基于上下文相似度的分解推薦算法
推薦 + 挑錯(cuò) + 收藏(0) + 用戶評(píng)論（0）
針對(duì)移動(dòng)服務(wù)推薦中用戶上下文環(huán)境復(fù)雜多變和數(shù)據(jù)稀疏性問(wèn)題，提出一種基于移動(dòng)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(duì)目標(biāo)用戶的K個(gè)鄰居用戶建立移動(dòng)用戶一上下文一移動(dòng)服務(wù)三維張量分解模型，獲得目標(biāo)用戶的移動(dòng)服務(wù)預(yù)測(cè)值，生成移動(dòng)推薦。實(shí)驗(yàn)結(jié)果顯示，與余弦相似性方法、Pearson相關(guān)系數(shù)方法和Cosinel改進(jìn)相似度模型相比，所提UCS-TF算法表現(xiàn)最優(yōu)時(shí)的平均絕對(duì)誤差（MAE）分別減少了II. l%、10. l%和3.2%；其P@N指標(biāo)大幅提升，均優(yōu)于上述方法。另外，對(duì)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(yù)測(cè)誤差最小。實(shí)驗(yàn)結(jié)果表明UCS-TF算法具有更好的推薦效果，同時(shí)將用戶上下文相似度與張量分解模型結(jié)合，能有效緩解評(píng)分稀疏性的影響。
?
非常好我支持^.^
(0) 0%
不好我反對(duì)
(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(guān)電子資料下載
- TikTok將開(kāi)發(fā)獨(dú)立版推薦算法，以滿足美國(guó)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(jìn)制代碼相似度比較研究技術(shù)匯總 728
- 人的大腦和自監(jiān)督學(xué)習(xí)模型的相似度有多高？ 732
- 快速了解文本語(yǔ)義相似度領(lǐng)域的研究脈絡(luò)和進(jìn)展 731
- 詳解推薦算法的架構(gòu)流程 2871
- 《麻省理工科技評(píng)論》發(fā)布了最新的2021年10大突破性技術(shù)的概念 2813
- 思必馳在中文文本相似度計(jì)算方向上取得階段性成果 1935
- 自然語(yǔ)言任務(wù)方案思考：句子相似度和匹配 2294