• <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 ?

    鄰域線性最小二乘擬合的推薦支持度模型

    2015-12-27 02:15:09孫忱奚宏生高榮
    關(guān)鍵詞:覆蓋率鄰域線性

    孫忱,奚宏生,高榮,2

    (1.中國科學(xué)技術(shù)大學(xué)自動化系,230027,合肥;2.廣西財(cái)經(jīng)學(xué)院信息與統(tǒng)計(jì)學(xué)院,530003,南寧)

    ?

    鄰域線性最小二乘擬合的推薦支持度模型

    孫忱1,奚宏生1,高榮1,2

    (1.中國科學(xué)技術(shù)大學(xué)自動化系,230027,合肥;2.廣西財(cái)經(jīng)學(xué)院信息與統(tǒng)計(jì)學(xué)院,530003,南寧)

    針對協(xié)同過濾推薦系統(tǒng)在稀疏數(shù)據(jù)集條件下推薦準(zhǔn)確度低的問題,提出了推薦支持度模型以及用于該模型計(jì)算的鄰域線性最小二乘擬合的推薦支持度評分算法(linear least squares fitting, LLSF)。該模型描述用戶對被推薦項(xiàng)目更感興趣的可能性,通過用高支持度的評分估計(jì)取代傳統(tǒng)的期望估計(jì)法來找出用戶更喜歡的項(xiàng)目,從而提高推薦的準(zhǔn)確度,并從理論上論述了該算法在稀疏數(shù)據(jù)集條件下相對其他算法具有更強(qiáng)的抗干擾能力。該模型還易于與其他推薦模型融合,具有很好的可拓展性。實(shí)驗(yàn)結(jié)果表明:LLSF算法顯著提升了推薦的準(zhǔn)確性,在MovieLens數(shù)據(jù)集上,F1分?jǐn)?shù)可達(dá)到傳統(tǒng)的kNN算法的3倍多,對于越是稀疏的數(shù)據(jù)集,準(zhǔn)確率提升幅度越大,在Book-Crossing數(shù)據(jù)集上,當(dāng)稀疏度由91%增加到99%時(shí),F1分?jǐn)?shù)的改進(jìn)由22%提高到125%。同時(shí)該方法不會犧牲推薦覆蓋率,可以保證長尾項(xiàng)目的挖掘效果。

    協(xié)同過濾;推薦系統(tǒng);鄰域線性最小二乘擬合;推薦支持度

    隨著互聯(lián)網(wǎng)的迅速發(fā)展,推薦系統(tǒng)已被越來越多地運(yùn)用到各種網(wǎng)站和電子商務(wù)系統(tǒng)中,它不需要用戶提供明確的需求,而是通過分析用戶的歷史行為給用戶的興趣建模,從而主動給用戶推薦能夠滿足他們興趣和需求的個(gè)性化信息[1]。協(xié)同過濾算法是最重要的推薦系統(tǒng)技術(shù)之一,其原理是根據(jù)用戶或項(xiàng)目的相似性來預(yù)測并推薦當(dāng)前用戶沒有進(jìn)行過評分、購買或?yàn)g覽等行為,但是很可能會感興趣的信息[2]。基于鄰域的協(xié)同過濾推薦由于計(jì)算實(shí)時(shí)性好、可擴(kuò)展性高、意義清晰易于解釋等特點(diǎn),應(yīng)用最為廣泛[3]。數(shù)據(jù)稀疏性問題是絕大部分電子商務(wù)推薦系統(tǒng)面臨的最大挑戰(zhàn),這是因?yàn)橄嗨贫鹊挠?jì)算是基于用戶或項(xiàng)目的共同歷史行為的,當(dāng)數(shù)據(jù)非常稀疏時(shí),就會使得相似度計(jì)算不可靠,從而影響基于鄰域的協(xié)同過濾推薦的準(zhǔn)確性[4]。

    研究人員提出了各種方法來提高數(shù)據(jù)稀疏條件下協(xié)同過濾推薦的準(zhǔn)確性。Sarwar等研究了不同相似度計(jì)算方法及不同數(shù)據(jù)稀疏度對準(zhǔn)確性的影響[5]。黃創(chuàng)光等通過自適應(yīng)選擇近鄰數(shù)目的方法來緩解數(shù)據(jù)稀疏帶來的問題[6]。羅辛等把共同評分的數(shù)目轉(zhuǎn)化為相似度支持度的概念來引入計(jì)算[7]。這些方法通過提升預(yù)測的準(zhǔn)確性來提高推薦的準(zhǔn)確性,但是提升效果有限。Adamopoulos另辟蹊徑,通過高百分比的加權(quán)計(jì)算法,改變了通常的平均加權(quán)評分預(yù)測方式,大大提高了推薦準(zhǔn)確性[8]。然而,Adamopoulos所使用的線性插值方法容易受到數(shù)據(jù)擾動的影響,當(dāng)數(shù)據(jù)稀疏時(shí)推薦效果急劇降低。

    注意到雖然推薦以預(yù)測為基礎(chǔ),但側(cè)重點(diǎn)并不相同。本文專注于解決稀疏數(shù)據(jù)條件下提高推薦效果的問題,在現(xiàn)有研究的基礎(chǔ)上,提出推薦支持度的概念,選擇合適的推薦支持度實(shí)現(xiàn)更有效的推薦,同時(shí)設(shè)計(jì)一種新的鄰域線性最小二乘擬合的方法來進(jìn)行計(jì)算。實(shí)驗(yàn)結(jié)果表明,本文提出的方法能大幅度提高推薦的準(zhǔn)確性,同時(shí)還可略微提升或至少不會犧牲推薦的覆蓋率。當(dāng)數(shù)據(jù)越是稀疏時(shí),本文方法所能提供的改進(jìn)就越明顯。

    1 相關(guān)工作

    目前廣泛研究和應(yīng)用的推薦系統(tǒng)技術(shù)絕大多數(shù)都是由基于鄰域的協(xié)同過濾方法拓展或融合而來,而Adamopoulos進(jìn)一步提出了加權(quán)百分比的方法來提高推薦準(zhǔn)確度。

    1.1 基于鄰域的協(xié)同過濾推薦

    基于鄰域的協(xié)同過濾算法[1-5,9-10]分為基于用戶的算法和基于項(xiàng)目的算法,兩者計(jì)算原理相同,只是考察維度相互對換,下面以基于用戶的算法為例進(jìn)行介紹。

