• <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
    国内少妇人妻偷人精品xxx网站| 春色校园在线视频观看| 你懂的网址亚洲精品在线观看| 少妇 在线观看| 国产精品嫩草影院av在线观看| 中国国产av一级| 777米奇影视久久| 黑人高潮一二区| 国产乱人视频| 国产精品人妻久久久久久| 热re99久久精品国产66热6| 六月丁香七月| 国产精品免费大片| 欧美日韩精品成人综合77777| 夫妻性生交免费视频一级片| 久久久a久久爽久久v久久| 激情 狠狠 欧美| 亚洲熟女精品中文字幕| 日韩电影二区| 久久精品国产亚洲网站| 最后的刺客免费高清国语| 国产高清国产精品国产三级 | 一本色道久久久久久精品综合| 中文天堂在线官网| 黄色一级大片看看| 日日摸夜夜添夜夜添av毛片| 男女无遮挡免费网站观看| 久久久久久人妻| 国产一区有黄有色的免费视频| 免费人成在线观看视频色| 亚洲久久久国产精品| 亚洲成人av在线免费| 久久热精品热| 日本vs欧美在线观看视频 | 最近2019中文字幕mv第一页| 久久这里有精品视频免费| 亚洲精品久久久久久婷婷小说| 亚洲精品国产av成人精品| 中文字幕人妻熟人妻熟丝袜美| h日本视频在线播放| 日韩免费高清中文字幕av| 久久久久久久久久久免费av| 亚洲不卡免费看| 2018国产大陆天天弄谢| 国产久久久一区二区三区| 日本与韩国留学比较| 观看免费一级毛片| 国产精品嫩草影院av在线观看| 成人影院久久| 九九久久精品国产亚洲av麻豆| 国产色爽女视频免费观看| 亚洲av.av天堂| 久久精品国产亚洲av天美| 日韩成人av中文字幕在线观看| 人妻夜夜爽99麻豆av| 日本欧美视频一区| 国产亚洲精品久久久com| 久久久久国产网址| 欧美zozozo另类| 日韩欧美 国产精品| 男人狂女人下面高潮的视频| 国产一区二区在线观看日韩| 高清在线视频一区二区三区| 国产精品国产三级国产av玫瑰| 特大巨黑吊av在线直播| 又大又黄又爽视频免费| 欧美一级a爱片免费观看看| 欧美少妇被猛烈插入视频| 午夜福利高清视频| 亚洲av成人精品一区久久| 一级毛片电影观看| 国产精品国产三级专区第一集| av线在线观看网站| 夫妻午夜视频| 亚洲电影在线观看av| 婷婷色av中文字幕| 伦理电影免费视频| 伦理电影大哥的女人| 国内精品宾馆在线| 一区在线观看完整版| 欧美一级a爱片免费观看看| a级毛片免费高清观看在线播放| 午夜福利在线在线| 大陆偷拍与自拍| 亚洲精华国产精华液的使用体验| 免费黄频网站在线观看国产| 亚洲欧美日韩另类电影网站 | 在线观看免费日韩欧美大片 | 久久久久精品性色| 国产精品免费大片| 国产精品欧美亚洲77777| 国产精品一及| 日本午夜av视频| 两个人的视频大全免费| 全区人妻精品视频| 另类亚洲欧美激情| 日韩视频在线欧美| 国产v大片淫在线免费观看| 青春草国产在线视频| 欧美xxxx性猛交bbbb| 在线免费观看不下载黄p国产| 国产中年淑女户外野战色| 夜夜骑夜夜射夜夜干| 久久久国产一区二区| 自拍欧美九色日韩亚洲蝌蚪91 | 中国国产av一级| 国产精品三级大全| 午夜福利在线在线| 欧美精品一区二区大全| 亚洲精品国产成人久久av| 国产女主播在线喷水免费视频网站| 亚洲av在线观看美女高潮| 亚洲图色成人| 极品教师在线视频| 久久青草综合色| 男男h啪啪无遮挡| 免费观看性生交大片5| 亚洲精品国产成人久久av| 亚洲国产欧美人成| 日韩强制内射视频| 久久久久视频综合| 国产av精品麻豆| 成人亚洲欧美一区二区av| h日本视频在线播放| 蜜桃在线观看..