亚洲免费av电影一区二区三区,日韩爱爱视频,51精品视频一区二区三区,91视频爱爱,日韩欧美在线播放视频,中文字幕少妇AV,亚洲电影中文字幕,久久久久亚洲av成人网址,久久综合视频网站,国产在线不卡免费播放

        ?

        基于相似度融合和動(dòng)態(tài)預(yù)測的興趣點(diǎn)推薦算法

        2018-05-21 06:20:34李心茹張碩碩
        關(guān)鍵詞:相似性準(zhǔn)確率矩陣

        李心茹,夏 陽,張碩碩

        中國礦業(yè)大學(xué) 計(jì)算機(jī)學(xué)院,江蘇 徐州 221000

        1 引言

        社會(huì)經(jīng)濟(jì)的快速發(fā)展,給人們的生活帶來更多的樂趣,人們興趣點(diǎn)(如旅游景點(diǎn)、博物館、賓館、餐廳等)的數(shù)量也飛速增長,且會(huì)根據(jù)個(gè)人愛好選擇與自己興趣相投的興趣點(diǎn)[1-2]。如何幫助用戶從大量的興趣點(diǎn)中發(fā)現(xiàn)自己感興趣的點(diǎn)是一個(gè)困難的問題,興趣點(diǎn)推薦就是幫助用戶篩選出與用戶興趣一致的位置并且縮短決策的時(shí)間。

        目前,大多數(shù)興趣點(diǎn)推薦算法是基于興趣點(diǎn)的歷史簽到數(shù)據(jù)及上下文信息(如時(shí)間、地理位置、標(biāo)簽、評(píng)論等)來挖掘符合用戶偏好且尚未訪問的興趣點(diǎn),并改善用戶簽到矩陣的稀疏性問題和冷啟動(dòng)問題。高榕等人[3]提出了使用LDA主題模型提取用戶特征向量融入矩陣分解,利用矩陣分解進(jìn)行填充缺失評(píng)分。Degemmis等人[4]研究了一種矩陣填充技術(shù),將評(píng)分矩陣中的缺失值填充為一種缺省值,以此緩解數(shù)據(jù)稀疏性問題。Gao等人[5]在興趣點(diǎn)推薦時(shí)利用了POI相關(guān)的描述信息和用戶個(gè)人情緒信息。Yin等人[6]利用LDA主題模型,預(yù)測用戶的興趣度,每個(gè)主題通過學(xué)習(xí)用戶的歷史簽到數(shù)據(jù)和POI的分類信息得到。Ren等人[7]將興趣、地理、社會(huì)等六種上下文信息分別建模,融入到概率矩陣模型中。Zhao等人[8]借鑒了社會(huì)上的用戶評(píng)分為用戶進(jìn)行評(píng)分預(yù)測,并將用戶個(gè)人興趣、人際交往評(píng)分相似性等四種因素融合到矩陣分解中。

        總體來說,上述的興趣點(diǎn)推薦算法都一定程度上提高了推薦質(zhì)量,緩解了數(shù)據(jù)稀疏性,但是也存在一些問題:(1)模型計(jì)算復(fù)雜度太高,模型訓(xùn)練時(shí)間過長。(2)部分算法在計(jì)算相似度時(shí)僅使用用戶的簽到評(píng)分,而由于POI簽到矩陣的高稀疏性,會(huì)導(dǎo)致推薦結(jié)果不準(zhǔn)確。(3)矩陣填充技術(shù),由于缺省值設(shè)置不準(zhǔn)確,由此引來了新的誤差[9]。(4)算法中大都利用用戶簽到的歷史數(shù)據(jù),而忽略了用戶的評(píng)論和標(biāo)簽等信息,不能很好地解決冷啟動(dòng)問題。