    一般地,把用戶u對項(xiàng)目i的評分rui作為該用戶對該項(xiàng)目感興趣的程度,基于用戶的算法通過找出與某用戶u最相似的k個(gè)用戶(稱為用戶u的k-近鄰)來估計(jì)用戶u對其沒有做過評分項(xiàng)目的可能評分。

    不同用戶u與v之間的相似性是一個(gè)測度,一般可以選用皮爾遜相似度

    (1)

    (2)

    這就是通常所說的kNN估計(jì)。以用戶和項(xiàng)目為兩個(gè)維度的評分矩陣也稱為效用矩陣,評分預(yù)測問題可以看作是填充效用矩陣中的空白元素。取得評分預(yù)測后,便可將用戶最可能感興趣的項(xiàng)目推薦給用戶,一般采用Top-N推薦[11-12],即把用戶u評分估計(jì)最高的N個(gè)項(xiàng)目推薦給該用戶。

    上面式子中的累加運(yùn)算表示對用戶全集中的所有用戶u進(jìn)行計(jì)算,Ru表示推薦給用戶u的項(xiàng)目集合,Tu表示測試集中用戶u做出評分的項(xiàng)目集合,|A|表示集合A中元素的個(gè)數(shù)。

    此外,統(tǒng)計(jì)學(xué)中還使用F1分?jǐn)?shù)(記作F1)來兼顧準(zhǔn)確率和召回率,作為綜合準(zhǔn)確性指標(biāo),F1=2pPpR/(pP+pR)。

    覆蓋率指標(biāo)反映推薦系統(tǒng)對長尾項(xiàng)目的挖掘能力,也就是考察推薦物品的分布,這個(gè)分布越平均,則長尾挖掘能力越好,覆蓋率越高;反之,若分布越陡峭,則推薦集中于部分物品,長尾挖掘能力差,覆蓋率低。覆蓋率指標(biāo)可以用比較粗略的覆蓋率來描述,記作cC=|∪Ru|/|I|。

    1.2 基于線性插值法的加權(quán)百分比的推薦方法

    由式(2)可見,通常的基于鄰域的協(xié)同過濾方法在計(jì)算用戶u對項(xiàng)目i評分估計(jì)時(shí),實(shí)際上是把近鄰集合Nk,u中的每一個(gè)用戶v對i的評分,按照該用戶與u的相似度進(jìn)行加權(quán)平均。也就是說,若把每個(gè)近鄰v與u的相似度占所有近鄰相似度總和的比值當(dāng)成u對i的評分可能等于的概率,則u對i的評分估計(jì)取值為所有近鄰對i的評分期望。

    從另一方面看,推薦的基本原理是將用戶最可能感興趣的項(xiàng)目推薦給用戶,基于這種考慮,加權(quán)百分比的推薦方法[8]不采用上述的期望計(jì)算法來評估用戶對項(xiàng)目的興趣,而是提出了一種高概率百分比的推薦,通過評估用戶會以高概率(大于50%)對項(xiàng)目感興趣的程度來實(shí)現(xiàn)推薦。

    算法1 加權(quán)百分比估計(jì)。

    步驟1 將r1,r2,…,rk按從小到大排序,并對應(yīng)變化w1,w2,…,wk的順序,仍然記為w1,w2,…,wk;

    2 鄰域線性擬合的推薦置信度模型

    2.1 推薦支持度模型

    在加權(quán)百分比推薦方法的基礎(chǔ)上,本文完整地提出了推薦支持度模型來推薦更趨向于給出用戶最感興趣的項(xiàng)目。

    (3)

    推薦支持度模型中,一般選取p為大概率數(shù)值,從而描述了用戶可能更趨向于喜歡某項(xiàng)目的程度,大大提高了推薦的準(zhǔn)確性指標(biāo)。

    2.2 鄰域線性擬合算法

    本文提出采用鄰域線性最小二乘擬合的方法實(shí)現(xiàn)數(shù)據(jù)濾波,減小擾動影響。

    算法2 鄰域線性最小二乘擬合估計(jì)。

    輸入 (rvi,wuv),v∈Nk,u,推薦支持度p。

    步驟1 對輸入元組集合排序及歸一化處理后得到序列(r1,w1),(r2,w2)…,(rk,wk);

    下面,通過一個(gè)例子來解釋p-支持度評分估計(jì)的方法。設(shè)用戶u的鄰域大小為5,鄰居們與u的相似度分別為0.05,0.075,0.1,0.2,0.075,且已知他們對項(xiàng)目A的評分為4,4,5,6,10,按評分排序并對相似度歸一化處理后得到元組序列為{(4,0.1),(4,0.15),(5,0.2),(6,0.4),(10,0.15)},把這些元組標(biāo)識的點(diǎn)繪制在坐標(biāo)軸上,如圖1所示,可以得到線性插值法(Interpolation,IP)的折線和鄰域最小二乘線性擬合法(linear least squares fitting,LLSF)的擬合直線。由圖可見,p=0.8時(shí)的p-支持度評分估計(jì)是:線性插值法為5.875,而鄰域最小二乘線性擬合法計(jì)算得到7.339。

    圖1 p-支持度評分估計(jì)示例圖

    由圖2可見,A評分始終高于B評分。分段插值法下,p1和p3為A評分與B評分的交點(diǎn),推薦支持度選在區(qū)間(p1,p3)內(nèi)時(shí),B評分大于A評分,將會推薦B,其他推薦支持度時(shí)則推薦A。鄰域最小二乘法計(jì)算p2為A評分與B評分的交點(diǎn),當(dāng)推薦支持度選擇大于p2的值時(shí),B評分大于A評分,系統(tǒng)應(yīng)推薦B,否則推薦A。