| 80岁老熟妇乱子伦牲交| 免费人成在线观看视频色| 免费少妇av软件| 国产色婷婷99| 欧美高清性xxxxhd video| 婷婷色av中文字幕| 国产片特级美女逼逼视频| 日本一二三区视频观看| 最近2019中文字幕mv第一页| 天堂8中文在线网| 久久99热这里只频精品6学生| 91aial.com中文字幕在线观看| 免费高清在线观看视频在线观看| 国产爱豆传媒在线观看| 免费看光身美女| 日日摸夜夜添夜夜添av毛片| 日韩在线高清观看一区二区三区| 大香蕉久久网| 天堂中文最新版在线下载| 国产高清三级在线| 成人一区二区视频在线观看| 在线播放无遮挡| 两个人的视频大全免费| 七月丁香在线播放| 日日摸夜夜添夜夜爱| 一级黄片播放器| 欧美97在线视频| 欧美区成人在线视频| 国产 一区精品| 欧美国产精品一级二级三级 | 成人黄色视频免费在线看| 久久久久久伊人网av| 国产精品国产三级国产av玫瑰| 丰满人妻一区二区三区视频av| 国产一区亚洲一区在线观看| 舔av片在线| 黄色怎么调成土黄色| 97热精品久久久久久| av卡一久久| 日本一二三区视频观看| 熟女人妻精品中文字幕| 97精品久久久久久久久久精品| 亚洲成人一二三区av| 丝瓜视频免费看黄片| 亚洲精品国产av蜜桃| videos熟女内射| 51国产日韩欧美| 国产无遮挡羞羞视频在线观看| 国产欧美日韩一区二区三区在线 | 久久久久精品性色| 99热这里只有是精品在线观看| 国产精品伦人一区二区| 国产高清三级在线| 日韩欧美一区视频在线观看 | 亚洲一区二区三区欧美精品| 五月伊人婷婷丁香| 亚洲国产av新网站| 国产亚洲午夜精品一区二区久久| 亚洲精品国产成人久久av| 国产精品女同一区二区软件| 久久国产亚洲av麻豆专区| 高清欧美精品videossex| 老司机影院成人| 丝袜脚勾引网站| 国模一区二区三区四区视频| 老司机影院成人| 亚洲精品456在线播放app| 久久久久久久久久久丰满| 国产色婷婷99| 伦精品一区二区三区| 国产亚洲一区二区精品| 成年免费大片在线观看| 亚洲精品乱码久久久v下载方式| 欧美日韩亚洲高清精品| 精品亚洲乱码少妇综合久久| 中文字幕久久专区| 人人妻人人爽人人添夜夜欢视频 | 亚洲va在线va天堂va国产| 高清欧美精品videossex| 国产中年淑女户外野战色| 亚洲精品第二区| 热re99久久精品国产66热6| 极品少妇高潮喷水抽搐| 欧美97在线视频| 伊人久久精品亚洲午夜| 女性生殖器流出的白浆| 肉色欧美久久久久久久蜜桃| 日韩人妻高清精品专区| 久久久亚洲精品成人影院| 欧美日韩视频精品一区| 免费播放大片免费观看视频在线观看| 我的女老师完整版在线观看| 亚洲精品国产成人久久av| 毛片一级片免费看久久久久| 国产 精品1| 精品一区二区三区视频在线| 偷拍熟女少妇极品色| av国产精品久久久久影院| 大片免费播放器 马上看| 最近2019中文字幕mv第一页| 国产视频内射| 精品亚洲乱码少妇综合久久| 秋霞伦理黄片| 成人高潮视频无遮挡免费网站| 国产av精品麻豆| 亚洲av中文av极速乱| 看非洲黑人一级黄片| 国产欧美另类精品又又久久亚洲欧美| 美女国产视频在线观看| 狂野欧美激情性xxxx在线观看| 国产av国产精品国产| av国产久精品久网站免费入址| 日韩 亚洲 欧美在线| 如何舔出高潮| 国产日韩欧美亚洲二区| 国产又色又爽无遮挡免| 