• <tr id="yyy80"></tr>
  • <sup id="yyy80"></sup>
  • <tfoot id="yyy80"><noscript id="yyy80"></noscript></tfoot>
  • 99热精品在线国产_美女午夜性视频免费_国产精品国产高清国产av_av欧美777_自拍偷自拍亚洲精品老妇_亚洲熟女精品中文字幕_www日本黄色视频网_国产精品野战在线观看 ?

    基于歸一化方法的協(xié)同過(guò)濾推薦算法

    2014-01-16 05:57:44陳小輝劉漢燁
    電子設(shè)計(jì)工程 2014年14期
    關(guān)鍵詞:相似性向量協(xié)同

    陳小輝,高 燕,劉漢燁

    (榆林學(xué)院 信息工程學(xué)院,陜西 榆林 719000)

    隨著計(jì)算機(jī)網(wǎng)絡(luò)技術(shù)迅速發(fā)展,越來(lái)越多的人類(lèi)活動(dòng)依賴(lài)于互聯(lián)網(wǎng),人們可以通過(guò)網(wǎng)絡(luò)購(gòu)買(mǎi)各類(lèi)商品,獲取生活資訊,尋求合作和協(xié)助等等,但是面對(duì)海量的互聯(lián)網(wǎng)信息,普通用戶(hù)越來(lái)越難以及時(shí)獲取有效的信息,在這種情況下能夠提供高效的個(gè)性化的信息推薦顯得尤為重要[1]。協(xié)同過(guò)濾推薦算法是目前應(yīng)用最成功的推薦算法之一,在許多領(lǐng)域得到了廣泛的推廣。

    協(xié)同過(guò)濾(Collaborative Filtering,CF)是根據(jù)用戶(hù)的興趣愛(ài)好、歷史數(shù)據(jù)尋找與用戶(hù)在這些方面有一定相似性的鄰居,并且根據(jù)鄰居的一些行為或評(píng)價(jià)數(shù)據(jù)對(duì)用戶(hù)進(jìn)行推薦。與基于內(nèi)容的推薦系統(tǒng)不同,協(xié)同過(guò)濾推薦算法僅僅是依據(jù)用戶(hù)對(duì)項(xiàng)目的評(píng)價(jià)尋找評(píng)價(jià)相似的若干鄰居,而忽略數(shù)據(jù)詳細(xì)內(nèi)容,一般也不提取項(xiàng)目的文本特征向量,因?yàn)橐话闱闆r下如果不同用戶(hù)對(duì)一些項(xiàng)目給出的評(píng)價(jià)相近,那么這些用戶(hù)對(duì)其他項(xiàng)目的評(píng)價(jià)也會(huì)相似[2]。協(xié)同過(guò)濾推薦算法一般分為兩類(lèi):基于內(nèi)存的協(xié)同過(guò)濾(Memory-based CF)和基于模型的協(xié)同過(guò)濾(Model-based CF)?;趦?nèi)存的協(xié)同過(guò)濾算法是目前應(yīng)用最廣泛的推薦方法,又可以進(jìn)一步分為基于用戶(hù)的協(xié)同過(guò)濾推薦和基于項(xiàng)目(item)的協(xié)同過(guò)濾推薦以及綜合考慮用戶(hù)和項(xiàng)目的推薦技術(shù)?;谟脩?hù)推薦算法是依據(jù)鄰居用戶(hù)對(duì)某個(gè)項(xiàng)目的評(píng)分來(lái)預(yù)測(cè)當(dāng)前用戶(hù)對(duì)該項(xiàng)目的評(píng)分,基于項(xiàng)目的推薦算法則根據(jù)鄰居項(xiàng)目的評(píng)分值來(lái)預(yù)測(cè)當(dāng)前項(xiàng)目的評(píng)分[3]。

    對(duì)于協(xié)同過(guò)濾推薦算法來(lái)說(shuō),核心是計(jì)算用戶(hù)或項(xiàng)目之間的相似度,而在傳統(tǒng)的相似度計(jì)算過(guò)程中,往往不能妥善處理用戶(hù)評(píng)分向量(或項(xiàng)目評(píng)分向量)之間的向量空間長(zhǎng)度差異,而且往往忽略鄰居用戶(hù)共有的評(píng)分項(xiàng)目(或多個(gè)用戶(hù)對(duì)鄰居項(xiàng)目的評(píng)分)的數(shù)值差異或者是嚴(yán)重弱化數(shù)值差異,為了解決這一問(wèn)題,筆者提出了一種基于歸一化方法的協(xié)同過(guò)濾推薦算法(NDCF),該方法在計(jì)算相似度之前首先將用戶(hù)對(duì)每一項(xiàng)目的評(píng)分值歸一化到一個(gè)統(tǒng)一的值域范圍,然后采用基于用戶(hù)的協(xié)同過(guò)濾推薦算法對(duì)歸一化后的不同向量空間中的用戶(hù)向量進(jìn)行相似性度量形成最近鄰居,并產(chǎn)生歸一化的項(xiàng)目評(píng)分預(yù)測(cè),最后再根據(jù)當(dāng)前用戶(hù)在其他項(xiàng)目上的評(píng)分完成項(xiàng)目最終的評(píng)分預(yù)測(cè),并進(jìn)行推薦。

    1 傳統(tǒng)的協(xié)同過(guò)濾推薦原理

    協(xié)同過(guò)濾推薦方法中最流行應(yīng)用最為廣泛的是基于內(nèi)存的推薦算法,其實(shí)現(xiàn)原理最為直觀。以經(jīng)典的基于用戶(hù)(User-based)的協(xié)同過(guò)濾推薦算法為例,它的基本思路是通過(guò)尋找與當(dāng)前用戶(hù)相似度最高的k個(gè)鄰居,然后依據(jù)鄰居對(duì)某個(gè)項(xiàng)目的評(píng)分來(lái)預(yù)測(cè)當(dāng)前用戶(hù)對(duì)該項(xiàng)目的評(píng)分[4]。這種推薦算法可分為3個(gè)實(shí)現(xiàn)步驟:數(shù)據(jù)定義、用戶(hù)相似度計(jì)算和項(xiàng)目評(píng)分預(yù)測(cè)與推薦。