        針對(duì)上述興趣點(diǎn)推薦面臨的問題及上述研究存在的不足,本文提出了一種基于相似度融合和動(dòng)態(tài)預(yù)測的興趣點(diǎn)推薦算法,該算法命名為SI-DP(point of interest recommendation algorithm based on Similarity Integration and Dynamic Prediction)。該算法的基本思想是:首先將用戶的評(píng)論信息、標(biāo)簽信息及POI相關(guān)的文本信息各自進(jìn)行主題建模進(jìn)行相似度計(jì)算,并且利用用戶簽到數(shù)據(jù)進(jìn)行相似度度量,兩者融合,很好地解決了推薦系統(tǒng)中的冷啟動(dòng)問題,并且提高了推薦的質(zhì)量,最后在推薦生成階段,利用動(dòng)態(tài)預(yù)測法填補(bǔ)缺失的訪問概率,緩解了數(shù)據(jù)稀疏性問題,降低了算法的復(fù)雜性。

        概括起來,本文做出了兩點(diǎn)對(duì)興趣點(diǎn)的貢獻(xiàn):

        (1)由于興趣點(diǎn)推薦中的數(shù)據(jù)除了包含用戶的簽到評(píng)分之外,還有用戶評(píng)論、標(biāo)簽、地理位置等上下文信息,本文利用潛在的LDA主題模型挖掘興趣點(diǎn)和用戶相關(guān)的文本信息,學(xué)習(xí)用戶的興趣特征,利用用戶的興趣特征向量進(jìn)行相似性度量。并且使用傳統(tǒng)的興趣點(diǎn)推薦方法計(jì)算用戶相似度,然后和利用LDA模型提取用戶特征計(jì)算的用戶相似度進(jìn)行線性融合,很好地解決了推薦系統(tǒng)中的冷啟動(dòng)問題。

        (2)在推薦生成階段,使用動(dòng)態(tài)預(yù)測的方法計(jì)算最近鄰居缺失的訪問概率,降低了算法的復(fù)雜性,提高了推薦質(zhì)量。本文在一個(gè)真實(shí)數(shù)據(jù)集上進(jìn)行了實(shí)驗(yàn),實(shí)驗(yàn)結(jié)果表明:相比其他主流算法,本文提出的算法在推薦的準(zhǔn)確率和召回率上提高了很多。

        傳統(tǒng)基于內(nèi)存的協(xié)同過濾算法[10]分兩種:基于用戶的協(xié)同過濾算法和基于物品的協(xié)同過濾算法。本文使用的是基于用戶的協(xié)同過濾算法,其基本思想為:在推薦系統(tǒng)中,當(dāng)用戶A需要推薦時(shí),先找到和用戶A有相似興趣的用戶,然后把那些符合用戶偏好的、而用戶A未知的興趣點(diǎn)推薦給A。

        傳統(tǒng)的基于協(xié)同過濾的興趣點(diǎn)推薦算法主要分為以下幾個(gè)步驟:生成用戶興趣模型、發(fā)現(xiàn)最近鄰集[11]、計(jì)算訪問概率、生成推薦列表。

        在預(yù)測用戶對(duì)某興趣點(diǎn)的訪問概率時(shí),基于用戶的協(xié)同過濾算法為:首先根據(jù)用戶的興趣點(diǎn)訪問序列[12]計(jì)算出該用戶與其他用戶的相似性,然后選取若干個(gè)最相似的用戶[13],并對(duì)這些相似用戶指定興趣點(diǎn)的訪問記錄值加權(quán)求和。

        定義用戶集合為U,興趣點(diǎn)集合為P,用戶對(duì)興趣點(diǎn)的訪問矩陣為C,其中用戶cu,p=1表示用戶u∈U訪問過興趣點(diǎn) p∈P,cu,p=0表示u沒有訪問過興趣點(diǎn)p。給定用戶u,如果該用戶沒有訪問過興趣點(diǎn) p,那么u在未來訪問 p的概率為:

        其中u與v的相似性為用戶v的權(quán)重wu,v。

        在公式(1)中,用戶間的相似性權(quán)重可以由很多方法計(jì)算得來,本文主要應(yīng)用余弦相似性[14]來計(jì)算兩個(gè)用戶之間的相似性。對(duì)于用戶v與u,其余弦相似性的計(jì)算公式為:

