共查询到20条相似文献，搜索用时 921 毫秒
1.
为了提高基于矩阵分解的推荐算法精度,解决传统矩阵分解结果出现负数和运算量大的问题,提出了改进的基于矩阵分解的推荐算法,在推荐模型中引进Sigmoid函数,该函数能够控制分解结果的值域,提高推荐算法评分的可理解性,消除矩阵分解结果出现负数的情况;在推荐模型中利用系数控制推荐算法中不同部分权重,能够使得算法更加的灵活,利用交替梯度下降法实现计算结果的部分分离,为分布式计算奠定了基础,通过实验验证,提出的推荐算法提高了评分的准确度,并增强了推荐算法的可扩展性。 相似文献
2.
高维数据的稀疏性问题是降低协同过滤技术推荐质量的主要原因之一。提出了基于径向基函数网络(RBFN)——项目聚类的算法来降低数据的稀疏性,应用径向基函数网络(RBFN)处理高维稀疏数据得到一个完整的矩阵,应用基于项目聚类的协同过滤推荐算法产生推荐。实验结果表明,本算法比其他算法能更好处理协同过滤中的稀疏性问题。 相似文献
3.
针对传统协同过滤技术在图书推荐中效率不高、数据极端稀疏性及主观性强等问题,提出一种基于云填充和蚁群聚类的协同过滤图书推荐方法,首先根据蚁群聚类算法得到用户群分类,然后在进行协同过滤前预先通过云模型填充用户——项目矩阵,以降低数据的稀疏性。实验结果表明,该算法在推荐精度上有明显的提高。 相似文献
4.
协同过滤推荐算法已成功应用在各类门户网站,越来越多的研究者参与其中,然而在协同过滤推荐过程中用户—项目评分矩阵数据稀疏性以及推荐的准确性低等问题,始终制约着该算法的发展。为此,从用户兴趣角度出发,单独构建情景用户兴趣模型及社交网络用户兴趣模型,再通过Logit Boost算法将2个兴趣模型融合得到准确的用户兴趣模型。Slope One算法填充用户—项目评分矩阵,解决用户—项目评分矩阵数据稀疏性问题;同时,通过用户兴趣模型计算目标用户的最近邻居用户,通过计算用户相似性,得到推荐集来提高协同过滤推荐算法的推荐准确度。 相似文献
5.
6.
[目的/意义]基于近邻用户的协同过滤推荐作为推荐系统应用最广泛的算法之一，受数据稀疏和计算可扩展问题影响，推荐效果不尽如人意。[方法/过程]针对上述问题，提出了一种改进的推荐算法(Category Preferred Data Field Clustering Based Collaborative Filtering Recommendation, CPDFC-CFR)。首先，该算法舍弃用户评分，利用评论情感构建用户—项目矩阵，以增强用户偏好表示能力；其次，该算法引入类目偏好和语义偏好的概念，利用类目偏好比对高维用户—项目矩阵进行降维，并在用户相似度计算中纳入评论情感偏好、项目类目偏好和语义偏好，以降低数据稀疏性；最后，该算法将数据场作为用户聚类的前置算法，把数据场输出(极大值点)作为K-means算法输入，以提升算法实时性和稳定性。[结果/结论]实验结果表明：(1)项目类目级别越低，CPDFC-CFR算法准确性(F-measure)和即时性(相似度计算次数和推荐耗时)越优；(2)与其他推荐算法相比，CPDFC-CFR算法能够有效提升推荐准确性和计算效率，对协同过滤推荐系统建设具有重... 相似文献
7.
[目的/意义]随着MOOCs迅猛发展和普及,如何利用智能推荐技术为学习者从海量的MOOC中"寻找最佳课程"成为MOOC发展中需要解决的重要课题。[方法/过程]基于自我知觉理论和学习行为投入框架,充分利用学习行为日志和评分数据挖掘学习者之间的隐式信任关系,并通过信任传播建立MOOC社区信任网络,从而构建动态结合兴趣和隐式信任感知的混合推荐方法。为解决数据稀疏问题,提出基于信任的联合概率矩阵分解模型(TA-PMF),将课程评分矩阵、信任关系矩阵的分解相结合来挖掘用户及课程潜在特征,进而实现评分预测。[结果/结论]真实数据集测试结果表明,与显性评分值相比,学习行为投入信息对信任度构建贡献权重达到0.7;TA-PMF方法对MOOC推荐具有较好的适用性,且能在一定程度上缓解冷启动问题。 相似文献
8.
为了提高并行应用系统的效率,研究了针对大型稀疏矩阵的压缩通信问题。通过对矩阵压缩通信过程中矩阵稀疏度、网络带宽、处理器计算能力之间的关系进行定量分析,推导出稀疏度下界计算公式。通过对不同稀疏度情况下算法所取得的效率进行分析,总结出压缩通信中稀疏度与通信效率之间的函数关系。结果表明本算法在稀疏矩阵通信方面效率有明显的提高。 相似文献
9.