    1.1 數(shù)據(jù)定義

    數(shù)據(jù)定義實(shí)際就是定義用戶(hù)評(píng)分矩陣R,R是一個(gè)n*m的矩陣,n和m分別代表矩陣中的用戶(hù)數(shù)和項(xiàng)目數(shù)。矩陣中的元素值代表用戶(hù)對(duì)項(xiàng)目的評(píng)價(jià)值,包括顯式評(píng)分和隱式評(píng)分兩種,顯式評(píng)分一般指用戶(hù)直接對(duì)項(xiàng)目的評(píng)價(jià)值,隱式評(píng)分則是根據(jù)用戶(hù)的瀏覽行為如瀏覽頻率、時(shí)間、購(gòu)買(mǎi)等間接推測(cè)出的數(shù)值[5]。矩陣的用戶(hù)向量(水平向量)代表特定用戶(hù)對(duì)項(xiàng)目的評(píng)價(jià)值,項(xiàng)目向量(垂直向量)代表某個(gè)具體項(xiàng)目得到的用戶(hù)的評(píng)價(jià)值。如果存在用戶(hù)ux對(duì)項(xiàng)目iy的評(píng)分rxy,則評(píng)分矩陣R中有R[x,y] = rxy,用戶(hù)評(píng)分矩陣R如式(1)所示。

    1.2 相似度計(jì)算

    協(xié)同過(guò)濾推薦本質(zhì)是基于近鄰的搜索方法,其實(shí)現(xiàn)核心是對(duì)用戶(hù)或項(xiàng)目間的相似性的度量。常用的計(jì)算相似性方法主要有向量空間相似性度量方法(VSS)和皮爾森相似性度量方法(PCC)兩種。向量空間相似性度量方法是把用戶(hù)對(duì)項(xiàng)目的評(píng)分看作是一個(gè)n維向量,用戶(hù)間的相似性是通過(guò)計(jì)算兩個(gè)用戶(hù)向量之間的余弦?jiàn)A角來(lái)決定[6]。用戶(hù)u和v之間的相似度SIM(u, v)計(jì)算如式(2)所示,式中Iuv表示用戶(hù)u和用戶(hù)v共同評(píng)分的項(xiàng)目集合。

    皮爾森相似性度量方法是用來(lái)衡量變量的線性關(guān)系,是在向量空間相似性度量方法的基礎(chǔ)上考慮了用戶(hù)評(píng)分的數(shù)值差異,使用用戶(hù)評(píng)分的偏差作為評(píng)分值參與計(jì)算,用戶(hù)u和v的相似度SIM(u, v)計(jì)算如式(3)所示,其中代表用戶(hù)u和用戶(hù)v對(duì)各自已評(píng)分項(xiàng)目的平均評(píng)分,Iuv代表用戶(hù)u與用戶(hù)v共同評(píng)分項(xiàng)目的集合。

    1.3 項(xiàng)目評(píng)分預(yù)測(cè)與推薦

    使用式(2)或式(3)計(jì)算得到任意兩兩用戶(hù)之間的相似值以后,對(duì)于特定的目標(biāo)用戶(hù),可以得到與其相似度最大的N個(gè)鄰居用戶(hù),需要進(jìn)行預(yù)測(cè)的目標(biāo)用戶(hù)的某一未評(píng)分項(xiàng)目,可以按照一定的計(jì)算方法根據(jù)這些鄰居對(duì)該項(xiàng)目的評(píng)分來(lái)得到,為提高預(yù)測(cè)準(zhǔn)確度需要考慮到不同用戶(hù)的評(píng)分尺度的不同,計(jì)算時(shí)候需要考慮用戶(hù)對(duì)所有項(xiàng)目的平均評(píng)分,可利用公式(4)進(jìn)行評(píng)分的預(yù)測(cè),式中 表示用戶(hù)u對(duì)項(xiàng)目i的評(píng)分用戶(hù)u和用戶(hù)v對(duì)各自已評(píng)分項(xiàng)目的平均評(píng)分,N(u)代表目標(biāo)用戶(hù)u的鄰居用戶(hù)集。在計(jì)算得到當(dāng)前用戶(hù)對(duì)于未評(píng)分項(xiàng)目的預(yù)測(cè)評(píng)分后,可以根據(jù)評(píng)分值對(duì)這些未評(píng)分項(xiàng)目排序,然后選擇評(píng)分最高的若干項(xiàng)目進(jìn)行推薦。

    2 基于歸一化方法的協(xié)同過(guò)濾推薦

    2.1 傳統(tǒng)協(xié)同過(guò)濾推薦算法的不足

    傳統(tǒng)的基于內(nèi)存的協(xié)同過(guò)濾推薦因?yàn)槠渌惴ê?jiǎn)單實(shí)用在較多領(lǐng)域得到了應(yīng)用,但是仍然存在較多問(wèn)題。特別是在相似度計(jì)算過(guò)程中,VSS算法和PCC算法都是基于用戶(hù)對(duì)項(xiàng)目評(píng)價(jià)的數(shù)值進(jìn)行直接統(tǒng)計(jì)去計(jì)算相似度,而沒(méi)有考慮用戶(hù)向量的差異與評(píng)分的數(shù)值大小[7]。例如圖1,對(duì)于一個(gè)簡(jiǎn)單的用戶(hù)評(píng)價(jià)矩陣,它包含5個(gè)用戶(hù)和5個(gè)評(píng)分項(xiàng)目,用戶(hù)對(duì)每一個(gè)項(xiàng)目的評(píng)分值在1和6之間。