        LDA主題模型[15]是2003年由Blei等人提出??梢杂脕碜R(shí)別大規(guī)模文檔集(document collection)或語料庫(corpus)中潛藏的主題信息。它將文檔中的主題以概率分布的形式給出,從而得到了文檔的主題分布,最后再根據(jù)主題進(jìn)行分類或者聚類。在文本信息分析中,LDA模型除了兼顧文本的多語義性之外,還有降維的作用。對(duì)于用戶或者POI來說,將用戶或者POI相關(guān)的文本信息輸入進(jìn)去,可以挖掘它們的潛在主題特征,從而用主題向量表示[16]。

        LDA主題模型的生成過程為:首先,隨機(jī)選擇話題分布θ;然后,對(duì)文檔中的每個(gè)詞w,先從第一點(diǎn)中產(chǎn)生的分布中隨機(jī)選擇一個(gè)話題z,再按照主題z的單詞概率生成一個(gè)詞w。LDA模型如圖1所示。

        圖1 LDA模型

        其中α和β表示語料級(jí)別的參數(shù),θ是一個(gè)K維主題向量。

        用戶或POI的潛在特征挖掘過程可以看作生成過程的逆過程。

        2 SI-DP推薦算法

        為了緩解數(shù)據(jù)稀疏性和冷啟動(dòng)問題,本算法使用LDA主題模型構(gòu)建用戶特征向量,進(jìn)行相似性度量,同時(shí)結(jié)合簽到數(shù)據(jù)進(jìn)行相似性度量。一般情況下,擁有相似主題特征而且同時(shí)簽到過很多興趣點(diǎn)的用戶更相似,所以本文將兩種相似性度量線性融合,發(fā)現(xiàn)最近鄰居集,該相似度融合算法命名為SI(Similarity Integration)算法。在預(yù)測訪問概率階段,為了降低算法復(fù)雜性的同時(shí)提高推薦質(zhì)量,提出一種動(dòng)態(tài)預(yù)測法,動(dòng)態(tài)填充最近鄰對(duì)當(dāng)前興趣點(diǎn)訪問缺失的簽到數(shù)據(jù),本文將該算法命名為DP(Dynamic Prediction)算法。

        2.1 基于LDA模型的相似性度量

        傳統(tǒng)的基于協(xié)同過濾的興趣點(diǎn)推薦算法在進(jìn)行用戶間相似性度量時(shí)僅考慮用戶簽到評(píng)分?jǐn)?shù)據(jù),忽略了用戶的評(píng)論和標(biāo)簽等信息對(duì)相似度的影響。對(duì)此,本文提出使用LDA主題模型從用戶評(píng)論和標(biāo)簽等信息中提取用戶和興趣點(diǎn)的潛在特征,并進(jìn)行相似性度量。該算法首先匯集與同一個(gè)POI有關(guān)的所有評(píng)論和描述信息到一個(gè)文檔即 pi,然后把同一用戶簽到過的POIs的所有的評(píng)論和用戶標(biāo)簽等信息,匯集到一個(gè)文檔即uj,這樣獲得了一個(gè)包含大量的文檔集合,每一個(gè)文檔對(duì)應(yīng)著一個(gè)POI或者一個(gè)用戶。給定POI和用戶中隱含的主題數(shù)K,最終需要得到一個(gè)POI和用戶的主題分布θp和θu,θp和θu都為K維向量,每一維代表該P(yáng)OI或者用戶在相應(yīng)主題下的概率。

        通過LDA主題模型得到每個(gè)POI或者用戶的主題特征,用戶i的主題向量用θui表示,興趣點(diǎn) j的主題向量用θpj表示,表示用戶i屬于主題m的概率,wm

        (pj)表示興趣點(diǎn) j屬于主題m的概率,則基于主題求出用戶最近鄰如公式(3)所示:

        基于主題求出的POI的最近鄰如公式(4)所示:

        2.2 使用SI算法選擇最近鄰居集合

        本文在傳統(tǒng)的基于簽到數(shù)據(jù)度量相似性的基礎(chǔ)上,融合了2.1中基于LDA主題模型的相似性計(jì)算,將兩種相似度進(jìn)行線性融合。假設(shè)使用LDA模型求解出的用戶的最近鄰集合為Ul={ul1,ul2,…,ulm},基于簽到數(shù)據(jù)度量相似性的方法求解出的最近鄰集合為Ut={ut1,ut2,…,utn},則用戶的最近鄰集合表示為Ub=Ul?Ut,對(duì)于最近鄰集的交集Uj=Ul?Ut,在預(yù)測訪問概率時(shí)將賦予更高的權(quán)重。用戶的相似度設(shè)置為:

