• <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 ?

    基于組合類別空間的隨機(jī)游走推薦算法

    2019-08-01 01:54:12樊瑋謝聰肖春景曹淑燕
    計(jì)算機(jī)應(yīng)用 2019年4期
    關(guān)鍵詞:推薦算法協(xié)同過濾

    樊瑋 謝聰 肖春景 曹淑燕

    摘 要:傳統(tǒng)的類別驅(qū)動(dòng)方法只考慮類別間的關(guān)聯(lián)或是將其組織成扁平或?qū)哟谓Y(jié)構(gòu),而項(xiàng)目和類別對(duì)應(yīng)關(guān)系復(fù)雜,其他信息容易被忽略。針對(duì)這個(gè)問題提出基于組合類別空間的隨機(jī)游走推薦算法,更好地組織了項(xiàng)目類別信息、緩解了數(shù)據(jù)稀疏。首先,建立一個(gè)用哈斯圖表示的項(xiàng)目組合類別空間,將項(xiàng)目和類別復(fù)雜的一對(duì)多關(guān)系映射成一對(duì)一的簡(jiǎn)單關(guān)系,并表示用戶上下層次、同層次及跨層次的項(xiàng)目類別間的跳轉(zhuǎn);接著,定義組合類別空間的語義關(guān)系及鏈接、偏好兩種語義距離,更好地定性、定量描述用戶動(dòng)態(tài)偏好的變化;然后,結(jié)合組合類別空間上用戶瀏覽圖的語義關(guān)系、語義距離、用戶行為跳轉(zhuǎn)、跳轉(zhuǎn)次數(shù)、時(shí)序、評(píng)分等各種信息,利用隨機(jī)游走建立用戶個(gè)性化類別偏好模型;最后,根據(jù)用戶個(gè)性化偏好完成基于用戶的協(xié)同過濾項(xiàng)目推薦。在MovieLens數(shù)據(jù)集上的實(shí)驗(yàn)顯示,與基于用戶的協(xié)同過濾(UCF)、基于類別關(guān)聯(lián)的推薦模型(UBGC和GENC)相比,所提算法推薦的F1-score提高了6~9個(gè)百分點(diǎn),平均絕對(duì)誤差(MAE)減小了20%~30%;與基于類別層次潛在因子模型(CHLF)相比,所提算法推薦的F1-score提高了10%。實(shí)驗(yàn)結(jié)果表明,所提算法在排序推薦上優(yōu)于傳統(tǒng)基于類別的推薦算法。

    關(guān)鍵詞:偏好相似度;梯度下降;隨機(jī)游走;協(xié)同過濾;推薦算法

    中圖分類號(hào):TP301.6

    文獻(xiàn)標(biāo)志碼:A

    文章編號(hào):1001-9081(2019)04-0984-05

    Abstract: The traditional category-driven approaches only consider the association between categories or organize them into flat or hierarchical structure, but the relationships between items and categories are complex, making other information be ignored. Aiming at this problem, a random walk recommendation algorithm based on combinational category space was proposed to better organize the category information of items and alleviate data sparsity. Firstly, a combinational category space of items represented by Hasse diagrams was constructed to map the one-to-many relationship between items and categories into one-to-one simple relationships, and represent the user's jumps between items in higher and lower levels, the same level and the cross-levels. Then the semantic relationships and two types of semantic distances — the links and the preferences were defined to better describe the changes of the user's dynamic preferences qualitatively and quantitatively. Afterwards,the user personalized category preference model was constructed based on random walking and combination of the semantic relationship, semantic distance, user behavior jumping, jumping times, time sequence and scores of the user's browsing graph in the combinatorial category space. Finally, the items were recommended to users by collaborative filtering based on the user's personalized category preference. Experimental results on MovieLens dataset show that compared with User-based Collaborative Filtering (UCF) model and category-based recommendation models (UBGC and GENC), the recommended F1-score was improved by 6 to 9 percentage points, the Mean Absolute Error (MAE) was reduced by 20% to 30%; compared with Category Hierarchy Latent Factor (CHLF) model, the recommended F1-score was improved by 10%. Therefore, the proposed algorithm has advantage in ranking recommendation and is superior to other category-based recommendation algorithms.

    Key words: preference similarity; gradient descent; random walk; collaborative filtering; recommendation algorithm

    0?引言

    協(xié)同過濾是目前推薦系統(tǒng)中最成功的推薦算法,它認(rèn)為具有相似偏好的用戶應(yīng)該喜歡相似的項(xiàng)目,因此它的核心是為用戶尋找最相似近鄰。它利用用戶與項(xiàng)目的交互信息,將用戶項(xiàng)目評(píng)分看成向量,利用余弦、皮爾遜相關(guān)系數(shù)等相似性度量來發(fā)現(xiàn)近鄰,通過近鄰對(duì)項(xiàng)目評(píng)分預(yù)測(cè)目標(biāo)用戶的喜好。但是一方面計(jì)算相似性時(shí)的評(píng)分向量維度和系統(tǒng)中的項(xiàng)目數(shù)一致,向量維度較高;另一方面由于用戶自身特點(diǎn),將產(chǎn)生很多相同評(píng)分,由此得到的評(píng)分向量信息冗余且不全面,它的性能在數(shù)據(jù)稀疏或冷啟動(dòng)的情況下受到嚴(yán)重制約。

    當(dāng)游走步數(shù)趨于無窮大時(shí),基于圖的隨機(jī)游走算法能夠返回圖中節(jié)點(diǎn)重要性的排序。它能從全局挖掘用戶/項(xiàng)目關(guān)系,已被廣泛應(yīng)用到推薦過程中緩解數(shù)據(jù)稀疏問題[1-6]。由于項(xiàng)目類別(類型)作為附加信息時(shí),屬性值相對(duì)穩(wěn)定、與項(xiàng)目?jī)?nèi)容相關(guān)性強(qiáng),同時(shí)一個(gè)項(xiàng)目往往與多個(gè)類別相關(guān)等特性,項(xiàng)目類別作為重要附加信息引入推薦系統(tǒng)能夠有效緩解數(shù)據(jù)稀疏、解決冷啟動(dòng)問題。

