A1(u1),A2(u2),…,An(un)累加而成的,則精準(zhǔn)計(jì)算用戶-項(xiàng)目特征本身為:

    (9)

    3.2 乘積平均法

    當(dāng)推薦用戶或項(xiàng)目特征因素按比例變化時(shí),如某一用戶感興趣的項(xiàng)目特征集A中有n個(gè)特征子集,其中每一個(gè)特征子集Ai是按比例變化的,可用乘積平均法計(jì)算機(jī)用戶-項(xiàng)目推薦候選項(xiàng)的精度。

    若用戶-項(xiàng)目特征集A(u)是隨(Ai(ui))αi按比例變化的,且每個(gè)特征子集Ai(ui)對(duì)特征因素集合A(u)都是必要的,當(dāng)任意一個(gè)Ai(ui)為零時(shí),A(u)都為零,則乘積平均法計(jì)算特征因素公式為:

    =b(A1(u1))α1…(An(un))αn

    (10)

    其中:u=(u1,u2,…,un)∈U為用戶-項(xiàng)目特征集,(α1,α2,…,αn)為特征因素在用戶-項(xiàng)目中的權(quán)重向量,b為適當(dāng)選取的常數(shù),以保證A(u)∈[0,1]。

    3.3 混合法

    如果決定用戶-項(xiàng)目特征因素集A(u)的子特征因素Ai(ui)可以分為兩部分,一部分用戶-項(xiàng)目的特征因素按權(quán)重比累加,另一部分做乘積,則計(jì)算用戶-項(xiàng)目特征因素為:

    (11)

    其中:特征因素集u∈U,(α1,α2,…,αm),(δ1,δ2,…,δk)為兩權(quán)重向量,且m+k=n+1,b為正實(shí)數(shù),權(quán)重(α1,α2,…,αm)、(δ1,δ2,…,δk)通過實(shí)驗(yàn)取點(diǎn)。

    3.4 特征因素加權(quán)綜合法的協(xié)同過濾算法

    根據(jù)前文論述,算法1實(shí)現(xiàn)向目標(biāo)用戶U1的精準(zhǔn)、個(gè)性化推行過程。

    算法1 基于特征因素加權(quán)綜合法

    輸入:候選集信息D=(U,I,R)和權(quán)重向量

    輸出:為用戶U1產(chǎn)生推薦集S

    Begin:

    (1)對(duì)用戶及項(xiàng)目的原始特征因素進(jìn)行預(yù)處理;

    (2)選取用戶U1訪問記錄的N個(gè)項(xiàng)目的特征因素值;

    (3)Repeat

    (4)Fori=1:n{

    (5)對(duì)選取的特征因素值進(jìn)行加權(quán)平均及乘積平均計(jì)算獲得第i個(gè)特征值的重要程度(公式(9)、(10));

    (6)取出每個(gè)項(xiàng)目特征因素最重要的前n個(gè)值,然后通過綜合加權(quán)計(jì)算推薦項(xiàng)目A;

    (7)}

    (8)產(chǎn)生推薦集S;

    End

    基于因素加權(quán)綜合法的協(xié)同過濾推薦算法通過對(duì)用戶-項(xiàng)目特征因素值的加權(quán)研究,計(jì)算特征因素值對(duì)于用戶-項(xiàng)目的重要程度來產(chǎn)生對(duì)目標(biāo)用戶或項(xiàng)目的推薦候選集,從而實(shí)現(xiàn)精準(zhǔn)、個(gè)性化的推薦。

    3.5 算法復(fù)雜度分析

    算法復(fù)雜度包括時(shí)間和空間復(fù)雜度,它是有效衡量算法執(zhí)行效率的指標(biāo)。

    計(jì)算目標(biāo)用戶-項(xiàng)目與篩選K個(gè)相似度較高的推薦項(xiàng)的過程是傳統(tǒng)協(xié)同過濾推薦算法計(jì)算時(shí)間復(fù)雜度的核心,通過對(duì)推薦集及目標(biāo)用戶-項(xiàng)目之間相似度的計(jì)算,結(jié)合N個(gè)用戶-項(xiàng)目的準(zhǔn)確評(píng)分項(xiàng)得到。因此,計(jì)算M個(gè)用戶-項(xiàng)目與目標(biāo)用戶-項(xiàng)目之間的相似度的時(shí)間復(fù)雜度為O(N×M),且N、M數(shù)量級(jí)一致,故時(shí)間復(fù)雜度為O(N2)。