    圖1 用戶(hù)項(xiàng)目評(píng)分矩陣Fig.1 Scoring matrix of users and items

    如果要預(yù)測(cè)用戶(hù)u2對(duì)于項(xiàng)目i5的評(píng)分,采用VSS和PCC相似度算法可以得到Sim(u1,u2)的值為0.954 8和0.660 3,得到Sim(u2,u3)的值為 0.865 3 和 0.492 6,顯然 Sim(u1,u2)>Sim(u2,u3)根據(jù)這個(gè)計(jì)算結(jié)果,u1與u2的相似度比u2與u3的相似度大。而從圖1可以看出u1的評(píng)分區(qū)間是[1,6],而u2和u3的評(píng)分區(qū)間是[1,4],所以u(píng)1與u2的相似度應(yīng)當(dāng)比u2與u3的相似度小,在計(jì)算u2對(duì)i5的評(píng)分時(shí)候應(yīng)當(dāng)參照的鄰居是u3對(duì)i5的評(píng)分而不是u1。這個(gè)矛盾是因?yàn)槠柹惴ú荒軐?duì)處于不同向量空間的用戶(hù)向量的評(píng)分風(fēng)格差異進(jìn)行有效處理,而向量空間算法則只關(guān)注用戶(hù)向量之間的空間夾角,會(huì)忽略用戶(hù)向量間的長(zhǎng)度差異因此有必要尋找更合理有效的,符合實(shí)際情況的相似度計(jì)算方法從而改善推薦性能。

    2.2 基于歸一化方法的相似性度量方法

    為了克服傳統(tǒng)協(xié)同過(guò)濾推薦算法的不足,筆者嘗試在傳統(tǒng)算法中引入歸一化數(shù)據(jù)處理過(guò)程。在形成用戶(hù)評(píng)分矩陣以后,首先將所有用戶(hù)的項(xiàng)目評(píng)分值歸一到統(tǒng)一的值域空間,該處理過(guò)程假設(shè)任一用戶(hù)向量對(duì)所有項(xiàng)目的評(píng)分不能全部相等。在實(shí)現(xiàn)過(guò)程中,對(duì)于評(píng)分矩陣R的每個(gè)行向量,使用該用戶(hù)的最高評(píng)分值和最低評(píng)分值來(lái)歸一化每一個(gè)項(xiàng)目評(píng)分,最后項(xiàng)目評(píng)分值位于區(qū)間[0,1],歸一化處理后用戶(hù)u對(duì)項(xiàng)目i的評(píng)分 r'ui計(jì)算方法見(jiàn)式(5)。

    根據(jù)式(6)計(jì)算得到的Sim(u,v)∈[0,1],值越大則用戶(hù)u和用戶(hù)v越相似,當(dāng)?shù)扔?時(shí)表示兩個(gè)用戶(hù)完全不同,取1時(shí)表示兩個(gè)用戶(hù)相同。對(duì)于圖1中用戶(hù)評(píng)分矩陣數(shù)據(jù)計(jì)算可得Sim(u1,u2)和Sim(u2,u3)的值分別為0.791 5和0.855 7,則該相似性結(jié)果與事實(shí)相符。特殊情況當(dāng)某個(gè)用戶(hù)對(duì)所有項(xiàng)目的評(píng)分都完全一樣的時(shí)候,會(huì)出現(xiàn)零除數(shù)的情況,但是由于所有的項(xiàng)目會(huì)涉及到推薦系統(tǒng)的各種商品、服務(wù),有效用戶(hù)的評(píng)分不會(huì)全部相同,所以可以忽略該情況。

    為度量被評(píng)分的項(xiàng)目之間的相似性,可通過(guò)對(duì)原始評(píng)分矩陣R的每個(gè)項(xiàng)目的所有評(píng)分值(每一列)進(jìn)行歸一化處理,同樣歸一處理后矩陣中每列的值都在區(qū)間[0,1]上,式(7)給出了度量項(xiàng)目i和j之間相似度Sim(i,j)的計(jì)算方法,式中Uij表示對(duì)項(xiàng)目i和項(xiàng)目j都做出了評(píng)價(jià)的用戶(hù)集合,|Uij|表示集合中用戶(hù)的個(gè)數(shù),rimin和rimax表示用戶(hù)對(duì)項(xiàng)目i的最小和最大評(píng)分值,rjmin和rjmax表示用戶(hù)對(duì)項(xiàng)目j的最小和最大評(píng)分值。

    特殊情況當(dāng)所有用戶(hù)對(duì)某個(gè)項(xiàng)目的評(píng)分都完全一樣的時(shí)候,會(huì)出現(xiàn)零除數(shù)的情況,但是由于對(duì)單個(gè)項(xiàng)目的評(píng)分會(huì)涉及到推薦系統(tǒng)的各類(lèi)用戶(hù),評(píng)分在現(xiàn)實(shí)情況下不會(huì)全部相同,所以可以忽略該情況。

    2.3 基于歸一化方法的項(xiàng)目評(píng)分預(yù)測(cè)和推薦

    基于2.2節(jié)提出的相似性度量算法,本節(jié)給出一種新的基于內(nèi)存的協(xié)同過(guò)濾方法,當(dāng)需要預(yù)測(cè)用戶(hù)u對(duì)項(xiàng)目i的未知評(píng)分值時(shí),該方法會(huì)根據(jù)用戶(hù)的原始評(píng)分尺度來(lái)進(jìn)行預(yù)測(cè)。在基于用戶(hù)的項(xiàng)目評(píng)分值預(yù)測(cè)中用戶(hù)u對(duì)項(xiàng)目i的預(yù)測(cè)評(píng)分可以通過(guò)式(8)計(jì)算,式中U表示與用戶(hù)u相似度最高的同時(shí)對(duì)項(xiàng)目i進(jìn)行了評(píng)分的k個(gè)用戶(hù)的集合。

    3 實(shí)驗(yàn)與分析

    3.1 實(shí)驗(yàn)數(shù)據(jù)集

    為了驗(yàn)證算法的有效性,采用Group Lens研究小組提供的Movielens 電影評(píng)分公開(kāi)數(shù)據(jù)集(http://www.grouplens.org)對(duì)算法進(jìn)行驗(yàn)證和評(píng)估。該數(shù)據(jù)集采集于一個(gè)電影推薦網(wǎng)站,包含了943位用戶(hù)對(duì)1 682部電影的100 000個(gè)評(píng)分,用戶(hù)評(píng)分矩陣的稀疏度為93.7%。實(shí)驗(yàn)中從原始評(píng)分矩陣中隨機(jī)修改一部分評(píng)分項(xiàng)目,形成了10個(gè)數(shù)據(jù)密度分別為2%,4%,6%,8%,10%,12%,14%,16%,18%和20%的稀疏矩陣,使用稀疏度較高(數(shù)據(jù)密度較低)的原因是實(shí)際中的評(píng)分矩陣通常非常稀疏。