    目前基于類別的推薦系統(tǒng)主要分為四類:一類是直接將項(xiàng)目信息加入到傳統(tǒng)協(xié)同過濾中[7]。

    二是挖掘用戶偏好和項(xiàng)目類別間的關(guān)聯(lián),如:Ren等[8]利用項(xiàng)目類別信息,建立用戶動(dòng)態(tài)偏好模型,但是計(jì)算量較大;Manzato等[9]分解用戶類型矩陣得到類別的隱向量解決冷啟動(dòng)問題。

    三是計(jì)算項(xiàng)目類別間的關(guān)聯(lián),根據(jù)用戶偏好類別完成項(xiàng)目推薦[10-11],但此類方法要求系統(tǒng)必須輸入用戶喜好類別。

    最后一類是利用矩陣分解等潛語義模型根據(jù)項(xiàng)目類別的扁平或?qū)哟谓Y(jié)構(gòu),建立用戶和項(xiàng)目k維向量表示的潛語義模型,來完成項(xiàng)目推薦的過程[12-14]。Sun等[15]根據(jù)類別層次建立用戶和項(xiàng)目隱語義模型并以線性復(fù)雜度自動(dòng)學(xué)習(xí)不同類別的權(quán)值。但它們僅用到項(xiàng)目類別的扁平結(jié)構(gòu)或上下層次關(guān)系,并不能應(yīng)用同層次類別間的關(guān)系;而且用戶和項(xiàng)目的k維向量的維度往往是隨機(jī)設(shè)定的,并沒有明確的語義含義。

    針對(duì)以上問題,本文提出基于類別組合空間的隨機(jī)游走推薦算法CCSRank(Combinational Category Space Rank)。

    首先,提出組合類別空間來組織項(xiàng)目類別信息,它是一種哈斯圖表示結(jié)構(gòu),能將一對(duì)多的項(xiàng)目類別映射到一對(duì)一組合類別空間,它比層次結(jié)構(gòu)具有更豐富的信息;其次在組合類別空間上給出用戶瀏覽圖,并定義了描述用戶動(dòng)態(tài)偏好的五種語義關(guān)系及鏈接和偏好距離,更好地描述了用戶偏好的動(dòng)態(tài)變化過程及變化程度;然后在用戶瀏覽圖上根據(jù)用戶瀏覽序列、跳轉(zhuǎn)語義關(guān)系、鏈接距離和偏好距離、跳轉(zhuǎn)次數(shù)及時(shí)序等信息,利用隨機(jī)游走得到組合類別空間上的用戶類別偏好,表示為具有實(shí)際含義的用戶偏好向量;最后根據(jù)用戶的類別偏好計(jì)算用戶間相似性,并完成基于用戶的協(xié)同過濾推薦。通過在真實(shí)數(shù)據(jù)集上進(jìn)行大量實(shí)驗(yàn)結(jié)果表明,本文方法效果優(yōu)于傳統(tǒng)基于類別推薦的方法。

    1?組合類別空間

    項(xiàng)目類別(類型)屬性是非常重要且不同于其他屬性的附加信息,同一類別的項(xiàng)目往往具有相似內(nèi)容。如,對(duì)于電影推薦系統(tǒng),電影類型(動(dòng)作、浪漫、喜劇等)一般是由專家來進(jìn)行分配、指定的,同一類型的電影中能找到一定的相似性,用戶可以通過電影類型猜測(cè)電影的故事情節(jié)、氛圍、場(chǎng)景等,決定是否去觀看電影,因此可以吸引具有相同偏好的用戶。此外,一個(gè)電影能屬于多個(gè)類型,每個(gè)項(xiàng)目類別表示一個(gè)特定的主題。也即項(xiàng)目和類別是一對(duì)多的關(guān)系,對(duì)應(yīng)關(guān)系復(fù)雜,關(guān)系不易被挖掘。為了更好地組織項(xiàng)目類別信息,提出組合類別空間,它把項(xiàng)目所屬的多個(gè)類別看成一個(gè)類別集合,將項(xiàng)目和類別間一對(duì)多的關(guān)系通過哈斯圖表示結(jié)構(gòu)映射成一對(duì)一的關(guān)系,它能表示項(xiàng)目類別間上下、同層、跳躍關(guān)系,豐富了項(xiàng)目的信息密度,使項(xiàng)目和類別間的關(guān)系更容易表示,更容易挖掘用戶偏好。

    2?組合類別空間上的五種語義關(guān)系及距離

    每個(gè)用戶的消費(fèi)行為表示成在組合類別空間的節(jié)點(diǎn)上的跳轉(zhuǎn)序列,它暗含著用戶的動(dòng)態(tài)偏好,為了挖掘用戶的偏好變化,從跳轉(zhuǎn)節(jié)點(diǎn)間的語義關(guān)系及語義距離兩個(gè)角度描述用戶的偏好變化劇烈程度。

    2.1?五種語義關(guān)系

    定義2?瀏覽行為語義關(guān)系。

    2.2?語義距離

    五種關(guān)系定性描述了用戶行為在CCS上的跳轉(zhuǎn),及它表示的興趣偏好變化。要利用這種跳轉(zhuǎn)行為建模用戶的動(dòng)態(tài)偏好,還必須能定量衡量它。