        其中,siml(ua,ub)為使用LDA主題模型建模后求解出了相似性,simt(ua,ub)為基于傳統(tǒng)利用簽到數(shù)據(jù)求出的相似性。μ為參數(shù),本文設(shè)置為0.6。

        2.3 基于DP算法的訪問概率預(yù)測及推薦列表的生成

        在興趣點(diǎn)推薦中,由于數(shù)據(jù)的高稀疏性,所以在利用求得的最近鄰居集進(jìn)行訪問概率預(yù)測時(shí),常常出現(xiàn)最近鄰對(duì)當(dāng)前興趣點(diǎn)的簽到缺失的情況,為了進(jìn)一步緩解數(shù)據(jù)稀疏性,本文引入動(dòng)態(tài)填充評(píng)分的思想,避免帶來新的誤差。動(dòng)態(tài)預(yù)測,即動(dòng)態(tài)填充用戶當(dāng)前缺失的簽到數(shù)據(jù),當(dāng)出現(xiàn)最近鄰對(duì)當(dāng)前POI簽到缺失情況,即利用公式(4)求出當(dāng)前POI的近鄰集,然后基于近鄰集對(duì)近鄰預(yù)測當(dāng)前POI的訪問概率,最后利用基于用戶的預(yù)測方法進(jìn)行訪問概率預(yù)測。

        假設(shè)目標(biāo)用戶為u,當(dāng)前POI為 p,用戶的最近鄰集為M,用戶h為最近鄰集的任意用戶,則用戶h對(duì)當(dāng)前POI的訪問預(yù)測為:

        其中N為用戶h最近鄰POI集,sim(p ,l)為利用公式(4)求得的興趣點(diǎn) p和興趣點(diǎn)l的相似度。最終,用戶u對(duì)當(dāng)前POI的訪問概率為:

        其中v表示用戶u的最近鄰集,wu,h表示用戶u和用戶h的相似度權(quán)重。根據(jù)公式(7)計(jì)算出用戶的預(yù)測訪問概率,再按訪問概率的大小進(jìn)行排序,選擇前N個(gè)最大的POI生成目標(biāo)用戶top-N的推薦列表。

        3 實(shí)驗(yàn)及實(shí)驗(yàn)結(jié)果分析

        3.1 實(shí)驗(yàn)數(shù)據(jù)集

        本文在實(shí)驗(yàn)中采用了真實(shí)的數(shù)據(jù)集,F(xiàn)oursquare數(shù)據(jù)集,該數(shù)據(jù)集為公開數(shù)據(jù)集,F(xiàn)oursquare是一個(gè)基于位置的社交網(wǎng)絡(luò),允許用戶簽到。考慮到算法的準(zhǔn)確性,本文將少于5次簽到的用戶和POI過濾掉。本文實(shí)驗(yàn)所使用的數(shù)據(jù)集包含5 234個(gè)用戶,6 839個(gè)POI和48 294條簽到或者評(píng)價(jià)。由于數(shù)據(jù)集中用戶-興趣點(diǎn)矩陣密度非常低而造成了很多主流的興趣點(diǎn)推薦算法的精度低,所以本文的數(shù)據(jù)集中,用戶-興趣點(diǎn)矩陣密度較低,最終得到的準(zhǔn)確率偏低也是合理的。

        3.2 評(píng)價(jià)指標(biāo)

        關(guān)于推薦性能,本文采用了兩個(gè)廣泛使用的指標(biāo)評(píng)估TopN的興趣點(diǎn)推薦性能,即召回率Recall和準(zhǔn)確率Precision,簡寫為Rr和Pr,對(duì)于目標(biāo)用戶uj,Pr表示前r個(gè)被推薦的興趣點(diǎn)命中測試集上的興趣點(diǎn)的比例,Rr表示前r個(gè)被推薦的興趣點(diǎn)被用戶實(shí)際訪問過的占多少比例。具體計(jì)算方法如下列公式所示,其中V()uj表示用戶uj簽到過的POI,R()uj表示前r個(gè)被推薦的POI。

