基于評分相似性的群稀疏矩陣分解推薦算法
大小：0.73 MB 人氣： 2017-12-05 需要積分：3
如何提高系統(tǒng)的推薦精度，是當前推薦系統(tǒng)面臨的重要問題。對矩陣分解模型進行了研究，針對評分數(shù)據(jù)的群結(jié)構(gòu)性問題，提出了一種基于評分相似性的群稀疏矩陣分解模型（ SSMF-GS）。首先，根據(jù)用戶的評分行為對評分數(shù)據(jù)矩陣進行分群，獲得相似用戶群評分矩陣；然后，通過SSMF-GS算法對相似用戶群評分矩陣進行群稀疏矩陣分解；最后，采用交替優(yōu)化算法對模型進行求解。所提模型可以篩選出不同用戶群的偏好潛在項目特征，提升了潛在特征的可解釋性。在GroupLens網(wǎng)站上提供的MovieLens數(shù)據(jù)集上進行仿真實驗，實驗結(jié)果表明，所提算法可以顯著提高預(yù)測精度，平均絕對誤差（MAE）及均方根誤差（RMSE）指標均表現(xiàn)出良好的性能。
非常好我支持^.^
(0) 0%
不好我反對
(0) 0%
下載地址
基于評分相似性的群稀疏矩陣分解推薦算法下載
相關(guān)電子資料下載
- TikTok將開發(fā)獨立版推薦算法，以滿足美國用戶需求？ 426
- 快手的短視頻推薦算法（1） 782
- 稀疏矩陣包含了哪幾種基本的運算操作呢 1410
- 詳解推薦算法的架構(gòu)流程 2871
- 《麻省理工科技評論》發(fā)布了最新的2021年10大突破性技術(shù)的概念 2813
- top-N推薦算法評測的影響有哪些？ 1846
- 基于賽靈思FPGA的廣告推薦算法Wide and deep硬件加速案例 2775
- 互聯(lián)網(wǎng)廣告推薦迎來變革，雪湖科技聯(lián)合賽靈思發(fā)布推薦算法解決方案 1614
- 基于阿里云FPGA云的廣告推薦算法加速器 985
- 基于深度學(xué)習(xí)的推薦算法大部分都存在不同程度的數(shù)據(jù)集缺失和源碼缺失 3690