免费大片黄手机在线观看| 91久久精品电影网| 精品国产乱码久久久久久小说| 一本—道久久a久久精品蜜桃钙片| 伦理电影免费视频| 丰满少妇做爰视频| 亚洲av免费高清在线观看| 久久久久国产精品人妻一区二区| 日日啪夜夜爽| 丝袜喷水一区| 久久av网站| 欧美日韩综合久久久久久| 久久热精品热| 精品国产三级普通话版| 国产亚洲欧美精品永久| 美女xxoo啪啪120秒动态图| 一级黄片播放器| 日本欧美视频一区| 久久久久久九九精品二区国产| 一级毛片电影观看| 亚洲精品中文字幕在线视频 | 国产欧美日韩一区二区三区在线 | av专区在线播放| 狂野欧美激情性xxxx在线观看| 日韩欧美精品免费久久| 性色av一级| 国产伦在线观看视频一区| 日韩人妻高清精品专区| 亚洲国产欧美人成| 99久国产av精品国产电影| 一级爰片在线观看| 纵有疾风起免费观看全集完整版| 久久人人爽人人爽人人片va| 美女cb高潮喷水在线观看| h视频一区二区三区| 只有这里有精品99| 欧美日韩视频高清一区二区三区二| 亚洲成人一二三区av| 国产在线视频一区二区| 欧美日韩在线观看h| 最近中文字幕高清免费大全6| 99热这里只有精品一区| 老司机影院毛片| 日本wwww免费看| 王馨瑶露胸无遮挡在线观看| 中文字幕人妻熟人妻熟丝袜美| 身体一侧抽搐| 日韩av免费高清视频| 国产 精品1| 大又大粗又爽又黄少妇毛片口| 黄色一级大片看看| 少妇人妻一区二区三区视频| 亚洲精品国产成人久久av| 国产美女午夜福利| 80岁老熟妇乱子伦牲交| 久久久亚洲精品成人影院| 黑人猛操日本美女一级片| 国产精品嫩草影院av在线观看| 国产成人精品一,二区| 三级经典国产精品| 国产 精品1| 人妻少妇偷人精品九色| 精品一品国产午夜福利视频| 亚洲精品视频女| 一边亲一边摸免费视频| 一级黄片播放器| 大香蕉久久网| 少妇人妻久久综合中文| 2021少妇久久久久久久久久久| 国产久久久一区二区三区| 精品少妇黑人巨大在线播放| 国产一区二区三区av在线| 成人漫画全彩无遮挡| 久久精品久久久久久久性| 在线播放无遮挡| 免费人妻精品一区二区三区视频| 国产精品女同一区二区软件| 热re99久久精品国产66热6| 内射极品少妇av片p| 亚洲真实伦在线观看| 久久综合国产亚洲精品| 麻豆乱淫一区二区| 91狼人影院| 久久99精品国语久久久| 一级毛片电影观看| 狂野欧美白嫩少妇大欣赏| 久久这里有精品视频免费| 国产高潮美女av| 777米奇影视久久| 精品人妻熟女av久视频| 一级毛片aaaaaa免费看小| 在线观看av片永久免费下载| 色哟哟·www| 男人爽女人下面视频在线观看| 99热这里只有是精品50| 欧美日韩一区二区视频在线观看视频在线| www.色视频.com| 精品久久久精品久久久| 精品人妻一区二区三区麻豆| 一个人看的www免费观看视频| 一区二区av电影网| 免费观看的影片在线观看| 精品久久久噜噜| 欧美精品一区二区大全| 舔av片在线| 欧美成人精品欧美一级黄| 欧美老熟妇乱子伦牲交| 一区在线观看完整版| 亚洲成人手机| 老女人水多毛片| 人妻夜夜爽99麻豆av| 成人特级av手机在线观看| 国产69精品久久久久777片| 亚洲国产日韩一区二区| 人妻一区二区av| 成人亚洲精品一区在线观看 | 赤兔流量卡办理| 国产久久久一区二区三区| 一个人免费看片子| 国产大屁股一区二区在线视频| 男人添女人高潮全过程视频| 成人美女网站在线观看视频| 国产毛片在线视频| 亚洲成色77777| 