    3.2 評(píng)價(jià)標(biāo)準(zhǔn)

    為了檢驗(yàn)項(xiàng)目評(píng)分的預(yù)測(cè)準(zhǔn)確度,使用被廣泛采用平均絕對(duì)誤差(Mean Absolute Error,MAE)來(lái)衡量預(yù)測(cè)的有效性。MAE是預(yù)測(cè)值與真實(shí)值之間的絕對(duì)偏差的平均值,式(10)給出了MAE的計(jì)算方法,式中rui是指用戶(hù)u對(duì)項(xiàng)目i的實(shí)際是指預(yù)測(cè)得到的用戶(hù)u對(duì)項(xiàng)目i的評(píng)分值,N是被預(yù)測(cè)值的數(shù)量,MAE值越低,則說(shuō)明預(yù)測(cè)的準(zhǔn)確度越高。

    3.3 實(shí)驗(yàn)方案

    為了比對(duì)歸一化處理協(xié)同過(guò)濾算法的有效性,采用了5種傳統(tǒng)協(xié)同過(guò)濾方法與基于用戶(hù)的歸一化協(xié)同過(guò)濾推薦算法(NDCF)進(jìn)行了對(duì)比實(shí)驗(yàn):基于用戶(hù)的平均數(shù)法(UMEAN),該方法在計(jì)算未知項(xiàng)目的評(píng)分時(shí),使用用戶(hù)對(duì)所有項(xiàng)目的評(píng)分均值表示;基于項(xiàng)目的平均數(shù)法(IMEAN),該方法在計(jì)算未知用戶(hù)評(píng)分時(shí),使用所有對(duì)當(dāng)前項(xiàng)目評(píng)分用戶(hù)的評(píng)分均值;使用PCC的基于用戶(hù)的協(xié)同過(guò)濾(UPCC);使用PCC的基于項(xiàng)目的協(xié)同過(guò)濾(IPCC);混合使用UPCC和IPCC實(shí)現(xiàn)的一種協(xié)同過(guò)濾方法(WSRec)。實(shí)驗(yàn)采用五折交叉驗(yàn)證方法,對(duì)于10個(gè)稀疏矩陣中的每個(gè)評(píng)分矩陣,將用戶(hù)評(píng)分記錄按照4 : 1的比例劃分為訓(xùn)練集和測(cè)試集,而且分別進(jìn)行了5次劃分,分別依據(jù)訓(xùn)練集中數(shù)據(jù)來(lái)預(yù)測(cè)計(jì)算測(cè)試集中數(shù)據(jù)并計(jì)算相應(yīng)MAE值,最后統(tǒng)計(jì)得出5次實(shí)驗(yàn)的平均MAE值。實(shí)驗(yàn)中鄰居規(guī)模數(shù)k分別取10,20,30,40和50,圖2~圖3給出了鄰居規(guī)模為10和50情況下的實(shí)驗(yàn)結(jié)果。

    圖2 鄰居數(shù)為10時(shí)性能比對(duì)圖Fig.2 Performance comparison chart of 10 neighbors

    圖3 鄰居數(shù)為50時(shí)性能比對(duì)Fig.3 Performance comparison chart of 50 neighbors

    從實(shí)驗(yàn)結(jié)果比對(duì)中可以看出,基于歸一化方法的協(xié)同過(guò)濾推薦(NDCF)的MAE值明顯優(yōu)于其他傳統(tǒng)推薦算法,但是隨著用戶(hù)評(píng)分矩陣密度的增長(zhǎng)NRCF相對(duì)于其他方法的MAE值變化不大,分析原因是優(yōu)于評(píng)分矩陣越稀疏,用戶(hù)向量的維度就越趨于多樣,這導(dǎo)致NDCF在地密度評(píng)分矩陣上相比于其他方法擁有越好的性能。由于現(xiàn)實(shí)環(huán)境下的協(xié)同推薦系統(tǒng)中有效的用戶(hù)評(píng)分矩陣一般都會(huì)非常稀疏。同時(shí)我們也觀察到和其他推薦算法一樣,隨著鄰居規(guī)模K值的增加MAE值在下降。圖4描述了取評(píng)分矩陣密度density=0.1,鄰居規(guī)模K從10增大到50對(duì)NDCF算法MAE值的影響,說(shuō)明鄰居數(shù)越多NDCF的預(yù)測(cè)精度越好,但是當(dāng)K值增到到40到50之間時(shí),MAE曲線已經(jīng)趨于平緩,如果K值進(jìn)一步增大會(huì)逐漸使噪聲鄰居增加,影響預(yù)測(cè)的準(zhǔn)確性。總體來(lái)看相對(duì)于其他推薦方法,基于歸一化方法的協(xié)同過(guò)濾推薦方法能夠適應(yīng)更寬泛的數(shù)據(jù)稀疏度,評(píng)分預(yù)測(cè)的性能也明顯提高。

    4 結(jié)束語(yǔ)

    針對(duì)傳統(tǒng)的協(xié)同過(guò)濾推薦算法的不足,本文提出了一種基于歸一化方法的協(xié)同過(guò)濾推薦算法(NDCF),用于解決個(gè)性化的項(xiàng)目評(píng)分的預(yù)測(cè)和推薦問(wèn)題。所提出的NDCF方法中包含了一種新的用戶(hù)(項(xiàng)目)相似度計(jì)算方法,能夠更加準(zhǔn)確地找到相似的鄰居用戶(hù)或鄰居項(xiàng)目,進(jìn)而提高預(yù)測(cè)及推薦的性能。實(shí)驗(yàn)結(jié)果顯示與傳統(tǒng)推薦算法相比,NDCF方法能夠明顯提高評(píng)分預(yù)測(cè)的性能。

    圖4 鄰居數(shù)對(duì)MAE值的影響Fig.4 Influence of neighbor number on MAE value

    [1] 李聰,梁昌勇,馬麗.基于領(lǐng)域最近鄰的協(xié)同過(guò)濾推薦算法[J].計(jì)算機(jī)研究與發(fā)展,2008,45(9): 1532-1538.LI Cong, LIANG Chang-yong , MA Li. A collaborative filtering recommendation algorithm based on domain nearest neighbor[J]. Journal of Computer Research and Development,2008,45(9): 1532-1538.