10.
针对传统CF算法中稀疏评分数据及其产生的用户间相似性不准确问题,提出以用户行为对应一定分值代替空缺评分的方法来修正用户I-U评分矩阵,并以角色下的权重系数K约束最近邻的计算。实验表明,改进的算法具有更优的推荐质量。 相似文献
11.
从专利引证的视角,运用数理统计的方法衡量专利在技术发展过程中的重要性和价值,从定量分析入手对专利产业化的概率进行辨析。论证了专利产业化的判别与评价原理。专利引证网络的时间无关性、不可约性以及引证路径单向性满足马尔可夫链收敛的条件。运用马尔可夫链对专利引证网络的随机浏览过程进行建模。建立了专利引证网络与马尔可夫链的对应关系,将专利产业化概率的计算过程转化为计算马尔可夫链转移矩阵稳态分布的过程,设计了转移矩阵最大特征值和特征向量的迭代算法。从美国专利商标局的专利数据库中采集了235项1976年至2006年授权的半导体制造领域电子发射器制造技术的相关专利,分析了专利的年度分布情况。从美国国家经济研究局的专利数据集中查询得到592条专利引证关系,利用网络分析软件Pajek构建专利引证网络。实验结果表明,本文提出专利产业化概率模型切实有效,与专利产业化的实际情况相符,可以作为专利产业化可能性的一种指示。 相似文献
12.
建立了供水调度模型,利用基于分解的多目标进化算法,首先将供水调度问题分解为若干单目标,然后根据分布估计的思想对各个单目标建立概率模型,通过采样产生新的个体。利用非支配排序法进行选择,得到最优解。实验表明,该算法对求解供水调度优化问题具有较好的多样性和均匀性,并且降低了算法的计算复杂度。 相似文献
13.
对计算水平分层介质响应正交归一化法的改进 总被引：1，自引：0，他引：1
汪荣江提出一个简单的正交归一化技术来克服经典的Thomson-Haskell传播矩阵方法中存在的数值不稳定问题.为了进一步提高计算效率,给出该方法的2种改进.一种改进方法是将传播矩阵中与频率无关的部分分离出来,对于某一固定的水平慢度,这些矩阵只需计算一次;另一个改进是利用Langer块对角化的技术,将传播矩阵分解为几个稀疏矩阵的乘积.我们将改进之后的算法应用于计算水平分层模型中的广义反射系数.较之原有方案,提出的改进能节省一半计算时间. 相似文献
14.
互联网时代,个性化推荐系统逐渐被应用到各个不同的领域,随之个性化推荐算法也成为目前研究的热点。然而,传统的推荐算法往往存在着冷启动、数据稀疏等问题。本文在对传统推荐算法研究的基础上,提出了一种基于相似传播和情景聚类的协同过滤推荐算法,根据计算用户间的情景相似度对用户进行聚类,然后根据相似传播原理找出目标用户更多的最近邻居,最后根据预测目标用户对项目的评分进行推荐。借助网上公共数据集在Matlab上实现了该算法并验证了算法的有效性。实验结果表明,本文所提算法的准确性相比传统算法有所提高,同时缓解了传统推荐算法存在的冷启动和数据稀疏性等问题。 相似文献
15.
协同过滤推荐方法由于只利用用户对项目的评分数据,常常会遭遇到评分数据稀疏问题和项目的冷启动问题。本文提出了一种利用项目文本信息与评分信息的混合推荐方法。首先,利用doc2vec处理与项目相关的文本信息数据,通过对项目相关的文本信息数据进行无监督训练得到文本特征向量。然后,利用概率矩阵分解技术融合文本特征向量和评分数据两类信息进行训练,得到用户的潜表示和项目的潜表示,利用用户的潜表示和项目的潜表示可以对用户未打分的项目进行预测。通过实验验证,本文的混合推荐方法在没有显著降低预测精度的同时能够处理项目冷启动问题。 相似文献
16.
17.
18.
提出了一种信号稀疏分解的快速算法,它利用一种互相关的快速运算来代替稀疏分解中计算量巨大的内积运算,提高了运算时间。通过理论仿真和实验表明,在保证稀疏精度的情况下,可以将信号稀疏分解的时间缩短至普通MP算法的1/10至1/20,大大提高了信号在过完备原子库上分解的速度。 相似文献
19.
20.
综合用户背景与资源特点,基于用户的协同过滤更适合高校图书馆在信息推荐中的应用。对其由于馆藏数字资源空间增大而导致推荐系统性能下降以及数据稀疏性问题,提出一种用户意图聚类的方法。通过运用K—means算法,对资源类别的意图特征值相似用户进行聚类,来提高推荐的实时性,降低数据稀疏性对信息推荐造成的影响。实验结果表明,基于用户意图聚类的协同过滤算法能有效提高推荐质量。 相似文献