        其中T表示測試集中的用戶量。

        3.3 實(shí)驗(yàn)結(jié)果及分析

        為了驗(yàn)證本文推薦算法的質(zhì)量,本文將數(shù)據(jù)集分為80%的測試集和20%的訓(xùn)練集。同時(shí)本文做了三組對(duì)比實(shí)驗(yàn),分別對(duì)比了COS、SI、LDA-CF三種算法的有效性來驗(yàn)證本算法的有效性。對(duì)比算法詳細(xì)描述如下:

        (1)COS,基于余弦相似性的協(xié)同過濾推薦算法,該方法只利用用戶的簽到數(shù)據(jù)計(jì)算相似性,沒有用戶相關(guān)的上下文信息。

        (2)SI,基于LDA主題模型挖掘標(biāo)簽信息的主題特征向量和傳統(tǒng)基于簽到數(shù)據(jù)進(jìn)行相似度度量的融合,該方法在使用LDA主題模型進(jìn)行潛在特征向量挖掘時(shí),僅使用了用戶和POI的標(biāo)簽信息。

        (3)LDA-CF,基于矩陣分解和LDA主題模型相結(jié)合的興趣點(diǎn)推薦算法。

        3.3.1 參數(shù)影響

        關(guān)于鄰居集中最近鄰個(gè)數(shù)K,圖2和圖3展現(xiàn)出在不同近鄰個(gè)數(shù)下本文推薦算法和其他算法的比較。由圖2可知,在鄰居數(shù)大于60時(shí),推薦的準(zhǔn)確率和召回率明顯提升,在120~140時(shí)最高,本文將最近鄰數(shù)K設(shè)置到160。經(jīng)過多次實(shí)驗(yàn),進(jìn)行最近鄰實(shí)驗(yàn)時(shí),本文將SI、SI-DP算法所需的話題數(shù)設(shè)置在70。

        圖2 不同近鄰下三種算法準(zhǔn)確率對(duì)比圖

        圖3 不同近鄰下三種算法召回率對(duì)比圖

        從圖2和圖3中可以看出,與COS相比,SI算法的召回率和準(zhǔn)確率都有明顯的提升,表明采用LDA模型與利用簽到數(shù)據(jù)相似度融合的方法使得用戶偏好的興趣點(diǎn)出現(xiàn)的次數(shù)有所增加,并且有助于提高推薦算法的質(zhì)量。同時(shí)融合LDA模型的相似度計(jì)算方法一定程度上緩解傳統(tǒng)協(xié)同過濾算法的冷啟動(dòng)問題。不同近鄰數(shù)量下,SI-DP與COS相比,準(zhǔn)確率和召回率形成明顯對(duì)比,表明SI和動(dòng)態(tài)預(yù)測相結(jié)合的算法優(yōu)于COS推薦算法,同時(shí)準(zhǔn)確率和召回率的提高明顯高于SI算法,說明融合的動(dòng)態(tài)預(yù)測算法降低了預(yù)測誤差,提高了推薦算法的準(zhǔn)確率。

        實(shí)驗(yàn)中,首先在數(shù)據(jù)集上針對(duì)LDA-CF、SI、SI-DP算法中用到的不同數(shù)量的話題進(jìn)行參數(shù)的調(diào)整,確定達(dá)到最優(yōu)結(jié)果的主題數(shù)量值,然后進(jìn)行不同算法的效果比較,由圖4和圖5可以看出,隨著主題數(shù)量的增加,準(zhǔn)確率和召回率都在不斷增加,在K=70時(shí),達(dá)到最優(yōu)結(jié)果,參數(shù)調(diào)整時(shí),本文設(shè)置top-N中N的數(shù)量為10,最近鄰數(shù)量設(shè)置在140。

