版權(quán)說(shuō)明:本文檔由用戶(hù)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(qǐng)進(jìn)行舉報(bào)或認(rèn)領(lǐng)
文檔簡(jiǎn)介
1、互聯(lián)網(wǎng)和電子商務(wù)的發(fā)展,產(chǎn)生了大量的數(shù)據(jù),從而導(dǎo)致網(wǎng)絡(luò)資源的信息過(guò)載。當(dāng)搜索引擎技術(shù)已經(jīng)無(wú)法解決信息過(guò)載問(wèn)題時(shí),推薦系統(tǒng)應(yīng)運(yùn)而生。常見(jiàn)的推薦系統(tǒng)有:協(xié)同過(guò)濾推薦、基于內(nèi)容的推薦和基于圖的推薦,但它們都存在數(shù)據(jù)稀疏和計(jì)算量大的問(wèn)題,使得推薦結(jié)果不準(zhǔn)確和實(shí)時(shí)性差。針對(duì)這些問(wèn)題進(jìn)行深入研究,主要工作和貢獻(xiàn)如下:
首先,針對(duì)傳統(tǒng)K-means算法隨機(jī)選擇初始聚類(lèi)中心,極易造成聚類(lèi)結(jié)果不準(zhǔn)確的問(wèn)題,提出了一種基于最小方差和最大化最小距離
2、的思想改進(jìn)K-means算法初始聚類(lèi)中心的選擇方法。接著提出了一種基于用戶(hù)信任關(guān)系和評(píng)分偏好的新方法度量用戶(hù)之間的相似度,從而在一定程度上解決了推薦系統(tǒng)在計(jì)算用戶(hù)相似度時(shí)面臨的數(shù)據(jù)稀疏問(wèn)題。
其次,提出了一種改進(jìn)K-means聚類(lèi)的推薦方法IKC(Improved K-means Clustering Recommendation Method)。利用基于信任關(guān)系的用戶(hù)相似度代替K-means算法中對(duì)象之間的歐式距離;接著用改
3、進(jìn)的K-means算法對(duì)用戶(hù)進(jìn)行聚類(lèi)劃分,把相似度較高的用戶(hù)聚集到同一個(gè)子類(lèi)中,然后用Top-N算法生成推薦列表。
在MovieLens(1M)和Epinions數(shù)據(jù)集上的實(shí)驗(yàn)表明:基于IKC算法的推薦方法在相同數(shù)據(jù)集下不同數(shù)據(jù)稀疏度的平均絕對(duì)誤差和均分根誤差兩項(xiàng)指標(biāo)都較其他四種比較算法小,解決了數(shù)據(jù)稀疏問(wèn)題;且IKC算法在相同的數(shù)據(jù)集上的執(zhí)行效率也較其他四種比較算法高,解決了計(jì)算量大的問(wèn)題。所以IKC算法在推薦系統(tǒng)的準(zhǔn)確性和
溫馨提示
- 1. 本站所有資源如無(wú)特殊說(shuō)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(qǐng)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(qǐng)聯(lián)系上傳者。文件的所有權(quán)益歸上傳用戶(hù)所有。
- 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁(yè)內(nèi)容里面會(huì)有圖紙預(yù)覽,若沒(méi)有圖紙預(yù)覽就沒(méi)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(kù)僅提供信息存儲(chǔ)空間,僅對(duì)用戶(hù)上傳內(nèi)容的表現(xiàn)方式做保護(hù)處理,對(duì)用戶(hù)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(duì)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(qǐng)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(shí)也不承擔(dān)用戶(hù)因使用這些下載資源對(duì)自己和他人造成任何形式的傷害或損失。
最新文檔
- 碩士論文基于改進(jìn)k-means聚類(lèi)的推薦方法研究答辯
- 基于改進(jìn)K-Means聚類(lèi)方法的高校就業(yè)推薦系統(tǒng)研究.pdf
- K-means聚類(lèi)算法的改進(jìn).pdf
- 模糊k-means聚類(lèi)方法研究及改進(jìn).pdf
- K-means聚類(lèi)算法的改進(jìn)研究.pdf
- 基于K-means聚類(lèi)的LEACH協(xié)議的改進(jìn)研究.pdf
- 基于凝聚模糊K-means的聚類(lèi)方法研究.pdf
- 基于密度的改進(jìn)K-Means文本聚類(lèi)算法研究.pdf
- 基于遺傳算法的K-MEANS聚類(lèi)改進(jìn)研究.pdf
- K-Means聚類(lèi)算法的研究與改進(jìn).pdf
- 基于K-means聚類(lèi)的協(xié)同過(guò)濾推薦算法研究.pdf
- K-means聚類(lèi)算法的改進(jìn)研究及應(yīng)用.pdf
- 基于改進(jìn)K-means聚類(lèi)的欠定盲分離.pdf
- 基于K-Means的文檔聚類(lèi)算法研究.pdf
- 基于改進(jìn)的K-means和層次聚類(lèi)方法的詞袋模型研究.pdf
- 一種改進(jìn)的K-MEANS聚類(lèi)彩色圖像分割方法.pdf
- 基于密度垂直中點(diǎn)的K-means聚類(lèi)算法改進(jìn)研究.pdf
- (6)K-means聚類(lèi)算法.pdf
- 基于K-means聚類(lèi)的RCNA識(shí)別算法.pdf
- 基于K-means聚類(lèi)算法的負(fù)荷模型研究.pdf
評(píng)論
0/150
提交評(píng)論