    在組合類別空間上用戶瀏覽行為的跳轉(zhuǎn)可由兩個(gè)方面衡量:1)組合類別在哈斯圖上跳轉(zhuǎn)的實(shí)際物理距離大小,可用在哈斯圖上的層次距離表示,層次跨度小的兩個(gè)組合類別表示用戶興趣變化小,興趣越趨于穩(wěn)定,距離越小;2)組合類別包含基本類別元素的差別,可從包含基本類別元素的個(gè)數(shù)和公共元素的個(gè)數(shù)兩個(gè)角度考慮。包含基本類別元素越多、公共基本類別越少的組合類別表示的興趣變化越大,距離也應(yīng)大。

    基于上述的考慮,分別定義鏈接距離和偏好距離表示組合類別間的距離大小。

    定義3?鏈接距離。

    它表示兩個(gè)組合類別在組合空間哈斯圖上實(shí)際的物理距離大小。

    兩個(gè)組合類別包含的元素越多,相同的基本類別數(shù)目越少,則鏈接距離越大,說明組合類別復(fù)雜、差異度大;

    每個(gè)類型組包含類別數(shù)少,相同類別數(shù)越多,則鏈接距離越小,表明類型組合自身簡(jiǎn)單且差異小;

    如果兩個(gè)組合類別完全一致時(shí),鏈接距離為0。

    按照偏好距離的定義可知,當(dāng)用戶跳轉(zhuǎn)的組合類別沒有變化時(shí),也即興趣穩(wěn)定時(shí),偏好距離最小為0。其次為興趣縮小的情況,接著是興趣擴(kuò)張的情況,而興趣不可比較時(shí),用戶偏好變化最為劇烈,偏好距離最大。

    3?基于隨機(jī)游走的個(gè)性化類別偏好建模

    為了更好地對(duì)用戶組合類別偏好進(jìn)行建模,首先定義了用戶瀏覽圖,融合了語義關(guān)系、鏈接與偏好距離、跳轉(zhuǎn)次數(shù)、評(píng)分、時(shí)序等信息;利用PageRank對(duì)用戶組合類別的偏好進(jìn)行建模,并優(yōu)化求解得到用戶對(duì)組合類別的個(gè)性化偏好。

    3.1?用戶瀏覽圖

    根據(jù)用戶歷史瀏覽行為來定義用戶瀏覽圖,并建模用戶個(gè)性化組合類別偏好。

    迭代優(yōu)化得到用戶對(duì)所有組合類別的評(píng)分向量π=(π1,π2,…,πn)T,也即用戶的個(gè)性化類別偏好向量,它是一種低維的用戶偏好向量的表示,但相對(duì)于潛語義類模型,個(gè)性化類別偏好向量的每個(gè)維度都具有很清楚的含義。

    4?項(xiàng)目推薦

    得到用戶對(duì)組合類別的個(gè)性化偏好矢量,利用余弦相似性度量用戶間相似性(式(9)),并選擇與用戶ui最相似的k個(gè)用戶來預(yù)測(cè)評(píng)分,如式(10)所示。

    本文所提出的基于組合類別空間的隨機(jī)游走推薦算法具體如算法1所示。

    算法1?基于組合類別空間的隨機(jī)游走推薦算法。

    5?實(shí)驗(yàn)結(jié)果及分析

    5.1?實(shí)驗(yàn)數(shù)據(jù)及評(píng)估標(biāo)準(zhǔn)

    實(shí)驗(yàn)中采用MovieLens提供的1M數(shù)據(jù)集,包括6040個(gè)用戶,3952個(gè)電影項(xiàng)目,共1000209條有效評(píng)論,時(shí)間區(qū)間從2000年05月26日至2003年03月01日,數(shù)據(jù)稀疏度為95.8%。項(xiàng)目共包含18種基本電影類型,如表1所示,共組成301種組合類型,組合類別中最多包含6個(gè)基本類型。實(shí)驗(yàn)過程中,隨機(jī)抽取80%的數(shù)據(jù)作為訓(xùn)練集,余下的20%作為測(cè)試集,采用5折交叉驗(yàn)證。

    對(duì)結(jié)果的評(píng)估,用平均絕對(duì)誤差(Mean Absolute Error, MAE)和均方根誤差(Root Mean Squared Error, RMSE)作為評(píng)分預(yù)測(cè)的評(píng)價(jià)標(biāo)準(zhǔn),采用準(zhǔn)確率、召回率和F1-score以及AUC(Area Under Curve)曲線來評(píng)估Top-N推薦結(jié)果。

    5.2?對(duì)比方法

    為了評(píng)估本文提出的基于類別組合空間的隨機(jī)游走推薦算法(CCSRank)的有效性,將其與以下相關(guān)算法進(jìn)行了對(duì)比:1)基于用戶的協(xié)同過濾(User-based Collarative Filtering, UCF)[16]:采用余弦相似性計(jì)算用戶間相似性。

    2)基于用戶在類別中關(guān)聯(lián)的協(xié)同過濾(User-Based collarative filtering by Genre Correlations, UBGC)[11]:計(jì)算電影類型的關(guān)聯(lián)度,根據(jù)電影的類型及類型間的關(guān)聯(lián)對(duì)電影分類,最后根據(jù)用戶偏好類型及電影分類完成推薦。

    3)類別層次潛在因子模型(Category Hierarchy Latent Factor model, CHLF)[15]: 建立項(xiàng)目的類別層次并建立用戶和項(xiàng)目隱語義模型進(jìn)行推薦。

    4)使用類別的分類模型(using genre to classification model, GENC)[10]:計(jì)算項(xiàng)目類別間的關(guān)聯(lián)度,完成項(xiàng)目分類與推薦任務(wù)。

    5.3?實(shí)驗(yàn)結(jié)果及分析

    近鄰選取是UCF提高推薦性能的關(guān)鍵。圖2給出了MAE和RMSE隨近鄰數(shù)的變化情況。從圖2可知,隨著近鄰數(shù)增加MAE和RMSE迅速下降后緩慢增加,近鄰數(shù)為40和60時(shí)MAE和RMSE達(dá)到最小,在后續(xù)實(shí)驗(yàn)中近鄰選取最佳值。