高清午夜精品一区二区三区| 人妻夜夜爽99麻豆av| 亚洲精品亚洲一区二区| 免费播放大片免费观看视频在线观看| 国产精品国产三级国产av玫瑰| 欧美成人一区二区免费高清观看| 精品久久久噜噜| 成人亚洲精品一区在线观看 | 国产av码专区亚洲av| 日日啪夜夜撸| 26uuu在线亚洲综合色| 99热国产这里只有精品6| 日日撸夜夜添| 激情 狠狠 欧美| 91久久精品国产一区二区成人| 男人和女人高潮做爰伦理| 性色av一级| 老师上课跳d突然被开到最大视频| 精品久久久噜噜| 成人午夜精彩视频在线观看| .国产精品久久| 久久人妻熟女aⅴ| 三级国产精品欧美在线观看| av免费观看日本| 中文精品一卡2卡3卡4更新| 国产精品女同一区二区软件| 久久国内精品自在自线图片| 久久精品国产亚洲网站| 国产精品久久久久久久久免| 新久久久久国产一级毛片| 熟女av电影| 人体艺术视频欧美日本| 高清黄色对白视频在线免费看 | 久久久久久久久久久丰满| 国产成人a区在线观看| 人人妻人人爽人人添夜夜欢视频 | 国产亚洲午夜精品一区二区久久| 国精品久久久久久国模美| 午夜老司机福利剧场| 99热6这里只有精品| 麻豆成人午夜福利视频| 女的被弄到高潮叫床怎么办| 在线观看免费视频网站a站| 精品国产一区二区三区久久久樱花 | 激情五月婷婷亚洲| 蜜桃久久精品国产亚洲av| 亚洲精品久久久久久婷婷小说| 日韩亚洲欧美综合| 成人亚洲精品一区在线观看 | 美女高潮的动态| 人妻一区二区av| 啦啦啦在线观看免费高清www| 国产 精品1| 国产精品.久久久| 大片电影免费在线观看免费| 久久精品国产a三级三级三级| 深夜a级毛片| av女优亚洲男人天堂| 全区人妻精品视频| 欧美成人a在线观看| 国产色爽女视频免费观看| 中文字幕av成人在线电影| 99久国产av精品国产电影| 亚洲国产日韩一区二区| 欧美一区二区亚洲| 久久这里有精品视频免费| 亚洲精品乱久久久久久| 国产大屁股一区二区在线视频| 美女主播在线视频| 少妇熟女欧美另类| 国产高潮美女av| 一区二区三区乱码不卡18| 国产av一区二区精品久久 | 天美传媒精品一区二区| kizo精华| 国产精品三级大全| 精品久久久噜噜| 少妇丰满av| 成人二区视频| 亚洲精品久久久久久婷婷小说| 国产在视频线精品| 国产白丝娇喘喷水9色精品| 日本猛色少妇xxxxx猛交久久| 欧美 日韩 精品 国产| 交换朋友夫妻互换小说| 97热精品久久久久久| 在线精品无人区一区二区三 | 精品亚洲乱码少妇综合久久| 国产精品偷伦视频观看了| 中文乱码字字幕精品一区二区三区| 夫妻性生交免费视频一级片| 在线观看美女被高潮喷水网站| 亚洲国产欧美人成| 中文字幕精品免费在线观看视频 | 国产爽快片一区二区三区| 男人舔奶头视频| 国精品久久久久久国模美| 青春草视频在线免费观看| 久久国产乱子免费精品| 国产在视频线精品| kizo精华| 日韩大片免费观看网站| 亚洲欧美日韩另类电影网站 | 国产一区二区三区av在线| av卡一久久| 国产在线视频一区二区| 国产亚洲欧美精品永久| 精品人妻一区二区三区麻豆| 日韩伦理黄色片| 亚洲av综合色区一区| 亚洲精品,欧美精品| 国产精品久久久久久精品电影小说 | 亚洲av中文av极速乱| 成人无遮挡网站| 97超碰精品成人国产| 在线观看三级黄色| av黄色大香蕉| 91aial.com中文字幕在线观看| 国产在视频线精品| 九草在线视频观看| 久久影院123| 大又大粗又爽又黄少妇毛片口| 少妇人妻久久综合中文| 