基于上下文相似度的分解推薦算法
大小：0.80 MB 人氣： 2017-11-27 需要積分：1
針對移動服務推薦中用戶上下文環(huán)境復雜多變和數(shù)據(jù)稀疏性問題，提出一種基于移動用戶上下文相似度的張量分解推薦算法-UCS-TF。該算法組合用戶間的多維上下文相似度和上下文相似可信度，建立用戶上下文相似度模型，再對目標用戶的K個鄰居用戶建立移動用戶一上下文一移動服務三維張量分解模型，獲得目標用戶的移動服務預測值，生成移動推薦。實驗結果顯示，與余弦相似性方法、Pearson相關系數(shù)方法和Cosinel改進相似度模型相比，所提UCS-TF算法表現(xiàn)最優(yōu)時的平均絕對誤差（MAE）分別減少了II. l%、10. l%和3.2%；其P@N指標大幅提升，均優(yōu)于上述方法。另外，對比Cosinel算法、CARS2算法和TF算法，UCS-TF算法在數(shù)據(jù)稀疏密度為5%、20%、50%、80%上的預測誤差最小。實驗結果表明UCS-TF算法具有更好的推薦效果，同時將用戶上下文相似度與張量分解模型結合，能有效緩解評分稀疏性的影響。
?
非常好我支持^.^
(0) 0%
不好我反對
(0) 0%
下載地址
基于上下文相似度的分解推薦算法下載
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
- 圖像相似度分析——相似度算法 1212
- 快手的短視頻推薦算法（1） 782
- 二進制代碼相似度比較研究技術匯總 728
- 人的大腦和自監(jiān)督學習模型的相似度有多高？ 732
- 快速了解文本語義相似度領域的研究脈絡和進展 731
- 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 2813
- 思必馳在中文文本相似度計算方向上取得階段性成果 1935
- 自然語言任務方案思考：句子相似度和匹配 2294