    實(shí)驗(yàn)中首先計(jì)算了各方法的指標(biāo)如表2所示。從表2可知,CCSRank和CHLF的全部四項(xiàng)性能都好于UCF、UBGC和GENC,特別是F1-score提高了6~9個(gè)百分點(diǎn);而且CCSRank的性能要好于CHLF,F(xiàn)1-score提高了10%,CCSRank模型更加穩(wěn)定。

    這主要是因?yàn)镃CSRank和CHLF都很好地利用和組織了項(xiàng)目類別信息,而組合類別空間比層次類別結(jié)構(gòu)的信息更為豐富。UBGC和GENC的效果相當(dāng),且好于UCF是由于UBGC和GENC都利用了項(xiàng)目類型間的關(guān)聯(lián),因此效果好于UCF,但項(xiàng)目類型關(guān)聯(lián)所包含信息不如層次類別和組合類別空間豐富,因此效果差于CHLF和CCSRank。

    圖3對(duì)比了各種方法的MAE和RMSE。從圖3可知,CCSRank效果優(yōu)于UCF、UBGC和GENC,其中MAE減小了20%~30%,但卻不如CHLF。這主要是因?yàn)镃CSRank雖利用了信息更為豐富的組合類別空間,但在推薦過程中簡(jiǎn)單地利用個(gè)性化類別編號(hào)進(jìn)行了相似性計(jì)算,而CHLF則采用層次類別結(jié)構(gòu)建立了用戶和項(xiàng)目的隱語義模型。CCSRank雖在評(píng)分預(yù)測(cè)的效果上差于CHLF,但CCSRank提出的組合類別空間結(jié)構(gòu),實(shí)現(xiàn)項(xiàng)目和類別一對(duì)一的映射關(guān)系,且比CHLF的層次結(jié)構(gòu)更方便地描述用戶瀏覽行為地跳轉(zhuǎn)過程,對(duì)于用戶喜歡項(xiàng)目的排序比CHLF更準(zhǔn)確,因此CCSRank更適合于排序推薦。

    6?結(jié)語

    本文提出基于組合類別空間的隨機(jī)游走推薦算法可緩解數(shù)據(jù)稀疏、解決冷啟動(dòng)問題,提高推薦系統(tǒng)性能。該方法在組合類別空間中記錄用戶瀏覽行為,學(xué)習(xí)用戶類別偏好特征,最終完成推薦。 首先定義了組合類別空間,它是一種高效哈斯圖結(jié)構(gòu);其次定義了五種語義關(guān)系和兩種偏好距離,在組合類別空間上定性和定量度量用戶行為序列和動(dòng)態(tài)偏好;接著提出基于隨機(jī)游走的個(gè)性化類別偏好模型,充分利用了語義關(guān)系、語義距離、用戶行為跳轉(zhuǎn)、跳轉(zhuǎn)次數(shù)、時(shí)序、評(píng)分等各種信息,學(xué)習(xí)得到一種低維的個(gè)性化用戶類別偏好表示,且每個(gè)維度的含義清楚;最后以此對(duì)用戶進(jìn)行個(gè)性化推薦。實(shí)驗(yàn)結(jié)果說明該方法能提高推薦性能,特別是項(xiàng)目排序推薦。

    參考文獻(xiàn)(References)

    [1] ZHANG Z, ZENG D D, ABBASI A, et al. A random walk model for item recommendation in social tagging systems[J]. ACM Transactions on Management Information Systems, 2013, 4(2): 8.

    [2] FENG S, CAO J. Improving group recommendations via detecting comprehensive correlative information[J]. Multimedia Tools and Applications, 2017, 76(1): 1355-1377.

    [3] XU G, FU B, GU Y. Point-of-interest recommendations via a supervised random walk algorithm[J]. IEEE Intelligent Systems, 2016, 31(1): 15-23.

    [4] 劉夢(mèng)娟, 王巍, 李楊曦, 等. AttentionRank+: 一種基于關(guān)注關(guān)系與多用戶行為的圖推薦算法 [J]. 計(jì)算機(jī)學(xué)報(bào), 2017, 40(3): 634-648. (LIU M J, WANG W, LI Y X, et al. AttentionRank+: a graph-based recommendation combining attention relationship and multi-behaviors [J]. Chinese Journal of Computers, 2017, 40(3): 634-648.)

    [5] XIA F, CHEN Z, WANG W, et al. MVCWalker: random walk-based most valuable collaborators recommendation exploiting academic factors[J]. IEEE Transactions on Emerging Topics in Computing, 2014, 2(3): 364-375.

    [6] YAO W, HE J, HUANG G, et al. A graph-based model for context-aware recommendation using implicit feedback data[J]. World Wide Web, 2015, 18(5): 1351-1371.

    [7] WENG L T, XU Y, LI Y, et al. Exploiting item taxonomy for solving cold-start problem in recommendation making[C]// ICTAI 2008: Proceedings of the 20th IEEE International Conference on Tools with Artificial Intelligence. Piscataway, NJ: IEEE, 2008: 113-120.

    [8] REN Y, LI G, ZHOU W. Modelling personal preferences for Top-N movie recommendations[J]. Web Intelligence and Agent Systems: an International Journal, 2014, 12(3): 289-307.

    [9] MANZATO M G. Discovering latent factors from movies genres for enhanced recommendation[C]// RecSys 2012: Proceedings of the Sixth ACM Conference on Recommender Systems. New York: ACM, 2012: 249-252.

    [10] CHOI S M, KO S K, HAN Y S. A movie recommendation algorithm based on genre correlations[J]. Expert Systems with Applications, 2012, 39(9): 8079-8085.