    圖2 推薦支持度模型示例圖

    2.3 針對稀疏數(shù)據(jù)集的分析

    下面,分析鄰域線性擬合算法對于處理稀疏數(shù)據(jù)集的優(yōu)勢。數(shù)據(jù)的稀疏度對推薦準(zhǔn)確率有很大影響的主要原因在于,稀疏的數(shù)據(jù)集使得兩用戶之間的共同評分項(xiàng)目變得很少。由式(1)可知,兩用戶的相似度wuv是通過其共同評分的項(xiàng)目Iu∩Iv計(jì)算的,所以當(dāng)共同評分的項(xiàng)目越少時(shí),相似度計(jì)算受擾動的影響就越大。我們稱共同評分項(xiàng)目很少時(shí)計(jì)算出來的相似度為不可信相似度。例如,若兩個(gè)用戶只有一部共同評分的電影,而他們在這部電影上恰好評分相同(若使用皮爾遜相似度,確切地說,應(yīng)該是相對平均值的評分差相同),則兩個(gè)用戶具有很大的相似度。實(shí)際上,很可能這兩個(gè)用戶興趣根本不同(從他們很少評價(jià)同一部電影就可以看出)。不可信相似度用戶的評分可能會對推薦結(jié)果造成很大的誤導(dǎo),形成錯(cuò)誤的推薦。

    最后,分析鄰域線性擬合法的抗擾動能力。根據(jù)算法2步驟2,可以計(jì)算出

    a=(k∑xjrj-∑xj∑rj)/

    (4)

    (5)

    因此有

    (6)

    其中與rm有關(guān)的因式是

    (7)

    其系數(shù)受到更多因素的制約,故抗干擾能力更強(qiáng)。

    2.4 模型的融合與拓展

    當(dāng)前推薦系統(tǒng)已發(fā)展出大量的模型與算法,除了本文應(yīng)用到的協(xié)同過濾推薦,還有基于內(nèi)容的推薦、基于模型的推薦[2]等,每一大類又有很多的優(yōu)化方法。每種模型各有其優(yōu)缺點(diǎn),在實(shí)際應(yīng)用中,通常是融合多種模型來提高推薦的性能。

    3 實(shí)驗(yàn)評估

    3.1 實(shí)驗(yàn)方案

    分別使用MovieLens數(shù)據(jù)集和Book-Crossing數(shù)據(jù)集對本文提出的鄰域最小二乘線性擬合推薦支持度模型進(jìn)行Top-N推薦離線測試,評估其對推薦準(zhǔn)確度的提升效果,并同時(shí)考查推薦覆蓋率指標(biāo)的滿足情況。

    為防止過擬合,實(shí)驗(yàn)采用以下步驟來進(jìn)行。

    步驟1 將數(shù)據(jù)集隨機(jī)分成M份,第1份作為測試集,另外M-1份作為訓(xùn)練集;

    步驟2 使用訓(xùn)練集來訓(xùn)練模型,使用測試集來檢測得到待評估的指標(biāo);

    步驟3 更換隨機(jī)數(shù)種子,返回步驟1再次開始,共重復(fù)M次;

    步驟4 把M次實(shí)驗(yàn)計(jì)算的指標(biāo)值進(jìn)行平均,得到最后的指標(biāo)評估。

    本文中的實(shí)驗(yàn)選取M=5,并且使用傳統(tǒng)kNN算法及前面介紹的線性插值算法進(jìn)行數(shù)據(jù)對比研究。

    3.2 MovieLens數(shù)據(jù)集實(shí)驗(yàn)

    MovieLens數(shù)據(jù)集[13](簡寫為ML)是由明尼蘇達(dá)大學(xué)GroupLens研究小組提供的電影評分?jǐn)?shù)據(jù)集,本文使用其大小為10萬條記錄的數(shù)據(jù)集進(jìn)行離線測試,數(shù)據(jù)稀疏度為93.7%。

    首先測試了不同算法在不同鄰域大小時(shí)對推薦準(zhǔn)確率的影響,并使用F1分?jǐn)?shù)來評估準(zhǔn)確率。實(shí)驗(yàn)結(jié)果如圖3所示,圖3的4個(gè)子圖分別給出了鄰域k選取5、15、30、50時(shí)的推薦結(jié)果。推薦集大小N作為坐標(biāo)橫軸,實(shí)驗(yàn)計(jì)算了N取3、5、10、30、50、100時(shí)的推薦F1分?jǐn)?shù),F1分?jǐn)?shù)作為坐標(biāo)縱軸,實(shí)驗(yàn)對比了kNN算法、分段線性插值(IP)的加權(quán)百分比算法(選取p=0.8)、鄰域最小二乘線性擬合(LLSF)的推薦支持度算法(分別選取p=0.5,0.8,0.9)。

    由圖3可知,鄰域k為15、30、50時(shí),IP算法與LLSF算法的推薦準(zhǔn)確率都優(yōu)于kNN算法,LLSF算法又顯著優(yōu)于IP算法。對于LLSF算法來說,p=0.9時(shí)效果最佳,特別地,k=15且N=50時(shí),取得最高推薦準(zhǔn)確率。當(dāng)k=5時(shí),IP算法準(zhǔn)確率反而低于kNN算法,當(dāng)N較小時(shí)LLSF算法仍然優(yōu)于kNN算法,只有當(dāng)N較大時(shí)推薦效果才比kNN算法差。

    取k=30、N=50為考察維度,不同算法的準(zhǔn)確率指標(biāo)和覆蓋率指標(biāo)結(jié)果如表1所示。IP算法雖然準(zhǔn)確度(準(zhǔn)確率和召回率)高于kNN算法,但是覆蓋率指標(biāo)(覆蓋率和信息熵)偏低,而LLSF算法不但準(zhǔn)確率明顯優(yōu)于kNN和線性插值算法,覆蓋率也沒有很大損失,可以保證對長尾項(xiàng)目的挖掘能力。

    (a)鄰域大小為5 (b)鄰域大小為15

    (c)鄰域大小為30 (d)鄰域大小為50圖3 ML數(shù)據(jù)集不同鄰域大小時(shí)各算法的F1分?jǐn)?shù)

    算法準(zhǔn)確率召回率F1分?jǐn)?shù)覆蓋率信息熵kNN0.0270.0630.0380.7149.47IP(p=0.8)0.0440.1040.0620.3076.68LLSF(p=0.5)0.0570.1360.0810.6208.80LLSF(p=0.8)0.0800.1890.1130.5398.50LLSF(p=0.9)0.0830.1970.1170.5278.49

    3.3 Book-Crossing數(shù)據(jù)集實(shí)驗(yàn)

    Book-Crossing數(shù)據(jù)集[14](簡寫為BX)是由Ziegler等爬取www.bookcrossing.com社區(qū)獲得的書籍評分?jǐn)?shù)據(jù)集。本文對原始數(shù)據(jù)集進(jìn)行處理,剔除評分?jǐn)?shù)過少的用戶后,形成不同稀疏度的4個(gè)數(shù)據(jù)集,數(shù)據(jù)稀疏度分別是BX1為90.9%,BX2為95.2%,BX3為98.2%,BX4為99.3%。