        圖4 準(zhǔn)確率

        圖5 召回率

        3.3.2 實(shí)驗(yàn)結(jié)果分析

        經(jīng)過參數(shù)的調(diào)整實(shí)驗(yàn),本文將最近鄰數(shù)量設(shè)置為140,話題數(shù)量設(shè)置為70,關(guān)于前K個(gè)推薦給用戶的POI,如圖6和圖7展現(xiàn)出了本文所提的SI-DP算法與其他主流興趣點(diǎn)推薦算法的推薦準(zhǔn)確度比較結(jié)果。從圖中可以明顯看出:隨著推薦列表中被推薦的POIs數(shù)量K的增加,準(zhǔn)確率降低、召回率上升。因?yàn)橛脩艉灥骄仃嚨拿芏鹊?,所以興趣點(diǎn)推薦算法的精度不是很高。

        圖6 四種算法準(zhǔn)確率對(duì)比圖

        圖7 四種算法召回率對(duì)比圖

        分別對(duì)比了COS、SI、LDA-CF三種算法,從兩幅圖中可以直觀地看出,SI-DP算法的推薦精確度明顯優(yōu)于其他三種算法,所提出的SI和主流算法中的LDA-CF的推薦精度相差不大,較COS有明顯的改變。

        綜合上述多個(gè)對(duì)比實(shí)驗(yàn)說明,基于主題模型和動(dòng)態(tài)預(yù)測的興趣點(diǎn)推薦算法可以減少預(yù)測誤差,緩解數(shù)據(jù)稀疏和冷啟動(dòng)問題并且提高了推薦算法質(zhì)量。

        4 結(jié)束語

        對(duì)于興趣點(diǎn)推薦中的數(shù)據(jù)稀疏問題和傳統(tǒng)協(xié)同過濾中的冷啟動(dòng)問題,本文提出了首先利用LDA模型挖掘用戶的潛在特征向量,然后進(jìn)行相似度計(jì)算。同時(shí)利用傳統(tǒng)的協(xié)同過濾算法中使用簽到數(shù)據(jù)計(jì)算相似度,最后將兩者融合,使用戶的相似性更貼近于真實(shí)。為了進(jìn)一步緩解興趣點(diǎn)簽到矩陣的高稀疏性,在訪問概率預(yù)測時(shí)加入了動(dòng)態(tài)預(yù)測方法,進(jìn)而提出一種基于相似度融合和動(dòng)態(tài)預(yù)測的興趣點(diǎn)推薦算法。真實(shí)數(shù)據(jù)集上的實(shí)驗(yàn)結(jié)果表明,本文提出的SI-DP推薦算法優(yōu)于其他幾種主流推薦算法。

        [1]劉樹棟,孟祥武.基于位置的社會(huì)化網(wǎng)絡(luò)推薦系統(tǒng)[J].計(jì)算機(jī)學(xué)報(bào),2015,38(2):322-336.

        [2]Ye Mao,Yin Peifeng,Lee W C,et al.Exploiting geographical influence for collaborative point-of-interest recommendation[C]//Proc of the 34th International ACM SIGIR Conference on Research and Development in Information Retrieval.New York:ACM Press,2011:325-334.

        [3]高榕,李晶,杜博,等.一種融合情景和評(píng)論信息的位置社交網(wǎng)絡(luò)興趣點(diǎn)推薦模型[J].計(jì)算機(jī)研究與發(fā)展,2016,53(4):752-763.

        [4]Degemmis M,Lops P,Semeraro G.A content-collaborative recommender that exploits word net-based user profiles for neighborhood formation[J].User Modeling and User-adapted Interaction,2007,17(3):217-255.

        [5]Gao H J,Tang J L,Hu X,et al.Content-aware point of interest recommendation on location-based social networks[C]//Proceedingsofthe29thAAAIConference on Artificial Intelligence,Astin,USA,2015:1721-1727.

        [6]Yin H,Cui B,Sun Y Z,et al.LCARS:A spatial item recommender system[J].ACM Transactions on Information Systems,2014,32(3).

        [7]Ren X,Song M,Haihong E,et al.Context-aware probabilistic matrix factorization modeling for point-of-interest recommendation[J].Neurocomputing,2017,241(7):38-55.

        [8]Zhao G S,Qian X M,Xie X.User-service rating prediction by exploring social users’rating behaviors[J].Journal of IEEE Transactions on Multimedia,2016,18(3):496-506.