    基于C-均值和特征加權(quán)法的協(xié)同過濾推薦算法通過對(duì)目標(biāo)用戶-項(xiàng)目篩選出候選集及對(duì)候選集用戶-項(xiàng) 目的特征值權(quán)重偏向計(jì)算其相似度得特征向量(V1,V2,…,Vs),然后通過相關(guān)度評(píng)價(jià)法(Pearson)計(jì)算特征向量與目標(biāo)類別矩陣之間的距離。而C-均值和特征加權(quán)法計(jì)算相似度的時(shí)間復(fù)雜度為O(S×N),相關(guān)度評(píng)價(jià)距離時(shí)間復(fù)雜度為O(S×M),因此時(shí)間復(fù)雜度總和為O(S×N)+O(S×M)。因N、M數(shù)量級(jí)一致,而特征因素值S相比于N、M極小,則時(shí)間復(fù)雜度為O(N)。

    4 實(shí)驗(yàn)仿真及分析

    4.1 實(shí)驗(yàn)環(huán)境

    算法性能分析的實(shí)驗(yàn)環(huán)境以Windows 7操作系統(tǒng)為實(shí)驗(yàn)支撐,相關(guān)配置為Intel Dual Core 2.5 GB處理器,編程語言Python,8 GB內(nèi)存,2.60 GHz雙核CPU,MySQL數(shù)據(jù)庫。

    4.2 數(shù)據(jù)集合

    為了比較基于C-均值和特征加權(quán)法的協(xié)同過濾推薦算法與傳統(tǒng)用戶-項(xiàng)目協(xié)同過濾推薦算法之間推薦精度、效率的差異,實(shí)驗(yàn)數(shù)據(jù)基于University of Minnesota項(xiàng)目小組(GroupLens)提供并維護(hù)的MovieLens數(shù)據(jù)集(http://www.grouplens.org/)來進(jìn)行真機(jī)實(shí)驗(yàn)。數(shù)據(jù)包括945個(gè)用戶對(duì)于1 681部電影項(xiàng)目的100 000個(gè)評(píng)分?jǐn)?shù)據(jù)信息,且一個(gè)用戶至少存有對(duì)25部電影的評(píng)分記錄,評(píng)分值為1~5,值越大用戶喜好度越高。同時(shí),實(shí)驗(yàn)數(shù)據(jù)按需求進(jìn)行訓(xùn)練集TrainSet與測(cè)驗(yàn)集TestSet劃分,且二者沒有交集。

    4.3 數(shù)據(jù)稀疏性

    利用用戶對(duì)于電影的評(píng)分值表達(dá)對(duì)電影的喜愛程度。數(shù)據(jù)的稀疏性為:

    1-100 000/(945×1 681)=0.937 049

    表明數(shù)據(jù)的稀疏性非常高。

    4.4 度量標(biāo)準(zhǔn)

    本文應(yīng)用的統(tǒng)計(jì)精度測(cè)量中的絕對(duì)誤差法(MAE)是度量推薦結(jié)果好壞的最有效方法之一。MAE值越小表明推薦精準(zhǔn)度及效果越高。

    (12)

    其中:|itemtestset|表示項(xiàng)目集中評(píng)分項(xiàng)的個(gè)數(shù),predi{pred1,pred2,…,predN}為對(duì)于算法預(yù)估的評(píng)判分?jǐn)?shù),qi{q1,q2,…,qN}為測(cè)試數(shù)據(jù)的實(shí)際分?jǐn)?shù)。

