基于k近邻推荐方法
大小：1.09 MB 人气： 2017-11-28 需要积分：2
标签：推荐算法(9953)
针对基于七近邻的协同过滤推荐算法中存在的评分特征数据维度过高、七近邻查找速度慢，以及评分冷启动等问题，提出基于数据降维与精确欧氏局部敏感哈希（ E2 LSH）的五近邻协同过滤推荐算法。首先，融合评分数据、用户属性数据以及项目类别数据，将融合后的数据作为输入对堆叠降噪自编码（ SDA）神经网络进行训练，取神经网络编码部分最后一个隐层的值作为输入数据的特征编码，完成非线性降维。然后，利用精确欧氏局部敏感哈希算法对降维后的数据建立索引，通过检索得到目标用户或目标项目的相似近邻。最后，计算目标与近邻之间的相似度，利用相似度对近邻的评分记录加权得到目标用户对目标项目的预测评分。在标准数据集上的实验结果表明，在冷启动场景下，均方根误差比基于局部敏感哈希的推荐算法（ LSH-ICF）平均降低了约7.2%，平均运行时间和LSH-ICF相当。表明该方法在保证推荐效率的前提下，缓解了评分冷启动问题。
非常好我支持^.^
(0) 0%
不好我反对
(0) 0%
下载地址
基于k近邻推荐方法下载
相关电子资料下载
- TikTok将开发独立版推荐算法，以满足美国用户需求？ 426
- 快手的短视频推荐算法（1） 782
- 详解推荐算法的架构流程 2871
- 《麻省理工科技评论》发布了最新的2021年10大突破性技术的概念 2813
- top-N推荐算法评测的影响有哪些？ 1846
- 基于赛灵思FPGA的广告推荐算法Wide and deep硬件加速案例 2775
- 互联网广告推荐迎来变革，雪湖科技联合赛灵思发布推荐算法解决方案 1614
- 基于阿里云FPGA云的广告推荐算法加速器 985
- 基于深度学习的推荐算法大部分都存在不同程度的数据集缺失和源码缺失 3690
- 基于标签的推荐算法应用场景、基于标签的推荐算法原理介绍 16714