    [11] HWANG T G, PARK C S, HONG J H, et al. An algorithm for movie classification and recommendation using genre correlation[J]. Multimedia Tools and Applications, 2016, 75(20): 12843-12858.

    [12] HU L, SUN A, LIU Y. Your neighbors affect your ratings: on geographical neighborhood influence to rating prediction[C]// SIGIR 2014: Proceedings of the 37th International ACM SIGIR Conference on Research and Development in Information Retrieval. New York: ACM, 2014: 345-354.

    [13] YANG J, SUN Z, BOZZON A, et al. Learning hierarchical feature influence for recommendation by recursive regularization[C]// RecSys 2016: Proceedings of the 10th ACM Conference on Recommender Systems. New York: ACM, 2016: 51-58.

    [14] ZHANG Y, AHMED A, JOSIFOVSKI V, et al. Taxonomy discovery for personalized recommendation[C]// WSDM 2014: Proceedings of the 7th ACM International Conference on Web Search and Data Mining. New York: ACM, 2014: 243-252.

    [15] SUN Z, GUO G, ZHANG J. Learning hierarchical category influence on both users and items for effective recommendation[C]// SAC 2017: Proceedings of the 32nd ACM SIGAPP Symposium on Applied Computing. New York: ACM, 2017: 1679-1684.

    [16] SARWAR B, KARYPIS G, KONSTAN J, et al. Analysis of recommendation algorithms for e-commerce[C]// EC 2000: Proceedings of the 2nd ACM Conference on Electronic Commerce. New York: ACM, 2000: 158-167.