    圖4給出了對不同稀疏度的BX數(shù)據(jù)集進(jìn)行離線實(shí)驗(yàn),幾種算法在選取鄰域k=30時(shí)所得到的推薦準(zhǔn)確度指標(biāo)F1分?jǐn)?shù)與推薦數(shù)量N的關(guān)系。由圖可見,在不同稀疏度條件下,大支持度(p=0.8,0.9)的LLSF算法推薦準(zhǔn)確度都優(yōu)于kNN和IP算法。IP算法雖然在稀疏度較低時(shí)推薦準(zhǔn)確度較好,但當(dāng)數(shù)據(jù)稀疏度上升時(shí),準(zhǔn)確度迅速下降,甚至低于基本的kNN算法。

    (a)BX1數(shù)據(jù)集 (b)BX2數(shù)據(jù)集

    (c)BX3數(shù)據(jù)集 (d)BX4數(shù)據(jù)集圖4 BX數(shù)據(jù)集不同稀疏度時(shí)各算法的F1分?jǐn)?shù)

    不同稀疏度BX數(shù)據(jù)集實(shí)驗(yàn)中各算法的推薦效果比較見表2。對于準(zhǔn)確率指標(biāo),N0為使得F1分?jǐn)?shù)達(dá)到最大值的推薦數(shù)量,F1(N0)為當(dāng)前算法的最大準(zhǔn)確率,即Top-N0推薦的F1分?jǐn)?shù),F1優(yōu)化率為當(dāng)前算法對比kNN算法的最大準(zhǔn)確率提升的百分比;對于覆蓋率指標(biāo),信息熵為當(dāng)前算法對于N取3、5、10、30、50、100時(shí)的信息熵均值。

    表2 不同稀疏度BX數(shù)據(jù)集各算法推薦指標(biāo)分析

    由表2可見,隨著數(shù)據(jù)集稀疏度的增大,LLSF算法所提供的準(zhǔn)確率改進(jìn)就越大。同時(shí),LLSF算法的覆蓋率指標(biāo)犧牲很小,大大優(yōu)于IP算法的覆蓋率,可以滿足長尾項(xiàng)目的挖掘要求。

    4 結(jié) 論

    盡管推薦系統(tǒng)主要有預(yù)測和推薦兩類應(yīng)用,但Top-N推薦是其實(shí)際中最廣泛的應(yīng)用方式[1]。然而,目前絕大部分的研究還是集中在預(yù)測領(lǐng)域,針對提升推薦準(zhǔn)確率的研究還較少。本文所描述的鄰域最小二乘線性擬合的推薦支持度模型可以大幅度提升推薦準(zhǔn)確率,特別是對于稀疏數(shù)據(jù)集效果更顯著,同時(shí)也沒有犧牲推薦的覆蓋率,保證了對長尾項(xiàng)目的挖掘能力。

    本文所描述的方法還可以與其他模型融合以進(jìn)一步提升推薦效果,具有良好的算法拓展能力。下一步,我們將具體研究本文方法與其他模型融合時(shí)涉及的模型選擇、參數(shù)選擇和實(shí)驗(yàn)效果等問題,特別是融合基于內(nèi)容的推薦,從而更好地處理冷啟動問題,提升算法的實(shí)際應(yīng)用性能。

    [1]項(xiàng)亮.推薦系統(tǒng)實(shí)踐 [M].北京: 人民郵電出版社, 2012: 1-34.

    [2]ADOMAVICIUS G, TUZHILIN A.Toward the next generation of recommender systems: a survey of the state-of-the-art and possible extensions [J].IEEE Transactions on Knowledge and Data Engineering, 2005, 17(6): 734-749.

    [3]LINDEN G, SMITH B, YORK J.Amazon.com recommendations: item-to-item collaborative filtering [J].IEEE Internet Computing, 2003, 7(1): 76-80.

    [4]SU Xiaoyuan, KHOSHGOFTAAR T M.A survey of collaborative filtering techniques [J].Advances in Artificial Intelligence, 2009, 2009: 421425.

    [5]SARWAR B, KARYPIS G, KONSTAN J, et al.Item-based collaborative filtering recommendation algorithms [C]∥Proceedings of the 10th International Conference on World Wide Web.New York, USA: ACM, 2001: 285-295.

    [6]黃創(chuàng)光, 印鑒, 汪靜, 等.不確定近鄰的協(xié)同過濾推薦算法 [J].計(jì)算機(jī)學(xué)報(bào), 2010, 33(8): 1369-1377.

    HUANG Chuangguang, YIN Jian, WANG Jing, et al.Uncertain neighbors’ collaborative filtering recommendation algorithm [J].Chinese Journal of Computers, 2010, 33(8): 1369-1377.

    [7]羅辛, 歐陽元新, 熊璋, 等.通過相似度支持度優(yōu)化基于K近鄰的協(xié)同過濾算法 [J].計(jì)算機(jī)學(xué)報(bào), 2010, 33(8): 1437-1445.

    LUO Xin, OUYANG Yuanxin, XIONG Zhang, et al.The effect of similarity support in K-nearest-neighborhood based collaborative filtering [J].Chinese Journal of Computers, 2010, 33(8): 1437-1445.

    [8]ADAMOPOULOS P, TUZHILIN A.Recommendation opportunities: improving item prediction using weighted percentile methods in collaborative filtering systems [C]∥Proceedings of the 7th ACM Conference on Recommender Systems.New York, USA: ACM, 2013: 351-354.

    [9]呂紅亮, 王勁林, 鄧峰, 等.多指標(biāo)推薦的全局鄰域模型 [J].西安交通大學(xué)學(xué)報(bào), 2012, 46(11): 98-105.

    Lü Hongliang, WANG Jinlin, DENG Feng, et al.A global neighborhood-based model with multi-criteria recommendation [J].Journal of Xi’an Jiaotong University, 2012, 46(11): 98-105.

    [10]KOREN Y.Factor in the neighbors: scalable and accurate collaborative filtering [J].ACM Transactions on Knowledge Discovery from Data, 2010, 4(1): 1-24.