亚洲人成网站在线播| 男女啪啪激烈高潮av片| 春色校园在线视频观看| 波野结衣二区三区在线| 黄色怎么调成土黄色| 人妻 亚洲 视频| 有码 亚洲区| 久久久久久久亚洲中文字幕| 亚洲欧美日韩无卡精品| 久久久久久久精品精品| 久久精品熟女亚洲av麻豆精品| 视频区图区小说| 干丝袜人妻中文字幕| 欧美精品人与动牲交sv欧美| av卡一久久| 十八禁网站网址无遮挡 | 久久人人爽人人爽人人片va| 久久精品国产a三级三级三级| 赤兔流量卡办理| 亚洲综合色惰| 国产69精品久久久久777片| 欧美日韩一区二区视频在线观看视频在线| 天堂8中文在线网| 乱码一卡2卡4卡精品| 亚洲伊人久久精品综合| 麻豆精品久久久久久蜜桃| 婷婷色麻豆天堂久久| 99久久综合免费| 精品亚洲乱码少妇综合久久| 精华霜和精华液先用哪个| 亚洲国产色片| 成人免费观看视频高清| 精品一区在线观看国产| 午夜精品国产一区二区电影| 黑丝袜美女国产一区| 多毛熟女@视频| 日本欧美视频一区| 国产成人免费观看mmmm| 香蕉精品网在线| 亚洲真实伦在线观看| 能在线免费看毛片的网站| 日韩国内少妇激情av| 一级a做视频免费观看| 国产亚洲av片在线观看秒播厂| 26uuu在线亚洲综合色| 免费看av在线观看网站| 自拍偷自拍亚洲精品老妇| 狂野欧美白嫩少妇大欣赏| 国产高潮美女av| 91久久精品国产一区二区成人| 国产精品99久久久久久久久| 有码 亚洲区| 国产色婷婷99| 久久久久精品久久久久真实原创| 日韩一区二区三区影片| 日韩一本色道免费dvd| 毛片女人毛片| 大陆偷拍与自拍| 舔av片在线| 国产成人a区在线观看| 国产一区亚洲一区在线观看| 亚洲av成人精品一区久久| 各种免费的搞黄视频| 亚洲第一av免费看| 一级毛片 在线播放| 免费在线观看成人毛片| 午夜日本视频在线| 国内精品宾馆在线| 精品熟女少妇av免费看| 我要看黄色一级片免费的| 天堂中文最新版在线下载| 国模一区二区三区四区视频| 久久久久久久久久人人人人人人| 国产成人免费无遮挡视频| 国产精品.久久久| 亚洲欧美日韩卡通动漫| 国产在线视频一区二区| 有码 亚洲区| 久久久久久人妻| www.色视频.com| 99热这里只有是精品50| av免费在线看不卡| 欧美日韩亚洲高清精品| 男女边摸边吃奶| 女性被躁到高潮视频| 老司机影院毛片| 亚洲,一卡二卡三卡| 人妻制服诱惑在线中文字幕| 一级a做视频免费观看| av在线老鸭窝| 日韩三级伦理在线观看| 在线观看一区二区三区激情| 亚洲精品乱久久久久久| 又黄又爽又刺激的免费视频.| 中国三级夫妇交换| 99热这里只有精品一区| 日韩精品有码人妻一区| 国产爽快片一区二区三区| 亚洲熟女精品中文字幕| 男人狂女人下面高潮的视频| 国产精品无大码| 国产欧美日韩一区二区三区在线 | 免费观看性生交大片5| 黄色配什么色好看| 在线观看免费高清a一片| 国产白丝娇喘喷水9色精品| 一二三四中文在线观看免费高清| 久久av网站| 在线观看美女被高潮喷水网站| 国产成人一区二区在线| 校园人妻丝袜中文字幕| 久久精品国产亚洲av涩爱| 日本av手机在线免费观看| 亚洲,欧美,日韩| 日本av手机在线免费观看| 日韩成人伦理影院| 超碰av人人做人人爽久久| 久久久久久久久久成人| 嫩草影院新地址| 伦理电影大哥的女人| 女人十人毛片免费观看3o分钟| 国产白丝娇喘喷水9色精品| 日韩免费高清中文字幕av| 身体一侧抽搐| 国产黄色视频一区二区在线观看| av在线观看视频网站免费| 久久久久久人妻|