• <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)
    国产成人免费无遮挡视频| 青春草亚洲视频在线观看| 丰满迷人的少妇在线观看| 日日摸夜夜添夜夜爱| 国产成人aa在线观看| av线在线观看网站| 黄片小视频在线播放| 制服丝袜香蕉在线| 亚洲国产av新网站| 久久久久人妻精品一区果冻| 国产精品免费大片| 精品亚洲成a人片在线观看| 亚洲精品日本国产第一区| 国产精品99久久99久久久不卡 | 高清不卡的av网站| 国产高清国产精品国产三级| 国产成人a∨麻豆精品| 综合色丁香网| 一本—道久久a久久精品蜜桃钙片| 波多野结衣一区麻豆| 91aial.com中文字幕在线观看| 你懂的网址亚洲精品在线观看| 国产有黄有色有爽视频| 男女免费视频国产| 少妇人妻 视频| 午夜免费鲁丝| 亚洲国产欧美日韩在线播放| 黄色一级大片看看| 国产熟女午夜一区二区三区| 中文字幕av电影在线播放| 啦啦啦啦在线视频资源| 久久毛片免费看一区二区三区| 看十八女毛片水多多多| 26uuu在线亚洲综合色| 久久久久久久精品精品| 国产黄色视频一区二区在线观看| 久久久欧美国产精品| 精品福利永久在线观看| 大片电影免费在线观看免费| 国产精品嫩草影院av在线观看| 18禁动态无遮挡网站| 亚洲男人天堂网一区| 久久国产精品大桥未久av| 日韩一本色道免费dvd| 国产亚洲欧美精品永久| 国产在视频线精品| 波多野结衣av一区二区av| 欧美最新免费一区二区三区| 成人国语在线视频| av电影中文网址| 女人高潮潮喷娇喘18禁视频| 国产免费福利视频在线观看| 激情五月婷婷亚洲| 国产日韩欧美视频二区| 欧美老熟妇乱子伦牲交| 欧美日韩成人在线一区二区| 看免费av毛片| 久久久久久人妻| 国产在线免费精品| 亚洲欧美成人综合另类久久久| 久久 成人 亚洲| 久久久久久人人人人人| 美女高潮到喷水免费观看| 欧美日韩精品成人综合77777| 人人妻人人添人人爽欧美一区卜| 18禁观看日本| 日本免费在线观看一区| 精品久久蜜臀av无| 亚洲国产精品成人久久小说| 日韩在线高清观看一区二区三区| 婷婷色麻豆天堂久久| 男女高潮啪啪啪动态图| 国产乱来视频区| 免费看不卡的av| 婷婷色麻豆天堂久久| 久久影院123| 最近2019中文字幕mv第一页| 亚洲成av片中文字幕在线观看 | 人妻少妇偷人精品九色| 国产午夜精品一二区理论片| 成人手机av| 美女xxoo啪啪120秒动态图| av女优亚洲男人天堂| 久久久精品免费免费高清| 国产成人精品无人区| 亚洲内射少妇av| a 毛片基地| 考比视频在线观看| 日韩免费高清中文字幕av| 新久久久久国产一级毛片| 美女脱内裤让男人舔精品视频| 国产精品亚洲av一区麻豆 | 天天影视国产精品| 久久99一区二区三区| 国产男女内射视频| 亚洲国产色片| 亚洲视频免费观看视频| 国产一区二区三区av在线| 中文字幕av电影在线播放| 亚洲伊人色综图| 中文字幕人妻丝袜制服| 亚洲综合色网址| 9热在线视频观看99| 久久久久久久亚洲中文字幕| 国产精品av久久久久免费| 少妇人妻久久综合中文| 热99国产精品久久久久久7| 国产成人精品一,二区| 国产成人精品久久二区二区91 | 亚洲 欧美一区二区三区| 中文字幕亚洲精品专区| 午夜福利在线免费观看网站| 亚洲精品国产一区二区精华液| 久久精品夜色国产| 欧美人与善性xxx| 中文字幕人妻熟女乱码| 热re99久久国产66热| 高清在线视频一区二区三区| 日韩人妻精品一区2区三区| 