融合朋友關系和標簽的張量分解推薦算法
大小：0.75 MB 人氣： 2018-01-07 需要積分：1
標簽：推薦算法(9953)
針對大眾標注網站項目推薦系統(tǒng)中存在數據矩陣稀疏性影響推薦效果的問題，考慮矩陣奇異值分解（SVD）能有效地平滑數據矩陣中的數據，以及朋友圈能夠反映出一個人的興趣愛好，提出了一種融合朋友關系和標簽信息的張量分解推薦算法。首先，利用高階奇異值分解（ HOSVD）方法對用戶一項目一標簽三元組信息進行潛在語義分析和多路降維，分析用戶、項目、標簽三者間關系；然后，再結合用戶朋友關系、朋友間相似度，修正張量分解結果，建立三階張量模型，從而實現推薦。該模型方法在兩個真實數據集上進行了實驗，結果表明，所提算法與高階奇異值分解的方法比較，在推薦的召回率和精確度指標上分別提高了2. 5%和4%，因此，所提算法進一步驗證了結合朋友關系能夠提高推薦的準確率，并擴展了張量分解模型，實現用戶個性化推薦。
?
非常好我支持^.^
(0) 0%
不好我反對
(0) 0%
下載地址
融合朋友關系和標簽的張量分解推薦算法下載
相關電子資料下載
- 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
- 詳解推薦算法的架構流程 2871
- 《麻省理工科技評論》發(fā)布了最新的2021年10大突破性技術的概念 2814
- 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
- 基于深度學習的推薦算法大部分都存在不同程度的數據集缺失和源碼缺失 3690
- 基于標簽的推薦算法應用場景、基于標簽的推薦算法原理介紹 16714