    4.5 實(shí)驗(yàn)結(jié)果

    實(shí)驗(yàn)基于MovieLens數(shù)據(jù)集對(duì)傳統(tǒng)的協(xié)同過濾推薦算法與基于C-均值和特征加權(quán)法的協(xié)同過濾推薦算法進(jìn)行了平均絕對(duì)誤差值的比較分析,如圖1所示。最近鄰的數(shù)量也將影響推薦的效果,過少將會(huì)降低推薦的精準(zhǔn)性,過多將極大增加算法復(fù)雜度,實(shí)驗(yàn)中選取最近鄰的數(shù)量為10~40。

    圖1 兩種算法的MAE比較

    通過圖1可知,隨著最近鄰居數(shù)量的增大,無論是傳統(tǒng)過濾推薦算法,還是基于C-均值和特征加權(quán)法的協(xié)同過濾推薦算法,平均絕對(duì)誤差值(MAE)都呈下降趨勢(shì),但不管近鄰數(shù)值多少,只要最近鄰數(shù)相同,基于C-均值和特征加權(quán)法的協(xié)同過濾推薦算法的平均絕對(duì)誤差值(MAE)都低于傳統(tǒng)推薦算法,由此表明本文的推薦算法具有較高的精準(zhǔn)度。所以采用基于C-均值和特征加權(quán)法的協(xié)同過濾推薦算法對(duì)提高推薦系統(tǒng)的精準(zhǔn)度及執(zhí)行效率都有明顯的幫助。

    5 結(jié)束語

    本文提出的基于C-均值和特征加權(quán)法的協(xié)同過濾推薦算法首先對(duì)樣本數(shù)據(jù)進(jìn)行C-均值聚類篩選候選集,再通過對(duì)用戶-項(xiàng)目特征因素值權(quán)重向量的劃分,計(jì)算每一特征因素值對(duì)于用戶-項(xiàng)目的重要程度,從而精準(zhǔn)劃分候選集,提高相似度的度量。各推薦算法中相似度度量好壞將直接影響推薦項(xiàng)目或用戶的精準(zhǔn)度和個(gè)性化。同時(shí),該算法通過對(duì)項(xiàng)目或用戶特征值的內(nèi)外距離計(jì)算或加權(quán)計(jì)算特征因素集,都能減小稀疏性帶來的負(fù)面影響。如何通過矩陣結(jié)合時(shí)間序列、云模型等來擴(kuò)展因素加權(quán)綜合法的推薦算法以及應(yīng)用于相關(guān)領(lǐng)域,是下一步研究的方向。

    [1] Huang Hao, Huang Jianqing, ZIAVRAS S G, et al. A personalized recommendation algorithm based on Hadoop[C]//2015 5th International Conference on Electronics Information and Emergency Communication (ICEIEC).IEEE,2015:406-409.

    [2] 秦光潔,張穎.基于綜合興趣度的協(xié)同過濾推薦算法[J].計(jì)算機(jī)工程,2009,35(17):81-83.

    [3] 韋素云,業(yè)寧.基于項(xiàng)目類別和興趣度的協(xié)同過濾推薦算法[J].南京大學(xué)學(xué)報(bào)(自然科學(xué)),2013,49(2):142-149.

    [4] ADOMAVICUS G, TUZHILIN A. Toward the next generation of recommender systems: a survey of the state-of-the-art and possible extensions[J]. IEEE Transactions on Knowledge and Data Engineering, 2005, 17(6): 734-749.

    [5] PARK C, KIM D, OH J, et al. Improving top-K recommendation with truster and trustee relationship in user trust network[J]. Information Sciences, 2016, 374:100-114.

    [6] PAN J C, ZHANG X M, WANG X. Improved singular value decomposition recommender algorithm based on user reliability [J]. Journal of Chinese Computer System, 2016,37(10): 2171-2176.

    [7] 孫光福,吳樂,劉淇,等.基于時(shí)序行為的協(xié)同過濾推薦算法[J].軟件學(xué)報(bào),2013(11):2721-2733.