男女国产视频网站| 啦啦啦啦在线视频资源| 亚洲人成77777在线视频| 色吧在线观看| 99热全是精品| 国产有黄有色有爽视频| 男女国产视频网站| 精品99又大又爽又粗少妇毛片| 丝袜美腿诱惑在线| 国产精品免费大片| 老汉色∧v一级毛片| 看十八女毛片水多多多| 爱豆传媒免费全集在线观看| 麻豆精品久久久久久蜜桃| 久久久久精品人妻al黑| 最新中文字幕久久久久| 性色avwww在线观看| 美女中出高潮动态图| 国产黄色免费在线视频| 亚洲 欧美一区二区三区| 91成人精品电影| 永久免费av网站大全| 成人影院久久| 97在线人人人人妻| 欧美激情极品国产一区二区三区| 日韩三级伦理在线观看| 最近的中文字幕免费完整| 亚洲男人天堂网一区| 日韩精品有码人妻一区| 亚洲四区av| 久久久精品免费免费高清| 国产精品一国产av| 卡戴珊不雅视频在线播放| 久久久久久久亚洲中文字幕| 亚洲熟女精品中文字幕| 在线观看免费高清a一片| 国产亚洲av片在线观看秒播厂| 男女免费视频国产| 青青草视频在线视频观看| 女的被弄到高潮叫床怎么办| 99国产综合亚洲精品| 国产成人精品婷婷| 在线观看www视频免费| 五月开心婷婷网| 性少妇av在线| 青春草国产在线视频| 欧美激情极品国产一区二区三区| 国产精品免费大片| 国产精品蜜桃在线观看| 肉色欧美久久久久久久蜜桃| 两个人看的免费小视频| 久久人人爽人人片av| 亚洲精品美女久久久久99蜜臀 | 老鸭窝网址在线观看| 中文精品一卡2卡3卡4更新| 我要看黄色一级片免费的| 人妻 亚洲 视频| 久久99精品国语久久久| videossex国产| 国产精品香港三级国产av潘金莲 | 国产福利在线免费观看视频| 丰满迷人的少妇在线观看| 成年av动漫网址| 精品福利永久在线观看| 一二三四中文在线观看免费高清| 亚洲欧美色中文字幕在线| 精品国产乱码久久久久久男人| 久久久久国产一级毛片高清牌| 亚洲欧美日韩另类电影网站| 中文字幕人妻丝袜一区二区 | 99九九在线精品视频| 久久精品熟女亚洲av麻豆精品| 91aial.com中文字幕在线观看| 亚洲国产最新在线播放| 考比视频在线观看| 日本vs欧美在线观看视频| 狂野欧美激情性bbbbbb| 国产成人精品福利久久| 亚洲国产欧美在线一区| 韩国高清视频一区二区三区| 成人毛片60女人毛片免费| 亚洲 欧美一区二区三区| 久久国产精品男人的天堂亚洲| 久久精品亚洲av国产电影网| 国产在视频线精品| 91精品三级在线观看| 国产麻豆69| 五月天丁香电影| 不卡视频在线观看欧美| 桃花免费在线播放| 韩国高清视频一区二区三区| 国产成人精品久久二区二区91 | av电影中文网址| 亚洲第一青青草原| 日韩制服骚丝袜av| 国产亚洲一区二区精品| 国产有黄有色有爽视频| 黄色怎么调成土黄色| 丝袜喷水一区| 国产精品 国内视频| 国产成人a∨麻豆精品| 成人午夜精彩视频在线观看| 日韩中文字幕视频在线看片| 欧美 日韩 精品 国产| 亚洲第一区二区三区不卡| 观看美女的网站| tube8黄色片| 国产精品一国产av| 国语对白做爰xxxⅹ性视频网站| 久久婷婷青草| 女人精品久久久久毛片| 国产成人欧美| 免费高清在线观看视频在线观看| a级毛片黄视频| 成年人免费黄色播放视频| 国产熟女午夜一区二区三区| av卡一久久| 极品少妇高潮喷水抽搐| 国产男女超爽视频在线观看| 国产精品秋霞免费鲁丝片| 美女福利国产在线| 国产爽快片一区二区三区| 国产一区二区三区综合在线观看| 日本av免费视频播放| 在线观看美女被高潮喷水网站| 日韩一区二区三区影片| av视频免费观看在线观看| 寂寞人妻少妇视频99o| 亚洲伊人久久精品综合| 国产一区二区 视频在线| 亚洲精品成人av观看孕妇| 欧美在线黄色| 最近中文字幕2019免费版| 熟女电影av网| 国产精品国产三级专区第一集| 国产亚洲欧美精品永久| 欧美日韩精品网址| 97在线人人人人妻| 国产不卡av网站在线观看| 午夜福利在线观看免费完整高清在| 色网站视频免费| 欧美中文综合在线视频| www.