    猜你喜歡
    推薦算法協(xié)同過濾
    圖書推薦算法綜述
    改進(jìn)的協(xié)同過濾推薦算法
    校園社交平臺(tái)中標(biāo)簽系統(tǒng)的研究
    基于鏈?zhǔn)酱鎯?chǔ)結(jié)構(gòu)的協(xié)同過濾推薦算法設(shè)計(jì)與實(shí)現(xiàn)
    基于相似傳播和情景聚類的網(wǎng)絡(luò)協(xié)同過濾推薦算法研究
    社交網(wǎng)絡(luò)推薦系統(tǒng)
    基于協(xié)同過濾算法的個(gè)性化圖書推薦系統(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
    基于情景感知的高校移動(dòng)社交網(wǎng)絡(luò)平臺(tái)設(shè)計(jì)與開發(fā)
    国语对白做爰xxxⅹ性视频网站| 婷婷成人精品国产| 免费大片18禁| 日本猛色少妇xxxxx猛交久久| 免费不卡的大黄色大毛片视频在线观看| 日日撸夜夜添| 观看av在线不卡| 久久99精品国语久久久| 交换朋友夫妻互换小说| 欧美xxⅹ黑人| 男女边摸边吃奶| 美女大奶头黄色视频| 亚洲欧美一区二区三区黑人 | 观看av在线不卡| 只有这里有精品99| 亚洲精品亚洲一区二区| 亚洲一区二区三区欧美精品| 亚洲精品自拍成人| 国产精品国产三级专区第一集| 久久99精品国语久久久| av在线观看视频网站免费| 国产 一区精品| av在线观看视频网站免费| 国产一区二区三区av在线| 哪个播放器可以免费观看大片| 草草在线视频免费看| 亚洲综合色惰| 国产精品国产三级国产av玫瑰| 亚州av有码| 日本vs欧美在线观看视频| 国产欧美另类精品又又久久亚洲欧美| 亚洲国产欧美在线一区| 色吧在线观看| 自拍欧美九色日韩亚洲蝌蚪91| 日本猛色少妇xxxxx猛交久久| 有码 亚洲区| 一边亲一边摸免费视频| 久久久国产一区二区| 国产亚洲午夜精品一区二区久久| 一边亲一边摸免费视频| 国产精品三级大全| 午夜av观看不卡| 人人妻人人澡人人看| 国产精品人妻久久久影院| 一边亲一边摸免费视频| 夫妻午夜视频| xxxhd国产人妻xxx| 91精品伊人久久大香线蕉| 春色校园在线视频观看| 在线 av 中文字幕| 国产日韩欧美视频二区| 999精品在线视频| 18禁观看日本| 国产色爽女视频免费观看| 精品久久久噜噜| 国产不卡av网站在线观看| 黄色一级大片看看| 波野结衣二区三区在线| 欧美日韩综合久久久久久| 国产亚洲精品第一综合不卡 | 国产精品久久久久久av不卡| 中文字幕最新亚洲高清| 91精品伊人久久大香线蕉| 观看av在线不卡| 国产黄色免费在线视频| 国产一区二区三区av在线| 亚洲综合色惰| 777米奇影视久久| 国国产精品蜜臀av免费| 亚洲情色 制服丝袜| 中文字幕av电影在线播放| videossex国产| 欧美日韩av久久| 国产亚洲一区二区精品| 熟妇人妻不卡中文字幕| 中文字幕久久专区| 国产成人午夜福利电影在线观看| 伊人久久精品亚洲午夜| 大陆偷拍与自拍| 美女脱内裤让男人舔精品视频| 久久热精品热| 91国产中文字幕| 精品国产一区二区久久| 亚洲精品色激情综合| 人人澡人人妻人| 国产成人a∨麻豆精品| 五月天丁香电影| 久久精品国产亚洲网站| 午夜影院在线不卡| 欧美激情极品国产一区二区三区 | 婷婷色麻豆天堂久久| 国产午夜精品久久久久久一区二区三区| 国产一区二区在线观看日韩| 热99久久久久精品小说推荐| 老熟女久久久| 一区二区日韩欧美中文字幕 | 中文字幕免费在线视频6| 涩涩av久久男人的天堂| 日韩欧美一区视频在线观看| 亚洲精品美女久久av网站| 高清午夜精品一区二区三区| 成人毛片60女人毛片免费| 亚洲美女黄色视频免费看| 亚洲一级一片aⅴ在线观看| 国产欧美另类精品又又久久亚洲欧美| 97在线视频观看| 国产免费一区二区三区四区乱码| 日韩 亚洲 欧美在线| 在线亚洲精品国产二区图片欧美 | av免费在线看不卡| 国产亚洲最大av| 午夜老司机福利剧场| 九色亚洲精品在线播放| 久久久久久久国产电影| 天天影视国产精品| 国产探花极品一区二区| 免费观看av网站的网址| 亚洲美女黄色视频免费看| 国产一区亚洲一区在线观看| 久久人人爽av亚洲精品天堂| 午夜91福利影院| 性色av一级| 18禁观看日本| 国产av一区二区精品久久| 国产精品.久久久| 只有这里有精品99| 国产一区亚洲一区在线观看| 黄色怎么调成土黄色| 2021少妇久久久久久久久久久| 啦啦啦啦在线视频资源| 日本91视频免费播放| 欧美激情国产日韩精品一区| 九九在线视频观看精品| 2022亚洲国产成人精品| 我的女老师完整版在线观看| 久久综合国产亚洲精品| 大香蕉97超碰在线| 亚洲国产成人一精品久久久| 蜜桃在线观看..| 高清黄色对白视频在线免费看| 成人国产麻豆网| 国产片内射在线| 国产精品熟女久久久久浪| 国产黄色视频一区二区在线观看| 简卡轻食公司| 亚洲av不卡在线观看| 一区二区日韩欧美中文字幕 | 777米奇影视久久| 午夜激情久久久久久久| 国精品久久久久久国模美| 水蜜桃什么品种好| 亚洲精品乱码久久久v下载方式| 一区二区日韩欧美中文字幕 | 青春草视频在线免费观看| 日本黄色日本黄色录像| 伊人亚洲综合成人网| 日本vs欧美在线观看视频| 最近中文字幕高清免费大全6| 国产黄色视频一区二区在线观看| 国产在线一区二区三区精| 99re6热这里在线精品视频| 三级国产精品欧美在线观看| 草草在线视频免费看| 在线观看国产h片| 女性被躁到高潮视频| 免费黄网站久久成人精品| 少妇被粗大的猛进出69影院 | 日韩电影二区| 国产精品一区二区三区四区免费观看| 久久热精品热| 中国三级夫妇交换| 天堂8中文在线网| 久久久久国产精品人妻一区二区| 精品亚洲成国产av| 黑丝袜美女国产一区| 美女主播在线视频| 男女边吃奶边做爰视频| 国内精品宾馆在线| av在线app专区| 亚洲经典国产精华液单| 国产一区二区在线观看日韩| 国精品久久久久久国模美| 