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62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(jìn)行舉報或認(rèn)領(lǐng)

文檔簡介

1、個性化推薦系統(tǒng)是根據(jù)用戶歷史行為記錄以及用戶和項目的特點,推薦適合用戶的項目。隨著用戶和項目數(shù)量的快速增長,信息過載問題突出,用戶-項目評分矩陣數(shù)據(jù)稀疏情況日趨嚴(yán)峻,導(dǎo)致傳統(tǒng)的推薦系統(tǒng)擴展性不佳,個性化服務(wù)難以提升。在推薦系統(tǒng)的設(shè)計中,推薦模型的研究是關(guān)鍵,對數(shù)據(jù)稀疏與擴展性的研究已然成為推薦系統(tǒng)研究的重點和難點。
  本文采用的用戶-項目評分?jǐn)?shù)據(jù)來源于 MovieLens,它提供了大量而真實的用戶行為數(shù)據(jù)。本文首先提出基于最優(yōu)化

2、方法的近似奇異值分解—OSVD模型,對評分矩陣進(jìn)行最佳秩k奇異值分解,利用最優(yōu)化技術(shù)得到近似秩為k的奇異值和隱語義特征矩陣。實驗結(jié)果表明,本文提出的 OSVD模型的預(yù)測能力較好于隱語義模型(LFM),且復(fù)雜度較低于奇異值分解(SVD)。接著本文提出LFM和OSVD分別與Logistic模型結(jié)合,構(gòu)建LR-LFM模型和LR-OSVD模型,這兩種模型通過將矩陣分解數(shù)值預(yù)測轉(zhuǎn)化分類問題,實現(xiàn)項目推薦。實驗結(jié)果表明,本文提出的LR-LFM和LR

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(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。

評論

0/150

提交評論