    [11]DESHPANDE M, KARYPIS G.Item-based top-N recommendation algorithms [J].ACM Transactions on Information Systems, 2004, 22(1): 143-177.

    [12]ADAMOPOULOS P.On discovering non-obvious recommendations: using unexpectedness and neighborhood selection methods in collaborative filtering systems [C]∥Proceedings of the 7th ACM International Conference on Web Search and Data Mining.New York, USA: ACM, 2014: 655-660.

    [13]GROUPLENS.MovieLens datasets [DB/OL].(2011-03-01)[2014-06-20].http:∥www.grouplens.org/datasets/movielens/.

    [14]ZIEGLER C N, FREIBURG D.Book-crossing datasets [DB/OL].(2004-06-01)[2014-06-20].http:∥www2.informatik.uni-freiburg.de/~cziegler/BX/.

    (編輯 武紅江)

    A Recommendation-Support Model Using Neighborhood-Based Linear Least Squares Fitting

    SUN Chen1, XI Hongsheng1, GAO Rong1,2

    (1.Department of Automation, University of Science and Technology of China, Hefei 230027, China;2.School of Information and Statistics, Guangxi University of Finance and Economics, Nanning 530003, China)

    A recommendation-support model and a neighborhood-based linear least squares fitting (LLSF) algorithm for the calculation of recommendation-support rating are proposed to solve the low accuracy problem of collaborative filtering based recommender systems on sparse data sets.The model focuses on the probability of users’ more interests on the recommended items, and uses the estimation with high recommendation-support rating to replace the traditional expecta-tion estimation so that users’preferred items are found and the accuracy of recommendation is improved.A theoretical analysis shows that the anti-interference ability of the LLSF algorithm is better than those of other algorithms under the condition of sparse data sets.The model is also expansible by integrating other models.Experimental results show that the LLSF algorithm improves the recommendation accuracy remarkably.TheF1score is 3 times of that of the traditionalkNN algorithm on the MovieLens data set.The more sparse the data set is, the more the improvement on accuracy obtains.When the sparsity grows from 91% to 99% on the Book-crossing data set, the improvement onF1scores increases from 22% to 125%.Moreover, the algorithm can guarantee the ability of long tail mining without loss of recommendation coverage.

    collaborative filtering; recommender system; neighborhood-based linear least squares fitting; recommendation-support model

    2014-08-18。 作者簡介:孫忱(1981—),女,博士生;奚宏生(通信作者),男,教授,博士生導(dǎo)師。 基金項(xiàng)目:國家自然科學(xué)基金重點(diǎn)資助項(xiàng)目(61233003);國家自然科學(xué)基金資助項(xiàng)目(61262002);廣西省自然科學(xué)基金資助項(xiàng)目(2013GXNSFBA019274);廣西省社科規(guī)劃研究資助項(xiàng)目(13BXW007)。