久久久久久久大尺度免费视频| 欧美激情国产日韩精品一区| 欧美精品一区二区免费开放| 中文字幕最新亚洲高清| 少妇熟女欧美另类| 日韩视频在线欧美| 欧美三级亚洲精品| 亚洲综合色惰| av国产久精品久网站免费入址| 中文字幕人妻熟人妻熟丝袜美| 国产在线视频一区二区| 久久99蜜桃精品久久| 多毛熟女@视频| 美女国产高潮福利片在线看| 十八禁高潮呻吟视频| 亚洲无线观看免费| 久久久亚洲精品成人影院| 精品久久蜜臀av无| 久久午夜福利片| 成年av动漫网址| 熟女av电影| 大香蕉久久成人网| 日韩强制内射视频| 久久久久人妻精品一区果冻| 制服诱惑二区| 丰满迷人的少妇在线观看| 韩国高清视频一区二区三区| 91精品三级在线观看| 欧美日韩视频精品一区| 一二三四中文在线观看免费高清| 亚洲不卡免费看| 全区人妻精品视频| 日韩av免费高清视频| 久久人人爽人人片av| 91精品三级在线观看| www.色视频.com| 99久国产av精品国产电影| 午夜免费观看性视频| 最近中文字幕2019免费版| 超色免费av| 午夜免费鲁丝| 亚洲欧美一区二区三区国产| 极品少妇高潮喷水抽搐| 国产免费一级a男人的天堂| 97在线视频观看| 国产亚洲一区二区精品| 欧美+日韩+精品| 精品国产乱码久久久久久小说| 天美传媒精品一区二区| 乱人伦中国视频| 满18在线观看网站| 久久午夜综合久久蜜桃| 99热6这里只有精品| 国产成人午夜福利电影在线观看| 一级,二级,三级黄色视频| 亚洲,欧美,日韩| 插逼视频在线观看| 免费观看a级毛片全部| 日韩成人av中文字幕在线观看| 亚洲国产欧美日韩在线播放| 亚洲在久久综合| 看非洲黑人一级黄片| 黄色毛片三级朝国网站| 中文字幕免费在线视频6| 亚洲精品美女久久av网站| 日本午夜av视频| 91精品伊人久久大香线蕉| 精品亚洲乱码少妇综合久久| 熟女电影av网| 97超视频在线观看视频| 性色avwww在线观看| 91成人精品电影| 亚洲成人av在线免费| 人人妻人人澡人人看| 国精品久久久久久国模美| 中文字幕制服av| 欧美激情国产日韩精品一区| 成人黄色视频免费在线看| 18禁在线播放成人免费| 青春草国产在线视频| 午夜免费男女啪啪视频观看| 亚洲精品视频女| 18禁裸乳无遮挡动漫免费视频| 日韩成人av中文字幕在线观看| 嘟嘟电影网在线观看| 国产欧美亚洲国产| 99热国产这里只有精品6| 91久久精品国产一区二区成人| 欧美日韩亚洲高清精品| 九草在线视频观看| 日韩不卡一区二区三区视频在线| 免费观看性生交大片5| 蜜桃久久精品国产亚洲av| 波野结衣二区三区在线| av免费在线看不卡| 国产老妇伦熟女老妇高清| 人妻 亚洲 视频| 国产黄色免费在线视频| 制服人妻中文乱码| 亚洲精品456在线播放app| 国产欧美亚洲国产| 搡女人真爽免费视频火全软件| 91在线精品国自产拍蜜月| 亚洲不卡免费看| 国产高清不卡午夜福利| 免费高清在线观看视频在线观看| 在线观看国产h片| 国产一级毛片在线| 欧美最新免费一区二区三区| av免费在线看不卡| 在线 av 中文字幕| kizo精华| 日韩伦理黄色片| 一区二区三区乱码不卡18| 久久国产精品男人的天堂亚洲 | 另类亚洲欧美激情| 亚洲第一区二区三区不卡| 精品久久国产蜜桃| 免费黄色在线免费观看| 日韩成人伦理影院| 69精品国产乱码久久久| 嫩草影院入口| 国产亚洲av片在线观看秒播厂| 高清黄色对白视频在线免费看| 精品一区在线观看国产| 九色亚洲精品在线播放| 精品少妇黑人巨大在线播放| 又大又黄又爽视频免费| 午夜福利影视在线免费观看| 国产淫语在线视频| 这个男人来自地球电影免费观看 | av女优亚洲男人天堂| 91精品一卡2卡3卡4卡| 亚洲天堂av无毛| 好男人视频免费观看在线| 日韩视频在线欧美| 这个男人来自地球电影免费观看 | 在线观看www视频免费| 成年人免费黄色播放视频| 国产成人91sexporn| 下体分泌物呈黄色| 午夜福利,免费看| 视频区图区小说| 久久久久网色| 中国美白少妇内射xxxbb| av免费观看日本| 大片免费播放器 马上看| 欧美精品高潮呻吟av久久| 91午夜精品亚洲一区二区三区| 久热久热在线精品观看| 亚洲在久久综合| 日日撸夜夜添| 国产黄色视频一区二区在线观看| 麻豆成人av视频| 我的女老师完整版在线观看| 久久久久国产精品人妻一区二区| 色5月婷婷丁香| 少妇丰满av| 国产亚洲精品久久久com| 日韩在线高清观看一区二区三区| 26uuu在线亚洲综合色| 国产精品久久久久成人av| 国产av一区二区精品久久| 欧美日韩视频精品一区| 久久韩国三级中文字幕| 欧美精品高潮呻吟av久久| 亚洲精品日韩在线中文字幕| av卡一久久| 日韩一区二区视频免费看| 午夜av观看不卡| 欧美日韩国产mv在线观看视频| 赤兔流量卡办理| 又大又黄又爽视频免费| 男人爽女人下面视频在线观看| 欧美激情 高清一区二区三区| 精品久久久久久电影网| 久久久久网色| 国产探花极品一区二区| 一级毛片 在线播放| 少妇熟女欧美另类| 人人妻人人澡人人爽人人夜夜| 有码 亚洲区| 婷婷成人精品国产| 亚洲第一区二区三区不卡| 天堂8中文在线网| 免费黄频网站在线观看国产| 汤姆久久久久久久影院中文字幕| 卡戴珊不雅视频在线播放| 国产日韩欧美在线精品| 午夜av观看不卡| 国产片特级美女逼逼视频| 日韩,欧美,国产一区二区三区| 五月玫瑰六月丁香| 香蕉精品网在线| 三级国产精品欧美在线观看| 国产黄片视频在线免费观看| 久久久久久久亚洲中文字幕| 国产精品偷伦视频观看了| av国产久精品久网站免费入址| 少妇被粗大的猛进出69影院 | 九草在线视频观看| 在线观看三级黄色| 另类精品久久| 欧美三级亚洲精品| 亚洲精品久久午夜乱码| 久久久a久久爽久久v久久| 国产极品天堂在线| 毛片一级片免费看久久久久| 亚洲三级黄色毛片| 一区在线观看完整版| 国产在视频线精品| 久久婷婷青草| 婷婷色综合大香蕉| 国产成人av激情在线播放 | 中文字幕免费在线视频6| 91精品三级在线观看| 爱豆传媒免费全集在线观看| 黄色视频在线播放观看不卡| 欧美+日韩+精品| 十分钟在线观看高清视频www| 狂野欧美白嫩少妇大欣赏| 大香蕉久久网| 午夜激情久久久久久久| 美女视频免费永久观看网站| 两个人的视频大全免费| 免费观看性生交大片5| 美女中出高潮动态图| 精品久久久久久久久亚洲| 下体分泌物呈黄色| 精品酒店卫生间| 国产精品欧美亚洲77777| 新久久久久国产一级毛片| 国产精品成人在线| 免费日韩欧美在线观看| 亚洲,欧美,日韩| 国产男人的电影天堂91| 中文字幕免费在线视频6| 亚洲一区二区三区欧美精品| 日韩免费高清中文字幕av| 国产精品.