自偷自拍.com| 久久精品亚洲av国产电影网| 亚洲精品第二区| 免费女性裸体啪啪无遮挡网站| 一区二区三区四区激情视频| a级片在线免费高清观看视频| 亚洲一级一片aⅴ在线观看| 晚上一个人看的免费电影| 精品福利永久在线观看| 亚洲欧美一区二区三区久久| 在线天堂中文资源库| av一本久久久久| 精品亚洲成国产av| 日韩不卡一区二区三区视频在线| 欧美成人精品欧美一级黄| 国产女主播在线喷水免费视频网站| 王馨瑶露胸无遮挡在线观看| 久久鲁丝午夜福利片| 欧美中文综合在线视频| 国产日韩欧美在线精品| 国产麻豆69| 国产成人欧美| 欧美日韩视频精品一区| 国产片特级美女逼逼视频| 黑丝袜美女国产一区| xxxhd国产人妻xxx| 人妻一区二区av| 国产精品免费大片| 亚洲第一av免费看| 十分钟在线观看高清视频www| 飞空精品影院首页| 国产极品天堂在线| 9热在线视频观看99| 丝袜美腿诱惑在线| 亚洲国产欧美网| 十八禁网站网址无遮挡| 久久人人爽av亚洲精品天堂| 尾随美女入室| 青春草亚洲视频在线观看| 国产淫语在线视频| 亚洲精品乱久久久久久| 久久精品国产鲁丝片午夜精品| 午夜av观看不卡| 侵犯人妻中文字幕一二三四区| 亚洲欧美一区二区三区黑人 | 国产女主播在线喷水免费视频网站| 久久精品国产综合久久久| 91精品三级在线观看| 欧美精品av麻豆av| av视频免费观看在线观看| 一级片'在线观看视频| 狠狠精品人妻久久久久久综合| av在线观看视频网站免费| 亚洲国产色片| 中文天堂在线官网| 下体分泌物呈黄色| av网站免费在线观看视频| 久久青草综合色| 欧美97在线视频| 中文字幕制服av| 九九爱精品视频在线观看| 午夜福利在线免费观看网站| 精品国产一区二区久久| 欧美人与性动交α欧美软件| 男人添女人高潮全过程视频| 亚洲av中文av极速乱| 精品第一国产精品| 另类精品久久| 国产精品一区二区在线观看99| 七月丁香在线播放| 女性被躁到高潮视频| 一区福利在线观看| 亚洲精品,欧美精品| 久久国产亚洲av麻豆专区| 99热全是精品| 赤兔流量卡办理| 日产精品乱码卡一卡2卡三| 美女国产视频在线观看| 亚洲av免费高清在线观看| 成人午夜精彩视频在线观看| 香蕉国产在线看| 亚洲婷婷狠狠爱综合网| 亚洲国产成人一精品久久久| 老司机影院毛片| 国产男女内射视频| 国产精品国产三级国产专区5o| 免费大片黄手机在线观看| 国产精品秋霞免费鲁丝片| av电影中文网址| 亚洲,欧美精品.| 久久久久久伊人网av| av女优亚洲男人天堂| 高清视频免费观看一区二区| 极品人妻少妇av视频| 777久久人妻少妇嫩草av网站| 人人妻人人爽人人添夜夜欢视频| 色婷婷av一区二区三区视频| 国产免费一区二区三区四区乱码| 一区福利在线观看| 国产极品天堂在线| 黑人欧美特级aaaaaa片| 久久久国产欧美日韩av| 人人妻人人澡人人看| 飞空精品影院首页| 中文字幕人妻熟女乱码| 九九爱精品视频在线观看| 人人妻人人澡人人看| www.