    [2] 張光衛(wèi),康建初,李鶴松.面向場(chǎng)景的協(xié)同過(guò)濾推薦算法[J].系統(tǒng)仿真學(xué)報(bào), 2006,18(22):595-601.ZHANG Guang-wei, KANG Jian-chu, LI He-song. context based collaborative filtering recommendation algorithm [J].Journal of System Simulation, 2006,18(22):595-601.

    [3] Sun H, Zheng Z,Chen J, et al. NE.CF: A Novel collaborative collaborative filtering method for service recommendatioii[C]//2011 IEEE International Conference on Web Services (ICWS), 2011:702-703.

    [4] ZHAO Zhi-Dan , SHANG Ming-Sheng . user-based collaborativefiltering recommendation algorithms on Hadoop[J]. Third International Conference on Knowledge Discovery and Data Mining, 2010:478-481.

    [5] Salakhutdinov R, Mnih A, Hinton G. Restricted Boltzmann machines for collaborative filtering[C]// Proceedings of the 24th international conference on Machine learning, 2007: 791-798.

    [6]Banerjee S, Ramanathan K. Collaborative filtering on skewed datasets[C]//Proceedings of the 17th international conference on World Wide Web, 2008:1135-1136.

    [7] Koren Y. Factorization meets the neighborhood: a multifaceted collaborative filtering model[C]//Proceeding of the 14th ACM SIGKDD international conference on Knowledge discovery and Data Mining, 2008: 426-434.

    [8] Sun H, Peng Y, Chen J, et al. A new similarity measure based on adjusted euclidean distance for memory-based collaborative filtering[J]. Journal of Software, 2011, 6(6): 993-1000.

