共查询到20条相似文献,搜索用时 62 毫秒
1.
2.
3.
4.
5.
6.
7.
8.
9.
10.
11.
12.
13.
为了降低数据稀疏性的影响,提高推荐系统的推荐生成质量,提出了一种基于多层相似性用户聚类的协同过滤推荐算法。该算法采用新的多层用户相似性度量,并将推荐过程分成了离线和在线两个部分。离线时,算法对基本用户数据进行预处理,并对基本用户聚类;在线时,算法利用已有的用户聚类寻找目标用户最近邻居,并产生推荐。实验表明,该算法不仅加快了推荐生成速度,而且提高了推荐质量,降低了约6%的平均绝对误差。 相似文献
14.
15.
16.
17.
基于深度学习的欧几里得嵌入的推荐算法 总被引:1,自引:1,他引:0
推荐系统为用户推荐用户可能感兴趣的物品,可以有效地减轻信息过载。基于欧几里得嵌入的协同过滤方法将用户和物品映射到统一的隐藏空间中,是构建推荐系统的重要方法之一。然而,传统的基于欧几里得嵌入的推荐方法仅考虑用户和物品隐藏特征向量之间低阶交互,不能有效建模现实世界中用户和物品的复杂交互行为。本文提出基于深度学习的欧几里得嵌入的协同过滤算法,利用深度学习技术学习用户和物品隐藏特征向量之间的高阶、非线性交互函数,建模用户和物品之间复杂交互行为。在真实数据集上的实验结果表明,基于深度学习的欧几里得嵌入的协同过滤算法性能优于传统协同过滤算法。 相似文献
18.
19.
20.
基于深度混合模型评分推荐 总被引:2,自引:0,他引:2
从用户-项目评分矩阵中学习用户对项目的个性化偏好,对于评分推荐来说至关重要。许多推荐方法如潜在因子模型,无法充分利用评分矩阵中的交互信息学到较好的个性化偏好而得到较差推荐效果。受深度学习中Wide and Deep模型应用于APP推荐启发,本文提出一种深度混合模型并命名为DeepHM用于评分推荐。与Wide and Deep模型相比,使用DeepWide和DNN部分重构Wide模型和Deep模型得到DeepHM,并且DeepWide和DNN部分共享交互信息输入。因此,DeepHM可以更有效地使用评分矩阵中的用户和项目的交互信息学到个性化偏好信息。DeepHM将评分推荐作为分类问题旨在提高推荐准确性。实验表明在公开的Movielens数据集上DeepHM算法相比现有的基于评分推荐模型具有更好的效果。 相似文献