自偷自拍.com| av片东京热男人的天堂| 国产亚洲av片在线观看秒播厂| 日本wwww免费看| 亚洲图色成人| 国产精品秋霞免费鲁丝片| 老熟女久久久| 菩萨蛮人人尽说江南好唐韦庄| 久久精品国产亚洲av天美| 久久久精品国产亚洲av高清涩受| 伊人久久国产一区二区| 久久久久视频综合| 久久狼人影院| 久久久精品94久久精品| 亚洲第一青青草原| 91在线精品国自产拍蜜月| 免费大片黄手机在线观看| 久久国产亚洲av麻豆专区| 亚洲国产精品999| 制服人妻中文乱码| 国产毛片在线视频| 日日摸夜夜添夜夜爱| 久久精品人人爽人人爽视色| 国语对白做爰xxxⅹ性视频网站| 欧美激情高清一区二区三区 | 99久国产av精品国产电影| 国产成人精品久久久久久| 亚洲国产色片| 久久99精品国语久久久| 香蕉精品网在线| 69精品国产乱码久久久| 侵犯人妻中文字幕一二三四区| 亚洲精品日韩在线中文字幕| 亚洲av综合色区一区| 欧美人与性动交α欧美精品济南到 | 三级国产精品片| 18在线观看网站| 建设人人有责人人尽责人人享有的| 如日韩欧美国产精品一区二区三区| 国产精品蜜桃在线观看| 色婷婷av一区二区三区视频| 美女午夜性视频免费| 夫妻午夜视频| 欧美+日韩+精品| xxxhd国产人妻xxx| 波野结衣二区三区在线| 亚洲精品国产av成人精品| 国产成人精品久久久久久| 午夜激情av网站| 2022亚洲国产成人精品| 亚洲国产欧美日韩在线播放| 国产欧美日韩综合在线一区二区| 亚洲av在线观看美女高潮| 桃花免费在线播放| h视频一区二区三区| 欧美国产精品一级二级三级| 亚洲成av片中文字幕在线观看 | 少妇被粗大的猛进出69影院| 亚洲国产精品一区三区| 国产一区二区激情短视频 | 日本-黄色视频高清免费观看| 亚洲四区av| 日韩av不卡免费在线播放| 日韩 亚洲 欧美在线| 最新的欧美精品一区二区| 超碰97精品在线观看| 免费观看a级毛片全部| 精品99又大又爽又粗少妇毛片| 国产成人91sexporn| 欧美在线黄色| 亚洲精品国产色婷婷电影| 黄片小视频在线播放| 亚洲精品av麻豆狂野| 黑丝袜美女国产一区| 在现免费观看毛片| 在线观看免费日韩欧美大片| 亚洲精品国产av蜜桃| 美女国产视频在线观看| 美女午夜性视频免费| 精品一区在线观看国产| 岛国毛片在线播放| 国产在视频线精品| 人成视频在线观看免费观看| 99热全是精品| 中文字幕人妻熟女乱码| 色婷婷久久久亚洲欧美| 9色porny在线观看| av在线老鸭窝| av福利片在线| 亚洲国产色片| 国产熟女欧美一区二区| 国产视频首页在线观看| 久久久a久久爽久久v久久| 男女下面插进去视频免费观看| 在线观看免费高清a一片| a级片在线免费高清观看视频| 精品午夜福利在线看| 亚洲欧洲精品一区二区精品久久久 | 国产成人精品久久二区二区91 | 色哟哟·www| 黑人巨大精品欧美一区二区蜜桃| 亚洲精品日韩在线中文字幕| 欧美国产精品va在线观看不卡| 亚洲人成77777在线视频| 最近中文字幕高清免费大全6| 国产不卡av网站在线观看| 2018国产大陆天天弄谢| 久久婷婷青草| 久久久国产一区二区| 日韩精品免费视频一区二区三区| 大片电影免费在线观看免费| 少妇精品久久久久久久| 精品久久蜜臀av无| 久久亚洲国产成人精品v| 一二三四中文在线观看免费高清| 亚洲国产精品一区二区三区在线| 国产日韩欧美视频二区| 极品人妻少妇av视频| 久久精品aⅴ一区二区三区四区 | 精品一品国产午夜福利视频| 日本爱情动作片www.