    猜你喜歡
    相似性向量協(xié)同
    一類(lèi)上三角算子矩陣的相似性與酉相似性
    向量的分解
    聚焦“向量與三角”創(chuàng)新題
    蜀道難:車(chē)與路的協(xié)同進(jìn)化
    淺析當(dāng)代中西方繪畫(huà)的相似性
    “四化”協(xié)同才有出路
    三醫(yī)聯(lián)動(dòng) 協(xié)同創(chuàng)新
    低滲透黏土中氯離子彌散作用離心模擬相似性
    向量垂直在解析幾何中的應(yīng)用
    向量五種“變身” 玩轉(zhuǎn)圓錐曲線
    国产私拍福利视频在线观看| 少妇粗大呻吟视频| 成人高潮视频无遮挡免费网站| 免费无遮挡裸体视频| 国产精品98久久久久久宅男小说| 在线观看舔阴道视频| 一本综合久久免费| 国产99久久九九免费精品| 国产在线精品亚洲第一网站| 99精品在免费线老司机午夜| 国产熟女xx| 法律面前人人平等表现在哪些方面| 母亲3免费完整高清在线观看| 午夜福利在线观看吧| 99在线视频只有这里精品首页| 桃色一区二区三区在线观看| 熟女少妇亚洲综合色aaa.| 九色国产91popny在线| 欧美一级a爱片免费观看看 | av中文乱码字幕在线| 日韩欧美一区二区三区在线观看| 国产成人影院久久av| 亚洲国产中文字幕在线视频| 精品福利观看| 精品国产美女av久久久久小说| 搡老妇女老女人老熟妇| 国产视频内射| 欧美性长视频在线观看| 欧美黑人精品巨大| 亚洲精品久久国产高清桃花| 国产成人一区二区三区免费视频网站| 欧美日韩福利视频一区二区| 久久婷婷成人综合色麻豆| 中文亚洲av片在线观看爽| 午夜激情av网站| 久久香蕉精品热| 国产三级在线视频| 精品乱码久久久久久99久播| 精品久久久久久久毛片微露脸| 色播亚洲综合网| 精品欧美国产一区二区三| 国产69精品久久久久777片 | 午夜老司机福利片| 国产69精品久久久久777片 | 欧美高清成人免费视频www| 亚洲色图av天堂| 悠悠久久av| av国产免费在线观看| 亚洲18禁久久av| 午夜亚洲福利在线播放| 两性夫妻黄色片| 亚洲一区高清亚洲精品| 国产aⅴ精品一区二区三区波| 男男h啪啪无遮挡| 国产精品98久久久久久宅男小说| 好男人电影高清在线观看| 亚洲国产精品sss在线观看| 久久香蕉国产精品| 一本久久中文字幕| √禁漫天堂资源中文www| 久久 成人 亚洲| 色老头精品视频在线观看| 在线观看免费视频日本深夜| www.自偷自拍.com| 欧美日本亚洲视频在线播放| 国内揄拍国产精品人妻在线| 国产高清视频在线观看网站| 我要搜黄色片| 欧美乱妇无乱码| 成人国语在线视频| 九色国产91popny在线| 国产伦一二天堂av在线观看| 午夜两性在线视频| 亚洲美女黄片视频| 老汉色av国产亚洲站长工具| 日本a在线网址| 午夜福利视频1000在线观看| 成熟少妇高潮喷水视频| 黄色丝袜av网址大全| 午夜日韩欧美国产| 亚洲国产精品999在线| 51午夜福利影视在线观看| 狂野欧美激情性xxxx| 欧美日韩瑟瑟在线播放| 岛国视频午夜一区免费看| 香蕉国产在线看| 欧美最黄视频在线播放免费| 最好的美女福利视频网| 日本 欧美在线| 欧美大码av| 亚洲精品在线美女| 琪琪午夜伦伦电影理论片6080| 国产麻豆成人av免费视频| 亚洲av片天天在线观看| avwww免费| 欧美成人一区二区免费高清观看 | 欧美乱码精品一区二区三区| 国产一区二区在线观看日韩 | 91成年电影在线观看| 波多野结衣高清作品| 老汉色av国产亚洲站长工具| 亚洲人成77777在线视频| 久久久久久久精品吃奶| 99精品久久久久人妻精品| 欧美成人免费av一区二区三区| 成人一区二区视频在线观看| 欧美激情久久久久久爽电影| ponron亚洲| 在线永久观看黄色视频| 丝袜美腿诱惑在线| 麻豆成人午夜福利视频| 日韩欧美在线二视频| 香蕉久久夜色| 精品少妇一区二区三区视频日本电影| 妹子高潮喷水视频| 国产欧美日韩精品亚洲av| 18禁黄网站禁片午夜丰满| 在线观看舔阴道视频| av国产免费在线观看| 色精品久久人妻99蜜桃| 国产成人精品久久二区二区免费| avwww免费| 毛片女人毛片| 亚洲一区二区三区不卡视频| 国产精品一及| e午夜精品久久久久久久| 757午夜福利合集在线观看| 男女做爰动态图高潮gif福利片| 丝袜人妻中文字幕| 黑人操中国人逼视频| 欧美av亚洲av综合av国产av| 给我免费播放毛片高清在线观看| 中文资源天堂在线| 啦啦啦免费观看视频1| 精品久久久久久久末码| 99久久99久久久精品蜜桃| 男女午夜视频在线观看| a在线观看视频网站| 99精品在免费线老司机午夜| 一a级毛片在线观看| 一边摸一边抽搐一进一小说| 看黄色毛片网站| 美女大奶头视频| 色精品久久人妻99蜜桃| netflix在线观看网站| 男人舔女人下体高潮全视频| 女警被强在线播放| 亚洲专区国产一区二区| 亚洲人成77777在线视频| 人妻久久中文字幕网| 一区二区三区激情视频| 日韩欧美免费精品| 亚洲欧美日韩高清在线视频| 美女免费视频网站| 又大又爽又粗| 老司机深夜福利视频在线观看| 亚洲精品久久成人aⅴ小说| 91国产中文字幕| 看黄色毛片网站| 日韩 欧美 亚洲 中文字幕| 午夜免费激情av| 麻豆一二三区av精品| 国产精品久久久av美女十八| 99riav亚洲国产免费| xxx96com| 精品福利观看| 午夜影院日韩av| 他把我摸到了高潮在线观看| 国产精品久久久人人做人人爽| 中文在线观看免费www的网站 | 国产一级毛片七仙女欲春2| 亚洲片人在线观看| 黄频高清免费视频| 99热6这里只有精品| 国产1区2区3区精品| 三级国产精品欧美在线观看 | 淫秽高清视频在线观看| 久久久国产成人免费| 日韩大尺度精品在线看网址| 在线观看免费视频日本深夜| 亚洲片人在线观看| 一级片免费观看大全| 亚洲国产中文字幕在线视频| 国产精品99久久99久久久不卡| 久久国产乱子伦精品免费另类| 午夜亚洲福利在线播放| 窝窝影院91人妻| 