基于張量分解的新用戶標簽推薦研究.pdf_第1頁
已閱讀1頁，還剩67頁未讀， 繼續(xù)免費閱讀

下載本文檔

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)，請進行舉報或認領(lǐng)

文檔簡介

1、由于社會網(wǎng)絡(luò)信息的急速增長，用戶很難快速獲得準確的信息。社會標簽推薦技術(shù)旨在通過用戶的歷史行為，向用戶主動推薦標簽或資源，讓用戶從海量的信息中找到有價值的信息，同時讓有價值的信息實現(xiàn)共享。近來張量分解模型被應(yīng)用于社會標簽推薦系統(tǒng)中以獲得高質(zhì)量的推薦結(jié)果。因此本文主要研究社會標簽張量分解模型以及在這些張量分解模型基礎(chǔ)上對新用戶問題的有效解決方法。
　　 本文在Tucker和ParaFac兩種傳統(tǒng)張量分解模型的基礎(chǔ)上，通過更新原始張

2、量分解模型，提出相應(yīng)的新用戶標簽推薦算法，為新用戶進行標簽推薦。在Last.fm、Bibsonomy、Movielens三個真實數(shù)據(jù)集上，對提出的兩種新用戶張量標簽推薦算法進行實驗仿真，實驗結(jié)果表明上述兩種新用戶標簽推薦算法在精確度和召回率上有很大提高。
　　 Tucker和ParaFac兩種傳統(tǒng)張量分解模型中高維張量導(dǎo)致了算法具有高階的時間復(fù)雜度，由于標簽數(shù)據(jù)的稀疏性，傳統(tǒng)張量分解標簽推薦算法存在過擬合現(xiàn)象，反而降低了推薦算法

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(zé)。
  • 6. 下載文件中如有侵權(quán)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(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。

評論

0/150

提交評論