2023年全國碩士研究生考試考研英語一試題真題(含答案詳解+作文范文)_第1頁
已閱讀1頁,還剩68頁未讀, 繼續(xù)免費閱讀

下載本文檔

版權說明:本文檔由用戶提供并上傳,收益歸屬內(nèi)容提供方,若內(nèi)容存在侵權,請進行舉報或認領

文檔簡介

1、協(xié)同過濾技術是減少信息過載常用方法,當前大多數(shù)基于協(xié)同過濾的推薦算法普遍存在著可擴展性低和數(shù)據(jù)稀疏性問題。針對上述問題,本文在傳統(tǒng)的基于SVD的協(xié)同過濾算法和基于K-means的協(xié)同過濾算法的基礎上,針對數(shù)據(jù)稀疏性和算法的擴展性問題提出了基于改進的K-means和奇異值分解的協(xié)同過濾推薦算法。主要工作包括以下三個方面:
  首先,基于K-means的協(xié)同過濾算法雖然通過聚類技術將搜索目標用戶的最近鄰居的范圍縮小到某個聚類中,降低了

2、計算量,提高了算法的實時性和可擴展性,而當評分數(shù)據(jù)高維稀疏時,推薦精度往往較低。針對上述問題,本文利用SVD降維預測填補技術將原始數(shù)據(jù)中的未評分項利用用戶的評分平均值進行填補,提高算法的抗稀疏性。
  其次,基于SVD的協(xié)同過濾算法雖然克服了稀疏性問題,但在協(xié)同過濾推薦時,需要在整個數(shù)據(jù)空間內(nèi)搜索最近鄰居,計算量大,擴展性低。此外,為了避免傳統(tǒng)K-means方法因初始聚類中心的隨機選擇而導致的收斂速度慢,聚類結果不穩(wěn)定,且存在局部

3、極小問題,本文利用改進的K-means聚類方法將搜索最近鄰居的范圍縮小到某個聚類中,降低了計算量,提高了算法的可擴展性。
  最后,在評分數(shù)據(jù)高維稀疏的情況下,提出了一種基于改進的K-means和奇異值分解的協(xié)同過濾推薦算法。該算法首先利用SVD技術對原始高維稀疏數(shù)據(jù)進行預測填補;然后利用改進的K-means聚類方法在填補完整的數(shù)據(jù)上聚類;最后在目標聚類中進行協(xié)同過濾推薦。
  為了驗證本文提出的推薦算法的有效性,在Movi

溫馨提示

  • 1. 本站所有資源如無特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
  • 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請聯(lián)系上傳者。文件的所有權益歸上傳用戶所有。
  • 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁內(nèi)容里面會有圖紙預覽,若沒有圖紙預覽就沒有圖紙。
  • 4. 未經(jīng)權益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
  • 5. 眾賞文庫僅提供信息存儲空間,僅對用戶上傳內(nèi)容的表現(xiàn)方式做保護處理,對用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯,并不能對任何下載內(nèi)容負責。
  • 6. 下載文件中如有侵權或不適當內(nèi)容,請與我們聯(lián)系,我們立即糾正。
  • 7. 本站不保證下載資源的準確性、安全性和完整性, 同時也不承擔用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。

評論

0/150

提交評論