久久久| 91久久精品国产一区二区三区| 91成人精品电影| 久久精品国产自在天天线| 秋霞在线观看毛片| 纵有疾风起免费观看全集完整版| 嫩草影院入口| 日日摸夜夜添夜夜添av毛片| 久久人人爽人人爽人人片va| 亚洲精品一区蜜桃| 国产午夜精品久久久久久一区二区三区| 老司机影院成人| 成人免费观看视频高清| 欧美性感艳星| 亚洲av成人精品一区久久| 欧美bdsm另类| 秋霞在线观看毛片| 免费观看av网站的网址| 日日摸夜夜添夜夜爱| 少妇的逼水好多| 在线观看三级黄色| 久久精品国产亚洲av天美| 国产精品成人在线| 日韩 亚洲 欧美在线| av.在线天堂| 在线观看免费高清a一片| 国产毛片在线视频| 一级a做视频免费观看| 国产亚洲av片在线观看秒播厂| 久久久久精品久久久久真实原创| a级毛色黄片| 国产精品 国内视频| 一区二区三区乱码不卡18| 女性生殖器流出的白浆| 国产综合精华液| 亚洲精华国产精华液的使用体验| 久久人人爽人人爽人人片va| 丁香六月天网| 最黄视频免费看| 亚洲精品中文字幕在线视频| 一级,二级,三级黄色视频| 老司机影院成人| 欧美日韩一区二区视频在线观看视频在线| 国产成人a∨麻豆精品| 亚洲久久久国产精品| 激情五月婷婷亚洲| 日韩欧美一区视频在线观看| 色吧在线观看| 精品亚洲乱码少妇综合久久| 久久精品国产自在天天线| 国产无遮挡羞羞视频在线观看| 免费观看性生交大片5| 国产日韩欧美亚洲二区| 国产熟女午夜一区二区三区 | av福利片在线| 色吧在线观看| 亚洲国产成人一精品久久久| 亚洲av国产av综合av卡| 久久久久网色| 天堂中文最新版在线下载| 一区二区三区乱码不卡18| 成人免费观看视频高清| 观看美女的网站| 欧美老熟妇乱子伦牲交| a级毛片免费高清观看在线播放| 国产色爽女视频免费观看| 亚洲第一区二区三区不卡| 精品国产国语对白av| 欧美日本中文国产一区发布| 国产精品一区二区在线不卡| 秋霞伦理黄片| 国产精品人妻久久久影院| 国产日韩欧美亚洲二区| 在线观看人妻少妇| 午夜日本视频在线| 国产精品久久久久久精品电影小说| 国产有黄有色有爽视频| 国产成人免费无遮挡视频| 高清视频免费观看一区二区| 狂野欧美激情性xxxx在线观看| 一级毛片aaaaaa免费看小| 一本—道久久a久久精品蜜桃钙片| 黑人巨大精品欧美一区二区蜜桃 | 日本午夜av视频| 999精品在线视频| 最新的欧美精品一区二区| 一级黄片播放器| 黑丝袜美女国产一区| 毛片一级片免费看久久久久| 女人久久www免费人成看片| 黄色毛片三级朝国网站| 国产在线视频一区二区| 天美传媒精品一区二区| 日韩在线高清观看一区二区三区| 伦理电影免费视频| 久久毛片免费看一区二区三区| 免费久久久久久久精品成人欧美视频 | 国产探花极品一区二区| 美女xxoo啪啪120秒动态图| 久久毛片免费看一区二区三区| 精品一区在线观看国产| av视频免费观看在线观看| 国产男人的电影天堂91| 久久久久久久亚洲中文字幕| 十分钟在线观看高清视频www| 涩涩av久久男人的天堂| 成人国产麻豆网| 黑人巨大精品欧美一区二区蜜桃 | 亚洲精品乱久久久久久| 老女人水多毛片| 色吧在线观看| av在线老鸭窝| 免费不卡的大黄色大毛片视频在线观看| av黄色大香蕉| 日韩大片免费观看网站| 老女人水多毛片| 各种免费的搞黄视频| 欧美一级a爱片免费观看看| 777米奇影视久久| 国产一区有黄有色的免费视频| 我的女老师完整版在线观看| av线在线观看网站| 日本vs欧美在线观看视频| 久久精品国产鲁丝片午夜精品| 亚洲国产精品专区欧美| 中文字幕人妻熟人妻熟丝袜美| 99热网站在线观看| 国产色爽女视频免费观看| 在线观看三级黄色| 免费人成在线观看视频色| 免费久久久久久久精品成人欧美视频 | a级毛片免费高清观看在线播放| 欧美变态另类bdsm刘玥| 欧美少妇被猛烈插入视频| 18+在线观看网站| 久久影院123| 伊人久久精品亚洲午夜| 久久 成人 亚洲| 久久精品人人爽人人爽视色| 日本av免费视频播放| 中文字幕免费在线视频6| 精品久久久久久电影网| 一个人免费看片子| av免费在线看不卡| 青春草视频在线免费观看| 激情五月婷婷亚洲| 亚洲性久久影院| 啦啦啦视频在线资源免费观看| 久久久久久久久久久免费av| 亚洲精品国产av成人精品| 免费观看av网站的网址| 久久久久精品性色| av在线观看视频网站免费| 丝袜在线中文字幕| 国产精品秋霞免费鲁丝片| 新久久久久国产一级毛片| 国产精品人妻久久久影院| 午夜免费男女啪啪视频观看| 国产综合精华液| 亚洲中文av在线| 一区二区三区免费毛片| 欧美xxⅹ黑人| 国产精品99久久99久久久不卡 | 五月玫瑰六月丁香| 午夜免费观看性视频| 欧美性感艳星| 人妻制服诱惑在线中文字幕| 美女内射精品一级片tv| 插逼视频在线观看| 女性被躁到高潮视频| 一级,二级,三级黄色视频| 性色av一级| 亚洲美女视频黄频| 国产高清三级在线| a级毛片免费高清观看在线播放| 伦精品一区二区三区| 大片免费播放器 马上看| 寂寞人妻少妇视频99o| 亚洲五月色婷婷综合| 五月伊人婷婷丁香| 老女人水多毛片| 一级毛片电影观看| 99国产精品免费福利视频| 亚洲高清免费不卡视频| 国产免费福利视频在线观看| 亚洲五月色婷婷综合| 观看av在线不卡| 新久久久久国产一级毛片| 久久人人爽人人爽人人片va| 亚洲人成网站在线观看播放| 观看美女的网站| 久久精品人人爽人人爽视色| 国产老妇伦熟女老妇高清| 一区二区三区精品91|