    時(shí)間:2015-03-23

    http:∥www.cnki.net/kcms/detail/61.1069.T.20150323.1713.002.html

    10.7652/xjtuxb201506013

    TP391;TP274

    A

    0253-987X(2015)06-0077-07

    猜你喜歡
    覆蓋率鄰域線性
    民政部等16部門:到2025年村級綜合服務(wù)設(shè)施覆蓋率超80%
    漸近線性Klein-Gordon-Maxwell系統(tǒng)正解的存在性
    我國全面實(shí)施種業(yè)振興行動 農(nóng)作物良種覆蓋率超過96%
    線性回歸方程的求解與應(yīng)用
    稀疏圖平方圖的染色數(shù)上界
    二階線性微分方程的解法
    基于鄰域競賽的多目標(biāo)優(yōu)化算法
    關(guān)于-型鄰域空間
    基于噴丸隨機(jī)模型的表面覆蓋率計(jì)算方法
    基于覆蓋率驅(qū)動的高性能DSP指令集驗(yàn)證方法
    女生性感内裤真人,穿戴方法视频| 夜夜夜夜夜久久久久| 大码成人一级视频| 亚洲第一欧美日韩一区二区三区| 黑人猛操日本美女一级片| 久久热在线av| 成人影院久久| 最近最新中文字幕大全电影3 | 久久精品国产综合久久久| 精品国产乱子伦一区二区三区| 两个人看的免费小视频| 久久青草综合色| 亚洲五月色婷婷综合| 成年版毛片免费区| 一二三四在线观看免费中文在| 欧美不卡视频在线免费观看 | 国产av在哪里看| 国产精品久久久av美女十八| 精品一区二区三卡| av视频免费观看在线观看| 国产精品二区激情视频| 一二三四社区在线视频社区8| 国产主播在线观看一区二区| 丝袜在线中文字幕| 黑人欧美特级aaaaaa片| 国产片内射在线| 亚洲 欧美一区二区三区| 国产精品野战在线观看 | 侵犯人妻中文字幕一二三四区| 亚洲精品av麻豆狂野| 国产成+人综合+亚洲专区| 亚洲专区国产一区二区| 久久婷婷成人综合色麻豆| 国产av在哪里看| 美女高潮喷水抽搐中文字幕| 欧美日韩视频精品一区| 一区二区三区国产精品乱码| 欧美日本亚洲视频在线播放| 亚洲av电影在线进入| 欧美色视频一区免费| 久久人人爽av亚洲精品天堂| 一进一出抽搐gif免费好疼 | 激情在线观看视频在线高清| 丰满的人妻完整版| 成年人黄色毛片网站| 成人18禁高潮啪啪吃奶动态图| 亚洲色图av天堂| 国产真人三级小视频在线观看| 精品免费久久久久久久清纯| 色尼玛亚洲综合影院| 老司机在亚洲福利影院| 亚洲激情在线av| 最近最新免费中文字幕在线| 国产高清videossex| 高清欧美精品videossex| 国产深夜福利视频在线观看| 免费高清在线观看日韩| 亚洲成a人片在线一区二区| 99国产精品99久久久久| 99久久人妻综合| av有码第一页| 欧美日韩福利视频一区二区| 真人做人爱边吃奶动态| 精品人妻1区二区| 露出奶头的视频| 99香蕉大伊视频| 50天的宝宝边吃奶边哭怎么回事| 日韩中文字幕欧美一区二区| 国产精品二区激情视频| 波多野结衣一区麻豆| 久久人人爽av亚洲精品天堂| 亚洲三区欧美一区| 日韩三级视频一区二区三区| 老司机午夜十八禁免费视频| 国产成+人综合+亚洲专区| 亚洲成人精品中文字幕电影 | 欧美中文综合在线视频| 国产乱人伦免费视频| 99re在线观看精品视频| 夜夜爽天天搞| 免费av中文字幕在线| 欧美不卡视频在线免费观看 | 亚洲黑人精品在线| 91大片在线观看| 黄色成人免费大全| 亚洲,欧美精品.| 18禁裸乳无遮挡免费网站照片 | av有码第一页| bbb黄色大片| 窝窝影院91人妻| 久久久久久人人人人人| 亚洲中文av在线| 久久久久九九精品影院| 高潮久久久久久久久久久不卡| 国产亚洲精品久久久久久毛片| 一进一出好大好爽视频| 中文字幕人妻熟女乱码| 亚洲欧美一区二区三区久久| 午夜影院日韩av| 亚洲人成77777在线视频| 一边摸一边抽搐一进一小说| 亚洲av第一区精品v没综合| 亚洲va日本ⅴa欧美va伊人久久| 韩国av一区二区三区四区| 日本黄色视频三级网站网址| 国产av在哪里看| 午夜福利,免费看| 久久人妻福利社区极品人妻图片| 欧美精品一区二区免费开放| 婷婷丁香在线五月| av国产精品久久久久影院| 老熟妇乱子伦视频在线观看| 波多野结衣高清无吗| 18禁国产床啪视频网站| 91av网站免费观看| 免费在线观看亚洲国产| 老司机福利观看| 日韩国内少妇激情av| 国产又爽黄色视频| 视频在线观看一区二区三区| 一级毛片精品| 男人舔女人的私密视频| 国产伦人伦偷精品视频| a级毛片在线看网站| 国产欧美日韩一区二区精品| 在线观看www视频免费| 精品少妇一区二区三区视频日本电影| 动漫黄色视频在线观看| 久久久久亚洲av毛片大全| 国产欧美日韩一区二区三| 日本黄色日本黄色录像| 亚洲五月色婷婷综合| 成人特级黄色片久久久久久久| 亚洲精品国产区一区二| 一进一出抽搐gif免费好疼 | 交换朋友夫妻互换小说| 老司机午夜十八禁免费视频| 午夜免费鲁丝| 九色亚洲精品在线播放| av欧美777| 长腿黑丝高跟| 成年女人毛片免费观看观看9| 老熟妇乱子伦视频在线观看| 欧美日韩中文字幕国产精品一区二区三区 | 无限看片的www在线观看| 午夜a级毛片| a在线观看视频网站| xxxhd国产人妻xxx| 亚洲第一av免费看| 又大又爽又粗| 午夜福利影视在线免费观看| 久久狼人影院| 91国产中文字幕| 丁香六月欧美| 午夜a级毛片| 久久久久九九精品影院| 两性午夜刺激爽爽歪歪视频在线观看 | 国产成人一区二区三区免费视频网站| 精品福利观看| 午夜福利免费观看在线| 成熟少妇高潮喷水视频| 热re99久久精品国产66热6| 亚洲av日韩精品久久久久久密| www国产在线视频色| 九色亚洲精品在线播放| 91成年电影在线观看| 午夜老司机福利片| 国产区一区二久久| 亚洲第一青青草原| 亚洲熟妇熟女久久| 午夜福利免费观看在线| 久久精品91无色码中文字幕| 日韩高清综合在线| 日本撒尿小便嘘嘘汇集6| 久久青草综合色| 精品国产亚洲在线| 国产91精品成人一区二区三区| 高清黄色对白视频在线免费看| 亚洲第一欧美日韩一区二区三区| 