资料下载
如何使用标签权重进行协同过滤推荐算法的资料说明
分享资料个
针对传统协同过滤推荐 算法中由于相似度计算导致推荐精度不足的问题，提出一种基于标签权重相似度量方法的协同过滤推荐算法。首先，通过改进当前算法中标签权重的计算，并构成用户标签权重矩阵和物品-标签权重矩阵;其次，考虑到推荐系统是以用户为中心进行推荐，继而通过构建用户物品关联矩阵来获取用户对物品最准确的评价和需求;最后，根据用户-物品的二部图，利用物质扩散算法计算基于标签权重的用户间相似度，并为目标用户生成推荐列表。实验结果表明，与一种基于“用户-项目一用户兴趣标签图”的协同好友推荐算法（ UITGCF）相比，在稀疏度环境为0.1时该算法的召回率、准确率和F1值分别提高了14. 69% 9. 44%、17. 23%。当推荐项目数量为10时，三个指标分别提高了17. 99%、8. 98%、16.27%。结果表明基于标签权重的协同过滤推荐算法可有效提高推荐结果。
近年来，随着物联网、云计算和社会网络等技术的迅猛发展，网络空间中所蕴含的信息量呈指数级增长1 在大数据时代，信息消费者难以在海量数据中有效挖掘信息，推荐系统应运而生。推荐系统的主要作用是通过从大量数据中检索最相关的信息和服务来减少信息过载，从而提供个性化的服务。其在学术界和工业界取得了大量相关研究成果。推荐系统主要应用于在线电子商务网站：21（如eBay、Amazon、阿里巴巴、亚马逊、豆瓣等） ，社交网络［3］（如Twitter、Facebook、新浪微博等），信息检索 （如Google GroupLens、百度等） ，以及移动应用，个性化邮件，基于位置的服务等各个领域。
声明：本文内容及配图由入驻作者撰写或者入驻合作网站授权转载。文章观点仅代表作者本人，不代表电子发烧友网立场。文章及其配图仅供工程师学习之用，如有内容侵权或者其他违规问题，请联系本站处理。 举报投诉
- 相关下载
- 相关文章
