已閱讀1頁，還剩35頁未讀， 繼續(xù)免費(fèi)閱讀
版權(quán)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(quán)，請進(jìn)行舉報或認(rèn)領(lǐng)
文檔簡介
1、推薦系統(tǒng)的產(chǎn)生源自海量信息過載問題，在各式各樣的推薦系統(tǒng)中，發(fā)展出了很多高效的算法，使得如今推薦系統(tǒng)在電子商務(wù)，社交媒體，廣告系統(tǒng)，搜索引擎等領(lǐng)域取得了一定的成功。一般來講，推薦算法分為基于內(nèi)容和協(xié)同過濾兩種方式，其中基于內(nèi)容的推薦至今未取得較好的效果，協(xié)同過濾卻取得了廣泛的應(yīng)用。傳統(tǒng)的協(xié)同過濾技術(shù)基于推薦對象之間的相似度，通過近鄰對象來進(jìn)行推薦，但是這樣的方式會帶來海量的計算，限制實(shí)時推薦的應(yīng)用。為了達(dá)到更高的精度，減少計算復(fù)雜度，最
2、近一段時間，從機(jī)器學(xué)習(xí)中的隱因子分析得到啟發(fā)，發(fā)展出了隱因子模型的推薦算法。這種方法使用奇異值分解或者隨機(jī)梯度下降等方法將用戶的評分矩陣分解為用戶和產(chǎn)品的特征矩陣。本文著重討論了兩種隱因子模型：奇異值分解和隨機(jī)梯度下降。然后比較了它們和傳統(tǒng)最近鄰算法在Movielens電影推薦系統(tǒng)真實(shí)數(shù)據(jù)集上的效果。試驗結(jié)果表明，奇異值分解和隨機(jī)梯度下降算法的“平均絕對誤差”比“最近鄰算法”分別下降了14.6％和17.9％。我們可以看出相對于傳統(tǒng)的最近
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(quán)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(yù)覽，若沒有圖紙預(yù)覽就沒有圖紙。
- 4. 未經(jīng)權(quán)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(hù)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(fù)責(zé)。
- 6. 下載文件中如有侵權(quán)或不適當(dāng)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(zhǔn)確性、安全性和完整性, 同時也不承擔(dān)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。
最新文檔
- 基于矩陣分解的推薦系統(tǒng)算法研究.pdf
- 推薦系統(tǒng)中矩陣分解算法研究.pdf
- 基于概率矩陣分解的推薦算法研究.pdf
- 基于近似矩陣分解的推薦算法研究.pdf
- 基于矩陣分解模型的推薦算法研究.pdf
- 基于改進(jìn)矩陣分解的推薦算法研究.pdf
- 基于矩陣分解的推薦算法優(yōu)化研究.pdf
- 基于矩陣分解的推薦系統(tǒng)模型和算法改進(jìn)研究.pdf
- 基于用戶關(guān)系的矩陣分解推薦算法研究.pdf
- 基于MovieLens數(shù)據(jù)集的協(xié)同過濾推薦系統(tǒng)研究.pdf
- 基于雙重正則化的矩陣分解推薦算法研究.pdf
- 基于矩陣分解的協(xié)同過濾推薦算法研究.pdf
- 基于主題矩陣分解模型的新聞推薦算法研究.pdf
- 基于概率矩陣分解的多指標(biāo)推薦算法研究.pdf
- 融合信任關(guān)系的矩陣分解推薦算法研究.pdf
- 基于節(jié)點(diǎn)用戶和概率矩陣分解模型的推薦算法
- 基于共同購買和用戶行為的矩陣分解推薦算法.pdf
- 基于概率矩陣分解的社會化推薦算法研究.pdf
- 基于矩陣分解和隨機(jī)游走相結(jié)合的推薦算法.pdf
- 基于節(jié)點(diǎn)用戶和概率矩陣分解模型的推薦算法.pdf
評論
0/150
提交評論