精品久久久精品久久久| 99久久人妻综合| 美女高潮到喷水免费观看| 欧美精品一区二区免费开放| av天堂久久9| 777久久人妻少妇嫩草av网站| 91成人精品电影| 激情视频va一区二区三区| 多毛熟女@视频| 精品久久久精品久久久| 亚洲欧美日韩无卡精品| 他把我摸到了高潮在线观看| 成在线人永久免费视频| 一个人免费在线观看的高清视频| 国产精品一区二区三区四区久久 | 黄色毛片三级朝国网站| 不卡av一区二区三区| 嫩草影视91久久| 欧美午夜高清在线| 国产成人精品无人区| 夜夜夜夜夜久久久久| 亚洲欧美日韩高清在线视频| 亚洲av片天天在线观看| 久久香蕉精品热| 欧美在线黄色| 久久久水蜜桃国产精品网| 午夜免费激情av| 中出人妻视频一区二区| 搡老乐熟女国产| 女性被躁到高潮视频| 乱人伦中国视频| 91精品三级在线观看| 1024视频免费在线观看| 中文字幕色久视频| 色老头精品视频在线观看| 国产精品乱码一区二三区的特点 | 亚洲国产欧美日韩在线播放| 久久精品aⅴ一区二区三区四区| 久久中文字幕人妻熟女| 母亲3免费完整高清在线观看| 午夜精品在线福利| e午夜精品久久久久久久| 欧美久久黑人一区二区| 老司机在亚洲福利影院| 91成人精品电影| 亚洲成人国产一区在线观看| 亚洲色图 男人天堂 中文字幕| 狂野欧美激情性xxxx| 精品午夜福利视频在线观看一区| 国产精品久久电影中文字幕| 窝窝影院91人妻| 欧美一区二区精品小视频在线| 久久精品国产清高在天天线| 免费人成视频x8x8入口观看| 最新在线观看一区二区三区| 级片在线观看| 日日摸夜夜添夜夜添小说| 美国免费a级毛片| 激情视频va一区二区三区| 免费在线观看影片大全网站| 老司机靠b影院| 最好的美女福利视频网| 欧美黑人精品巨大| 一二三四社区在线视频社区8| 精品国产乱码久久久久久男人| 免费女性裸体啪啪无遮挡网站| 日韩大码丰满熟妇| 精品午夜福利视频在线观看一区| 黑人猛操日本美女一级片| 久久青草综合色| 一本大道久久a久久精品| 日韩精品青青久久久久久| 亚洲熟妇熟女久久| 国产av又大| 亚洲欧洲精品一区二区精品久久久| 亚洲一区中文字幕在线| 神马国产精品三级电影在线观看 | 国产区一区二久久| 欧美日韩瑟瑟在线播放| 精品人妻在线不人妻| 亚洲精品美女久久久久99蜜臀| 免费在线观看亚洲国产| 女性被躁到高潮视频| 欧美日本中文国产一区发布| 成人18禁高潮啪啪吃奶动态图| 亚洲国产精品999在线| 中文字幕人妻熟女乱码| 亚洲精品中文字幕在线视频| 久久久久久久久久久久大奶| 欧美激情久久久久久爽电影 | 一区在线观看完整版| 高清欧美精品videossex| 日韩三级视频一区二区三区| 制服人妻中文乱码| 国产精品国产av在线观看| 女人被狂操c到高潮| 99久久久亚洲精品蜜臀av| 国产精品一区二区三区四区久久 | 人人澡人人妻人| 曰老女人黄片| 又黄又爽又免费观看的视频| 另类亚洲欧美激情| 在线观看日韩欧美| 美国免费a级毛片| 男女做爰动态图高潮gif福利片 | 男女下面插进去视频免费观看| 亚洲男人的天堂狠狠| 热re99久久精品国产66热6| 国产精品爽爽va在线观看网站 | 另类亚洲欧美激情| 在线观看免费午夜福利视频| 久久人人爽av亚洲精品天堂| 波多野结衣高清无吗| 亚洲aⅴ乱码一区二区在线播放 | 午夜91福利影院| 亚洲欧美日韩无卡精品| 色精品久久人妻99蜜桃| 成人18禁高潮啪啪吃奶动态图| 三上悠亚av全集在线观看| 日日干狠狠操夜夜爽| 精品国内亚洲2022精品成人| 好男人电影高清在线观看| 91国产中文字幕| 一级a爱视频在线免费观看| 亚洲av第一区精品v没综合| 丝袜美足系列| videosex国产| 国产成人精品久久二区二区免费| 久久精品影院6| 最新美女视频免费是黄的| 国产主播在线观看一区二区| 午夜久久久在线观看| 久久人人精品亚洲av| 久久久国产成人免费| 女同久久另类99精品国产91| 精品福利永久在线观看| 国产乱人伦免费视频| 亚洲欧美一区二区三区黑人| 欧美乱色亚洲激情| 国产精品av久久久久免费| 真人做人爱边吃奶动态| 视频区欧美日本亚洲| 99精品在免费线老司机午夜| 亚洲精品美女久久久久99蜜臀| 中文字幕最新亚洲高清| 亚洲第一青青草原| 久久久久久久久免费视频了| 亚洲久久久国产精品| www.熟女人妻精品国产| 男女做爰动态图高潮gif福利片 | 一级毛片精品| 女性生殖器流出的白浆| 看片在线看免费视频| 久久精品影院6| 亚洲在线自拍视频| 亚洲精品美女久久久久99蜜臀| 久久人妻av系列| 国产蜜桃级精品一区二区三区| av网站在线播放免费| 精品久久久久久,| 精品久久久久久电影网| av中文乱码字幕在线| 国产欧美日韩综合在线一区二区| ponron亚洲| 99香蕉大伊视频| 丝袜在线中文字幕| 丝袜人妻中文字幕| 色播在线永久视频| 丁香欧美五月| 亚洲人成电影观看| 免费在线观看亚洲国产| 制服人妻中文乱码| 亚洲午夜精品一区,二区,三区| 亚洲精品在线观看二区| 国产免费现黄频在线看| 亚洲免费av在线视频| 久久青草综合色| 黄网站色视频无遮挡免费观看| 一a级毛片在线观看| 人成视频在线观看免费观看| 国产成人欧美在线观看| 亚洲自偷自拍图片 自拍| 亚洲国产看品久久| 亚洲色图 男人天堂 中文字幕| 亚洲自偷自拍图片 自拍| 岛国视频午夜一区免费看| 国产单亲对白刺激| 色哟哟哟哟哟哟| 超色免费av| 亚洲欧美日韩另类电影网站| 久久精品成人免费网站| 亚洲人成网站在线播放欧美日韩| 91国产中文字幕| 久久久久久免费高清国产稀缺| 可以在线观看毛片的网站| 91精品三级在线观看| 亚洲精品久久午夜乱码| 视频区欧美日本亚洲| 丝袜美足系列| 国产亚洲精品久久久久5区| 美国免费a级毛片| 中文字幕另类日韩欧美亚洲嫩草| 老司机深夜福利视频在线观看| 欧美日韩亚洲综合一区二区三区_| 韩国av一区二区三区四区| 亚洲九九香蕉| 久久久久国产精品人妻aⅴ院| 日韩av在线大香蕉| 一二三四在线观看免费中文在| 午夜福利在线观看吧| av免费在线观看网站| 久久亚洲真实| 日本黄色视频三级网站网址| 国产精品成人在线| av免费在线观看网站| av在线天堂中文字幕 | 曰老女人黄片| 91成人精品电影| 老鸭窝网址在线观看| 午夜成年电影在线免费观看| 