    [8] 王偉,王洪偉,孟園.協(xié)同過濾推薦算法研究:考慮在線評(píng)論情感傾向[J].系統(tǒng)工程理論與實(shí)踐,2014,34(12):3238-3249.

    [9] PERA M S, NG Y K. Analyzing book-related features to recommend books for emergent readers[C]// Proceedings of the 26th ACM Conference on Hypertext &Social Media. ACM, 2015: 221-230.

    [10] 榮輝桂,火生旭,胡春華.基于用戶相似度的協(xié)同過濾推薦算法[J].通信學(xué)報(bào),2014(2):16-24.

    [11] 李豪,張海英,張俊.一種基于用戶興趣分析的協(xié)同過濾推薦算法[J]. 微型機(jī)與應(yīng)用,2017,36(15):25-28.

    [12] Zhang Qinghua, Xu Kai, Wang Guoyin.Fuzzy equivalence relation and its multigranulation spaces[J]. Information Sciences,2016, 346-347(C):44-57.

    [13]Hu Liang, Wang Wenbo, Wang Feng, et al. The design and implementation of composite collaborative filtering algorithm for personalized recommendation[J]. Journal of Software, 2012: 2040-2045.

    [14]Yang Hai. Improved collaborative filtering recommendation algorithm based on weighted association rules[J]. Applied Mechanics and Materials,2013:94-97.

    [15] Liu Fengming, Li Haixia, Dong Peng. A Collaborative filtering recommendation algorithm combined with user and item[J]. Applied Mechanics and Materials,2014:1878-1881.

    [16] Duan Lingzi,Yu Fusheng, Zhan Li.An improved fuzzy C-means clustering algorithm[C]//2016 12th International Conference on Natural Computation, 2016:861-865.

    [17] ZARITA Z, ONG P. An effective fuzzy C-means algorithm based on symmetry similarity approach[J]. Applied Soft Computing Journal,2015, 35(C): 433-448.

    [18] Luo Xin, Zhou Mengchu, Xia Yunni, et al. An efficient non-negative matrix-factorization-based approach to collaborative filtering for recommender systems[J]. IEEE Transactions on Industrial Informatics, 2014, 10(2): 1273-1284.

    [19] PARK Y, PARK S, JUNG W, et al. Reversed CF: a fast collaborative filtering algorithm using a K-nearest neighbor graph[J]. Expert Systems with Applications, 2015, 42(8): 4022-4028.

    猜你喜歡
    復(fù)雜度聚類個(gè)性化
    堅(jiān)持個(gè)性化的寫作
    文苑(2020年4期)2020-05-30 12:35:12
    一種低復(fù)雜度的慣性/GNSS矢量深組合方法
    新聞的個(gè)性化寫作
    新聞傳播(2018年12期)2018-09-19 06:27:10
    基于DBSACN聚類算法的XML文檔聚類
    求圖上廣探樹的時(shí)間復(fù)雜度
    上汽大通:C2B個(gè)性化定制未來
    某雷達(dá)導(dǎo)51 頭中心控制軟件圈復(fù)雜度分析與改進(jìn)
    基于改進(jìn)的遺傳算法的模糊聚類算法
    出口技術(shù)復(fù)雜度研究回顧與評(píng)述
    一種層次初始的聚類個(gè)數(shù)自適應(yīng)的聚類方法研究
    云南省| 娄底市| 康定县| 长丰县| 临猗县| 兴安县| 民乐县| 保山市| 保靖县| 柳江县| 陆丰市| 绥中县| 桑植县| 师宗县| 登封市| 泰兴市| 新丰县| 西平县| 宿松县| 安仁县| 新余市| 犍为县| 延边| 凉山| 西藏| 宁河县| 庄河市| 呼伦贝尔市| 尉氏县| 麻阳| 嘉义县| 吉木萨尔县| 阳城县| 阿合奇县| 汾阳市| 普洱| 拉萨市| 永福县| 平昌县| 灵璧县| 读书|