啪啪无遮挡十八禁网站| 成人一区二区视频在线观看| 午夜福利欧美成人| 国产真实乱freesex| 女人爽到高潮嗷嗷叫在线视频| 草草在线视频免费看| 俺也久久电影网| 观看免费一级毛片| 国产免费男女视频| 老汉色∧v一级毛片| 巨乳人妻的诱惑在线观看| 亚洲国产欧美人成| 亚洲人成电影免费在线| 日日爽夜夜爽网站| 免费看a级黄色片| 久久久精品欧美日韩精品| 国产精品美女特级片免费视频播放器 | 91av网站免费观看| 久久这里只有精品19| 麻豆一二三区av精品| 久久精品人妻少妇| 久久精品综合一区二区三区| 国产成人aa在线观看| 一级毛片精品| 国产爱豆传媒在线观看 | 国产99久久九九免费精品| 12—13女人毛片做爰片一| 亚洲中文av在线| 18禁黄网站禁片午夜丰满| 亚洲国产欧美网| 99国产极品粉嫩在线观看| 制服丝袜大香蕉在线| 精品久久久久久成人av| 国产精品亚洲一级av第二区| 欧美黄色片欧美黄色片| 1024手机看黄色片| 欧美3d第一页| 1024视频免费在线观看| 亚洲第一欧美日韩一区二区三区| 麻豆一二三区av精品| 亚洲电影在线观看av| 国产精品,欧美在线| 亚洲欧美一区二区三区黑人| 制服人妻中文乱码| 亚洲美女黄片视频| 非洲黑人性xxxx精品又粗又长| 国产精品亚洲一级av第二区| 免费搜索国产男女视频| 特级一级黄色大片| 中文字幕熟女人妻在线| 亚洲精品av麻豆狂野| 久久精品国产亚洲av香蕉五月| 99热6这里只有精品| 国产精品久久久久久久电影 | 国产精品久久久人人做人人爽| aaaaa片日本免费| 亚洲人成网站在线播放欧美日韩| 岛国在线免费视频观看| 好看av亚洲va欧美ⅴa在| 五月玫瑰六月丁香| 亚洲国产精品久久男人天堂| 亚洲美女黄片视频| 亚洲人与动物交配视频| 免费在线观看影片大全网站| 老鸭窝网址在线观看| 99久久99久久久精品蜜桃| 在线免费观看的www视频| 欧美3d第一页| 日本五十路高清| tocl精华| 一区二区三区激情视频| 又大又爽又粗| 国产精品98久久久久久宅男小说| 亚洲av熟女| 成人精品一区二区免费| 九色成人免费人妻av| 国产精品永久免费网站| 久久精品夜夜夜夜夜久久蜜豆 | 老司机靠b影院| 一个人观看的视频www高清免费观看 | 精品一区二区三区av网在线观看| 国产精品久久久久久精品电影| 久久久久久亚洲精品国产蜜桃av| 嫩草影视91久久| 国产亚洲av嫩草精品影院| 少妇熟女aⅴ在线视频| 亚洲中文av在线| xxx96com| 在线免费观看的www视频| 99热这里只有精品一区 | 他把我摸到了高潮在线观看| www.精华液| 999精品在线视频| 欧美性猛交黑人性爽| 国产又黄又爽又无遮挡在线| 人人妻,人人澡人人爽秒播| 亚洲九九香蕉| 午夜日韩欧美国产| 久久久久久大精品| 99国产精品99久久久久| 久久精品综合一区二区三区| 日韩大尺度精品在线看网址| 波多野结衣高清作品| 伦理电影免费视频| 免费av毛片视频| 婷婷丁香在线五月| 啦啦啦免费观看视频1| 国产日本99.免费观看| 一进一出抽搐gif免费好疼| 黄片大片在线免费观看| 欧美成人午夜精品| 在线观看午夜福利视频| 麻豆成人av在线观看| 搡老妇女老女人老熟妇| 日韩国内少妇激情av| 中文字幕熟女人妻在线| 亚洲午夜理论影院| 国产黄a三级三级三级人| 成人18禁高潮啪啪吃奶动态图| 伊人久久大香线蕉亚洲五| 最近最新中文字幕大全免费视频| 亚洲人成伊人成综合网2020| 久久伊人香网站| 两性午夜刺激爽爽歪歪视频在线观看 | 午夜福利免费观看在线| 欧美一级毛片孕妇| 国产亚洲精品久久久久久毛片| 日韩三级视频一区二区三区| e午夜精品久久久久久久| 婷婷精品国产亚洲av| 国产欧美日韩精品亚洲av| 欧美黄色淫秽网站| 国产精品亚洲一级av第二区| 亚洲无线在线观看| 99久久综合精品五月天人人| 亚洲熟女毛片儿| a级毛片a级免费在线| 精品久久蜜臀av无| 人妻夜夜爽99麻豆av| av在线天堂中文字幕| 一级毛片精品| 亚洲av日韩精品久久久久久密| 久久久精品大字幕| 久久精品影院6| 亚洲av成人精品一区久久| 国产精品一及| 婷婷丁香在线五月| 午夜福利高清视频| 特大巨黑吊av在线直播| 国产又黄又爽又无遮挡在线| 三级男女做爰猛烈吃奶摸视频| 国产精品影院久久| 国模一区二区三区四区视频 | 欧美黄色淫秽网站| 欧美日韩黄片免| 欧美zozozo另类| 午夜久久久久精精品| 欧美日本亚洲视频在线播放| 成年人黄色毛片网站| 日韩精品中文字幕看吧| 久久久久久大精品| 两个人看的免费小视频| 亚洲美女黄片视频| 麻豆国产av国片精品| 欧美高清成人免费视频www| 午夜福利高清视频| 免费人成视频x8x8入口观看| 国产成人av激情在线播放| 久久欧美精品欧美久久欧美| 俺也久久电影网| 脱女人内裤的视频| 一区二区三区高清视频在线| 亚洲性夜色夜夜综合| 国产99久久九九免费精品| 中文字幕人妻丝袜一区二区| 中文字幕久久专区| 久久久久久国产a免费观看| 国产探花在线观看一区二区| 99精品欧美一区二区三区四区| 两个人看的免费小视频| 亚洲熟妇熟女久久| 成人精品一区二区免费| videosex国产| 91在线观看av| а√天堂www在线а√下载| 久久精品亚洲精品国产色婷小说| 久久人妻福利社区极品人妻图片| 搞女人的毛片| 啪啪无遮挡十八禁网站| 久久香蕉精品热| 男人的好看免费观看在线视频 | 国产成人av教育| 此物有八面人人有两片| 桃色一区二区三区在线观看| 五月伊人婷婷丁香| 在线播放国产精品三级| 中文字幕人妻丝袜一区二区| 国产激情偷乱视频一区二区| 久久久国产精品麻豆| 欧美高清成人免费视频www| 亚洲性夜色夜夜综合| 好看av亚洲va欧美ⅴa在| 少妇裸体淫交视频免费看高清 | 天天添夜夜摸| 亚洲va日本ⅴa欧美va伊人久久| 最近最新中文字幕大全免费视频| 国产精品免费视频内射| 国产亚洲av嫩草精品影院| 999精品在线视频| 欧美日韩一级在线毛片| 午夜免费成人在线视频| 老司机福利观看| 两个人免费观看高清视频| 日本在线视频免费播放| 中文字幕人妻丝袜一区二区| 亚洲中文日韩欧美视频| 一个人免费在线观看电影 | 两个人免费观看高清视频| 中文字幕最新亚洲高清| 日韩三级视频一区二区三区| 中文资源天堂在线| 国产成人精品无人区| 国产精品1区2区在线观看.