        [9]Leng Yajun,Lu Qing,Liang changyong.Survey of recommendation based on collaborative filtering[J].Pattern Recognition and Artificial Intelligence,2014,27(8):720-734.

        [10]Jiang S H,Qian X M,Shen J L,et al.Author topic model-based collaborative filtering for personalized POI[J].Journal of IEEE Transactions on Multimedia,2015,17(6):907-918.

        [11]Bart P,Knijnenburg,Sivakumar S,et al.Recommender systems for self-actualization[C]//Proceedings of the 10th ACM Conference on Recommender Systems,Boston,MA,USA,2016:11-14.

        [12]Cheng C,Yang H,Lyu M R,et al.Where you like to go next:Successive point-of-interest recommendation[C]//Proceedings of the 23th International Conference on Artificial Intelligence,Beijing,China,2013:2605-2611.

        [13]Sun Guangfu,Wu Le,Liu Qi,et al.Recommendations based on collaborative filtering by exploiting sequential behaviors[J].Journal of Software,2013,24(11):2721-2733.[14]Zhao Qinqin,Lu Kai,Wang Bin.SPCF:a memory based collaborative filtering algorithm via propagation[J].Chinese Journal of Computers,2013,36(3):671-676.

        [15]Silva E D S D.New probabilistic models for recommender systems with rich contextual and content information[C]//Proceedings of the Tenth ACM International Conference on Web Search and Data Mining,New York,2017.

        [16]任星怡,宋美娜,宋俊德.基于用戶簽到行為的興趣點(diǎn)推薦[J].計(jì)算機(jī)學(xué)報(bào),2017,39(1):28-51.

        猜你喜歡
        相似性準(zhǔn)確率矩陣
        一類上三角算子矩陣的相似性與酉相似性
        乳腺超聲檢查診斷乳腺腫瘤的特異度及準(zhǔn)確率分析
        健康之家(2021年19期)2021-05-23 11:17:39
        不同序列磁共振成像診斷脊柱損傷的臨床準(zhǔn)確率比較探討
        2015—2017 年寧夏各天氣預(yù)報(bào)參考產(chǎn)品質(zhì)量檢驗(yàn)分析
        淺析當(dāng)代中西方繪畫的相似性
        高速公路車牌識(shí)別標(biāo)識(shí)站準(zhǔn)確率驗(yàn)證法
        初等行變換與初等列變換并用求逆矩陣
        低滲透黏土中氯離子彌散作用離心模擬相似性
        矩陣
        南都周刊(2015年4期)2015-09-10 07:22:44
        矩陣
        南都周刊(2015年3期)2015-09-10 07:22:44
        国产亚洲欧美精品一区| 欧美精品videosse精子| 欧美精品人人做人人爱视频| 亚洲天堂第一区| 亚洲一区极品美女写真在线看| 在线播放草猛免费视频| 亚洲av无码一区二区三区天堂古代 | 亚洲av色香蕉一区二区三区| 成人妇女免费播放久久久| 久久久久亚洲AV成人网毛片| 午夜亚洲精品一区二区| 欧美黑人巨大videos精品| 乱人伦中文无码视频| 精品久久久久中文字幕APP| 日本成人中文字幕亚洲一区| 夜夜夜夜曰天天天天拍国产| 国产精品久久久久电影网| 99久久综合国产精品免费| 国产精品伦理久久一区| 乱中年女人伦av三区| 精品午夜福利1000在线观看| 日本精品人妻在线观看| 日本护士口爆吞精视频| 亚洲av无码一区二区乱孑伦as| 一级毛片不卡在线播放免费| 亚洲中文字幕乱码免费看| 久久国产精品一国产精品金尊| 亚洲老妇色熟女老太| WWW拍拍拍| 国产免费一区二区在线视频| 九色九九九老阿姨| 亚洲成人观看| 亚洲五码av在线观看| 亚洲一区二区三区四区五区黄| 国产内射性高湖| 天堂女人av一区二区| 中文字幕精品一区二区三区| 精品国产一区二区三区免费| 久久国产影视免费精品| 亚洲综合在不卡在线国产另类| 疯狂的欧美乱大交|