国产精品乱码一区二三区的特点 | 亚洲第一av免费看| 欧美日韩乱码在线| 亚洲人成电影免费在线| 亚洲一区中文字幕在线| 国产精品国产av在线观看| 色婷婷av一区二区三区视频| 午夜两性在线视频| 精品免费久久久久久久清纯| 亚洲色图综合在线观看| 国产精品久久久人人做人人爽| 两人在一起打扑克的视频| 成人av一区二区三区在线看| 啪啪无遮挡十八禁网站| 女人爽到高潮嗷嗷叫在线视频| 精品乱码久久久久久99久播| 精品国产乱子伦一区二区三区| 啦啦啦 在线观看视频| 久久久久久久久中文| 99国产综合亚洲精品| 超碰成人久久| 亚洲五月天丁香| 夜夜看夜夜爽夜夜摸 | 侵犯人妻中文字幕一二三四区| 在线观看午夜福利视频| 成人av一区二区三区在线看| 桃色一区二区三区在线观看| 在线观看免费视频网站a站| 久久伊人香网站| 国产精品免费一区二区三区在线| 免费在线观看日本一区| 99国产综合亚洲精品| 精品国产国语对白av| 婷婷六月久久综合丁香| 亚洲精品一区av在线观看| 黄频高清免费视频| 国产高清videossex| 日本欧美视频一区| 久久久精品国产亚洲av高清涩受| 精品少妇一区二区三区视频日本电影| 久久中文字幕一级| 在线国产一区二区在线| 女性生殖器流出的白浆| 欧美成狂野欧美在线观看| 久久热在线av| 欧美在线黄色| 黄色片一级片一级黄色片| 动漫黄色视频在线观看| 18美女黄网站色大片免费观看| 国产亚洲精品久久久久久毛片| 69精品国产乱码久久久| 亚洲美女黄片视频| 高清在线国产一区| 欧美日本中文国产一区发布| 欧美乱色亚洲激情| 久久久久国内视频| 一进一出抽搐gif免费好疼 | 搡老熟女国产l中国老女人| 大陆偷拍与自拍| 欧美性长视频在线观看| 国产伦人伦偷精品视频| 久久精品亚洲精品国产色婷小说| 国产成人精品无人区| 夜夜看夜夜爽夜夜摸 | 在线观看www视频免费| 美女 人体艺术 gogo| 久久国产精品男人的天堂亚洲| 黑人猛操日本美女一级片| 十八禁网站免费在线| 在线观看舔阴道视频| av网站免费在线观看视频| 妹子高潮喷水视频| 国产国语露脸激情在线看| 国产在线观看jvid| 国产aⅴ精品一区二区三区波| 亚洲中文av在线| 热99国产精品久久久久久7| 一边摸一边抽搐一进一小说| 伊人久久大香线蕉亚洲五| 性欧美人与动物交配| 两个人免费观看高清视频| 久久久久久久久免费视频了| 精品乱码久久久久久99久播| 免费久久久久久久精品成人欧美视频| 91字幕亚洲| 国产色视频综合| 欧美激情久久久久久爽电影 | 精品国产乱码久久久久久男人| 最近最新中文字幕大全电影3 | 亚洲午夜精品一区,二区,三区| 久久性视频一级片| 国产三级在线视频| 国产精品一区二区在线不卡| av有码第一页| 曰老女人黄片| 中文字幕人妻熟女乱码| 国产一区在线观看成人免费| 国产在线精品亚洲第一网站| 黄色视频,在线免费观看| 亚洲欧美精品综合一区二区三区| 亚洲人成电影免费在线| 乱人伦中国视频| 女警被强在线播放| 少妇 在线观看| 亚洲av电影在线进入| 精品国产乱子伦一区二区三区| 亚洲精品美女久久av网站| 日韩欧美在线二视频| 在线视频色国产色| 精品久久久久久电影网| 一进一出抽搐gif免费好疼 | 91在线观看av| 亚洲狠狠婷婷综合久久图片| 欧美乱码精品一区二区三区| 这个男人来自地球电影免费观看| 久久久久亚洲av毛片大全| 熟女少妇亚洲综合色aaa.| www.999成人在线观看| 国产免费男女视频| 制服诱惑二区| 久久国产精品男人的天堂亚洲| 91老司机精品| 午夜亚洲福利在线播放| 亚洲中文字幕日韩| 欧美黄色淫秽网站| 久久中文看片网| 香蕉久久夜色| 久久性视频一级片| 午夜免费成人在线视频| 极品人妻少妇av视频| 国产成人欧美| 国产精品成人在线| 水蜜桃什么品种好| 男女之事视频高清在线观看| 亚洲午夜精品一区,二区,三区| 99国产精品一区二区蜜桃av| 亚洲av片天天在线观看| 天天添夜夜摸| 精品高清国产在线一区| 欧美日韩中文字幕国产精品一区二区三区 | 欧美av亚洲av综合av国产av| 制服人妻中文乱码| 91av网站免费观看| 亚洲精品中文字幕在线视频| 欧美成人免费av一区二区三区| 亚洲精品美女久久av网站| 欧美激情久久久久久爽电影 | 国产99久久九九免费精品| 狠狠狠狠99中文字幕| 每晚都被弄得嗷嗷叫到高潮| 精品午夜福利视频在线观看一区| 啦啦啦 在线观看视频| 成年版毛片免费区| x7x7x7水蜜桃| 久久精品国产清高在天天线| 成人永久免费在线观看视频| 欧美日韩视频精品一区| 国产又色又爽无遮挡免费看| 一级毛片高清免费大全| 精品福利永久在线观看| 三上悠亚av全集在线观看| √禁漫天堂资源中文www| 女性生殖器流出的白浆| 精品少妇一区二区三区视频日本电影| 夜夜夜夜夜久久久久| 99精品欧美一区二区三区四区| 免费日韩欧美在线观看| 国产极品粉嫩免费观看在线| 国产高清激情床上av| 久久国产亚洲av麻豆专区| 1024视频免费在线观看| 亚洲成人免费av在线播放| 人妻丰满熟妇av一区二区三区| 日韩av在线大香蕉| 神马国产精品三级电影在线观看 | 精品久久久久久成人av| 美女大奶头视频| 亚洲精品国产一区二区精华液| 精品人妻1区二区| 国产97色在线日韩免费| 日韩 欧美 亚洲 中文字幕| 色尼玛亚洲综合影院| 午夜免费观看网址| 看免费av毛片| 亚洲中文av在线| 无限看片的www在线观看| av网站免费在线观看视频| 亚洲成人免费电影在线观看| av福利片在线| 久久国产精品男人的天堂亚洲| 真人做人爱边吃奶动态| 高清毛片免费观看视频网站 | 久久这里只有精品19| 99热只有精品国产| 不卡av一区二区三区| 18禁黄网站禁片午夜丰满| 欧美老熟妇乱子伦牲交| 在线十欧美十亚洲十日本专区| 操出白浆在线播放| 免费av毛片视频| 日韩国内少妇激情av| 亚洲五月婷婷丁香| 亚洲精品在线观看二区| 色综合欧美亚洲国产小说| 亚洲片人在线观看| 黑人猛操日本美女一级片| 精品乱码久久久久久99久播| 国产aⅴ精品一区二区三区波| 欧美日本中文国产一区发布| 可以在线观看毛片的网站| 日韩视频一区二区在线观看| 不卡av一区二区三区| 色精品久久人妻99蜜桃| 老汉色∧v一级毛片| 午夜精品久久久久久毛片777| 每晚都被弄得嗷嗷叫到高潮|