| 在线观看午夜福利视频| 12—13女人毛片做爰片一| 无人区码免费观看不卡| 国产精品久久久av美女十八| 高清在线国产一区| 国产av不卡久久| 男男h啪啪无遮挡| 欧美日韩亚洲综合一区二区三区_| 欧美日韩国产亚洲二区| 亚洲国产精品成人综合色| 国产精品免费视频内射| 香蕉国产在线看| 国产精品综合久久久久久久免费| 久久久久性生活片| 午夜福利欧美成人| 欧美大码av| 亚洲av成人av| 亚洲国产日韩欧美精品在线观看 | 国产精品爽爽va在线观看网站| 91在线观看av| cao死你这个sao货| 日本黄色视频三级网站网址| 亚洲成人久久爱视频| 日韩欧美国产一区二区入口| 精品久久蜜臀av无| 久久精品国产清高在天天线| 怎么达到女性高潮| 舔av片在线| 欧美精品啪啪一区二区三区| 1024视频免费在线观看| 黄色 视频免费看| 三级毛片av免费| 久久国产乱子伦精品免费另类| 老司机福利观看| 在线永久观看黄色视频| 国产99久久九九免费精品| 九九热线精品视视频播放| 99久久99久久久精品蜜桃| 18禁美女被吸乳视频| av免费在线观看网站| 在线观看免费日韩欧美大片| 伊人久久大香线蕉亚洲五| 国产97色在线日韩免费| 日韩精品免费视频一区二区三区| 日本一本二区三区精品| 久久久国产精品麻豆| 搞女人的毛片| 一本久久中文字幕| 波多野结衣高清无吗| 精品午夜福利视频在线观看一区| 黄色女人牲交| 国产av麻豆久久久久久久| 99热这里只有精品一区 | 妹子高潮喷水视频| 国产成人aa在线观看| 亚洲欧美日韩无卡精品| 国产精品永久免费网站| 亚洲av美国av| 欧美高清成人免费视频www| 精品人妻1区二区| 最新在线观看一区二区三区| 在线视频色国产色| 亚洲天堂国产精品一区在线| 九九热线精品视视频播放| 久久久久国产精品人妻aⅴ院| 欧美成人一区二区免费高清观看 | 欧美三级亚洲精品| 淫秽高清视频在线观看| 欧美黑人巨大hd| 日韩国内少妇激情av| 欧美日韩亚洲综合一区二区三区_| 天堂av国产一区二区熟女人妻 | 在线观看免费午夜福利视频| 美女大奶头视频| 国产aⅴ精品一区二区三区波| 国产一区二区激情短视频| 不卡av一区二区三区| 俺也久久电影网| 亚洲av成人不卡在线观看播放网| 特大巨黑吊av在线直播| 1024香蕉在线观看| 亚洲av成人一区二区三| 色播亚洲综合网| 每晚都被弄得嗷嗷叫到高潮| 欧美色欧美亚洲另类二区| 婷婷六月久久综合丁香| 一级毛片精品| 亚洲av熟女| 999久久久精品免费观看国产| e午夜精品久久久久久久| 国产精品av视频在线免费观看| 中文字幕久久专区| 国产高清有码在线观看视频 | 久久亚洲真实| 欧美一区二区精品小视频在线| 国产v大片淫在线免费观看| 1024香蕉在线观看| 欧美乱码精品一区二区三区| 麻豆av在线久日| 18禁观看日本| 国产精品久久电影中文字幕| 亚洲熟妇熟女久久| 两性午夜刺激爽爽歪歪视频在线观看 | 成人精品一区二区免费| 国产成人精品久久二区二区91| 亚洲成av人片免费观看| 18禁观看日本| 午夜成年电影在线免费观看| 黄片小视频在线播放| 日日夜夜操网爽| 51午夜福利影视在线观看| 妹子高潮喷水视频| 国产单亲对白刺激| 亚洲精品美女久久久久99蜜臀| 香蕉久久夜色| 成人手机av| 国产野战对白在线观看| 久久热在线av| 免费观看人在逋| 亚洲 欧美 日韩 在线 免费| 首页视频小说图片口味搜索| 男女床上黄色一级片免费看| 欧美 亚洲 国产 日韩一| 丝袜人妻中文字幕| 亚洲精品在线观看二区| www.熟女人妻精品国产| or卡值多少钱| 久久国产精品影院| 亚洲成a人片在线一区二区| 亚洲激情在线av| 亚洲国产欧美网| 丝袜人妻中文字幕| av天堂在线播放| 国产精品 欧美亚洲| 91成年电影在线观看| 亚洲专区国产一区二区| 欧美色欧美亚洲另类二区| 久久精品国产清高在天天线| 亚洲一区二区三区不卡视频| 毛片女人毛片| 午夜福利欧美成人| 天堂av国产一区二区熟女人妻 | 亚洲国产日韩欧美精品在线观看 | 亚洲一码二码三码区别大吗| 久久久久久免费高清国产稀缺| 国产97色在线日韩免费| 亚洲av美国av| 少妇熟女aⅴ在线视频| 国产欧美日韩一区二区精品| 99re在线观看精品视频| 天堂av国产一区二区熟女人妻 | 中文字幕人成人乱码亚洲影| 啦啦啦韩国在线观看视频| 亚洲av熟女| 伊人久久大香线蕉亚洲五| 级片在线观看| 久久中文字幕一级| 日本黄大片高清| 欧美日韩亚洲国产一区二区在线观看| 欧美一区二区国产精品久久精品 | 国产精品av久久久久免费| 久久久久久免费高清国产稀缺| 精品久久蜜臀av无| 国产精品九九99| 国产精品1区2区在线观看.| 99久久精品国产亚洲精品| 欧美午夜高清在线| 亚洲专区字幕在线| 成人av在线播放网站| 男女下面进入的视频免费午夜| 久久久久久久久中文| 中国美女看黄片| 亚洲自拍偷在线| 日日夜夜操网爽| 色精品久久人妻99蜜桃| 色在线成人网| 日日爽夜夜爽网站| 在线观看午夜福利视频| 国产成人系列免费观看| 日韩大尺度精品在线看网址| 日本 欧美在线| 午夜福利18| 国产99久久九九免费精品| av超薄肉色丝袜交足视频| 久久欧美精品欧美久久欧美| 国产精品一区二区免费欧美| 日韩av在线大香蕉| 午夜免费成人在线视频| 日韩大尺度精品在线看网址| a级毛片在线看网站| 女人高潮潮喷娇喘18禁视频| 级片在线观看| 51午夜福利影视在线观看| 亚洲 国产 在线| 黑人欧美特级aaaaaa片| 亚洲国产精品成人综合色| 人人妻人人澡欧美一区二区| 欧美一级a爱片免费观看看 | 久久久久久人人人人人| 久久久久精品国产欧美久久久| 99国产综合亚洲精品| 亚洲中文字幕一区二区三区有码在线看 | 国产久久久一区二区三区| 国产精品自产拍在线观看55亚洲| 国产视频一区二区在线看|