在线观看| 久久久久久久久久人人人人人人| 在线观看免费高清a一片| 高清黄色对白视频在线免费看| 一区二区三区激情视频| 色婷婷av一区二区三区视频| 少妇的逼水好多| 国产成人av激情在线播放| 人体艺术视频欧美日本| 久久久久国产精品人妻一区二区| 最新中文字幕久久久久| 一区福利在线观看| 久久 成人 亚洲| 男女免费视频国产| 国产精品久久久久久精品古装| 精品一区二区免费观看| 亚洲欧美色中文字幕在线| 精品第一国产精品| 叶爱在线成人免费视频播放| 久久人人爽人人片av| 精品国产一区二区久久| av视频免费观看在线观看| 高清不卡的av网站| 交换朋友夫妻互换小说| 欧美成人精品欧美一级黄| 少妇的丰满在线观看| 国产成人一区二区在线| av电影中文网址| 2022亚洲国产成人精品| 女人高潮潮喷娇喘18禁视频| 久久ye,这里只有精品| 波野结衣二区三区在线| 一级黄片播放器| 精品久久久久久电影网| 久久婷婷青草| 午夜福利视频精品| 亚洲激情五月婷婷啪啪| 国产在线一区二区三区精| 伦理电影免费视频| 午夜福利在线免费观看网站| 国产精品久久久久成人av| 久久99蜜桃精品久久| 极品少妇高潮喷水抽搐| 午夜久久久在线观看| 亚洲国产精品999| 91在线精品国自产拍蜜月| 欧美激情极品国产一区二区三区| av天堂久久9| 97人妻天天添夜夜摸| 久久久久国产精品人妻一区二区| 街头女战士在线观看网站| 99久久人妻综合| 午夜激情久久久久久久| 80岁老熟妇乱子伦牲交| 亚洲,欧美,日韩| 一区二区三区四区激情视频| 午夜福利在线免费观看网站| 夜夜骑夜夜射夜夜干| 亚洲人成网站在线观看播放| 国产在线免费精品| 搡老乐熟女国产| 国产成人精品福利久久| 91在线精品国自产拍蜜月| 最近中文字幕2019免费版| 老司机影院成人| 免费女性裸体啪啪无遮挡网站| 黑人欧美特级aaaaaa片| 国产精品二区激情视频| 国产成人a∨麻豆精品| 国产精品一区二区在线观看99| 天天躁日日躁夜夜躁夜夜| 制服丝袜香蕉在线| 日韩 亚洲 欧美在线| 日本av免费视频播放| 欧美日韩亚洲高清精品| 亚洲综合色惰| 久久精品熟女亚洲av麻豆精品| 亚洲成国产人片在线观看| 黄色一级大片看看| 91精品伊人久久大香线蕉| 免费女性裸体啪啪无遮挡网站| 国产黄色视频一区二区在线观看| 人成视频在线观看免费观看| 秋霞在线观看毛片| 又大又黄又爽视频免费| 午夜影院在线不卡| 中国国产av一级| 波野结衣二区三区在线| 久久精品国产综合久久久| 国产福利在线免费观看视频| 国产日韩欧美视频二区| 亚洲美女视频黄频| 久久狼人影院| 亚洲情色 制服丝袜| 成人免费观看视频高清| 午夜91福利影院| 交换朋友夫妻互换小说| 国产一级毛片在线| 国产极品粉嫩免费观看在线| 精品一区二区三卡| 制服人妻中文乱码| 亚洲经典国产精华液单| 高清欧美精品videossex| 日韩av不卡免费在线播放| 国产亚洲一区二区精品| 26uuu在线亚洲综合色| 国产亚洲av片在线观看秒播厂| 日韩av免费高清视频| 亚洲,欧美精品.| 热re99久久国产66热| 欧美xxⅹ黑人| 秋霞在线观看毛片| 亚洲av成人精品一二三区| 男人添女人高潮全过程视频| 成人漫画全彩无遮挡| 人人妻人人澡人人爽人人夜夜| 女性被躁到高潮视频| 91国产中文字幕| 国产在线一区二区三区精| av网站在线播放免费| 欧美人与善性xxx| 咕卡用的链子| 国产精品 国内视频| 女的被弄到高潮叫床怎么办| 亚洲成国产人片在线观看| 久久毛片免费看一区二区三区| 一二三四中文在线观看免费高清|