基于k近鄰?fù)扑]方法
推薦 + 挑錯(cuò) + 收藏(0) + 用戶評(píng)論（0）
針對(duì)基于七近鄰的協(xié)同過濾推薦算法中存在的評(píng)分特征數(shù)據(jù)維度過高、七近鄰查找速度慢，以及評(píng)分冷啟動(dòng)等問題，提出基于數(shù)據(jù)降維與精確歐氏局部敏感哈希（ E2 LSH）的五近鄰協(xié)同過濾推薦算法。首先，融合評(píng)分?jǐn)?shù)據(jù)、用戶屬性數(shù)據(jù)以及項(xiàng)目類別數(shù)據(jù)，將融合后的數(shù)據(jù)作為輸入對(duì)堆疊降噪自編碼（ SDA）神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，取神經(jīng)網(wǎng)絡(luò)編碼部分最后一個(gè)隱層的值作為輸入數(shù)據(jù)的特征編碼，完成非線性降維。然后，利用精確歐氏局部敏感哈希算法對(duì)降維后的數(shù)據(jù)建立索引，通過檢索得到目標(biāo)用戶或目標(biāo)項(xiàng)目的相似近鄰。最后，計(jì)算目標(biāo)與近鄰之間的相似度，利用相似度對(duì)近鄰的評(píng)分記錄加權(quán)得到目標(biāo)用戶對(duì)目標(biāo)項(xiàng)目的預(yù)測(cè)評(píng)分。在標(biāo)準(zhǔn)數(shù)據(jù)集上的實(shí)驗(yàn)結(jié)果表明，在冷啟動(dòng)場(chǎng)景下，均方根誤差比基于局部敏感哈希的推薦算法（ LSH-ICF）平均降低了約7.2%，平均運(yùn)行時(shí)間和LSH-ICF相當(dāng)。表明該方法在保證推薦效率的前提下，緩解了評(píng)分冷啟動(dòng)問題。
![基于k近鄰?fù)扑]方法](/uploads/allimg/171128/2755793-1G12Q53QV64.jpg)
非常好我支持^.^
(0) 0%
不好我反對(duì)
(0) 0%
下載地址
基于k近鄰?fù)扑]方法下載
相關(guān)電子資料下載
- TikTok將開發(fā)獨(dú)立版推薦算法，以滿足美國用戶需求？ 426
- 快手的短視頻推薦算法（1） 782
- 詳解推薦算法的架構(gòu)流程 2871
- 《麻省理工科技評(píng)論》發(fā)布了最新的2021年10大突破性技術(shù)的概念 2813
- top-N推薦算法評(píng)測(cè)的影響有哪些？ 1846
- 基于賽靈思FPGA的廣告推薦算法Wide and deep硬件加速案例 2775
- 互聯(lián)網(wǎng)廣告推薦迎來變革，雪湖科技聯(lián)合賽靈思發(fā)布推薦算法解決方案 1614
- 基于阿里云FPGA云的廣告推薦算法加速器 985
- 基于深度學(xué)習(xí)的推薦算法大部分都存在不同程度的數(shù)據(jù)集缺失和源碼缺失 3690
- 基于標(biāo)簽的推薦算法應(yīng)用場(chǎng)景、基于標(biāo)簽的推薦算法原理介紹 16714