• <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 ?

    一種基于用戶(hù)對(duì)項(xiàng)目屬性偏好的推薦算法

    2016-11-11 09:40:01陳伶紅徐華中吳友宇
    關(guān)鍵詞:聚類(lèi)協(xié)同矩陣

    陳伶紅,徐華中,李 鮑,吳友宇

    (1.武漢理工大學(xué) 自動(dòng)化學(xué)院,湖北 武漢 430070;2.武漢理工大學(xué) 信息工程學(xué)院,湖北 武漢 430070)

    ?

    一種基于用戶(hù)對(duì)項(xiàng)目屬性偏好的推薦算法

    陳伶紅1,徐華中1,李 鮑1,吳友宇2

    (1.武漢理工大學(xué) 自動(dòng)化學(xué)院,湖北 武漢 430070;2.武漢理工大學(xué) 信息工程學(xué)院,湖北 武漢 430070)

    針對(duì)協(xié)同過(guò)濾推薦算法中存在的數(shù)據(jù)稀疏性問(wèn)題,提出了一種基于用戶(hù)偏好模型的混合聚類(lèi)推薦算法。利用用戶(hù)-項(xiàng)目評(píng)分矩陣參考TF-IDF和信息熵的原理得到了用戶(hù)對(duì)項(xiàng)目屬性的偏好模型,并以此為基礎(chǔ)數(shù)據(jù)進(jìn)行用戶(hù)聚類(lèi)、相似度計(jì)算和最近鄰查詢(xún),然后對(duì)用戶(hù)未評(píng)分的項(xiàng)目進(jìn)行評(píng)分預(yù)測(cè),進(jìn)而產(chǎn)生推薦。實(shí)驗(yàn)表明,基于用戶(hù)對(duì)項(xiàng)目屬性偏好的混合聚類(lèi)推薦算法與傳統(tǒng)的協(xié)同過(guò)濾和基于用戶(hù)-項(xiàng)目評(píng)分矩陣的聚類(lèi)算法相比,在推薦精度上表現(xiàn)出一定的優(yōu)越性。

    推薦算法;協(xié)同過(guò)濾;用戶(hù)偏好;SOM;K-means

    隨著信息技術(shù)和互聯(lián)網(wǎng)的發(fā)展,人們逐漸從信息匱乏的時(shí)代走入了信息過(guò)載的時(shí)代。推薦系統(tǒng)能夠有效地解決信息過(guò)載問(wèn)題,在電子商務(wù)領(lǐng)域得到了廣泛的應(yīng)用,其中推薦算法則是最核心的技術(shù)點(diǎn)。協(xié)同過(guò)濾推薦算法是目前最為成熟的一種推薦算法[1],可分為基于用戶(hù)的協(xié)同過(guò)濾和基于項(xiàng)目的協(xié)同過(guò)濾?;谟脩?hù)的協(xié)同過(guò)濾推薦算法主要是依據(jù)用戶(hù)的歷史評(píng)分?jǐn)?shù)據(jù)計(jì)算用戶(hù)間的相似度,找到目標(biāo)用戶(hù)的最近鄰居,目標(biāo)用戶(hù)對(duì)未評(píng)分項(xiàng)目的評(píng)分可以通過(guò)其近鄰對(duì)該項(xiàng)目的評(píng)分進(jìn)行預(yù)測(cè),將評(píng)分最高的前N個(gè)項(xiàng)目推薦給目標(biāo)用戶(hù)。但是隨著電子商務(wù)系統(tǒng)規(guī)模的擴(kuò)大,用戶(hù)數(shù)量和項(xiàng)目數(shù)量的增加,導(dǎo)致用戶(hù)-項(xiàng)目評(píng)分?jǐn)?shù)據(jù)出現(xiàn)嚴(yán)重的稀疏性,用戶(hù)相似度計(jì)算十分耗時(shí),并且很難找到相似的用戶(hù)集,使得推薦質(zhì)量下降。為此,許多學(xué)者將數(shù)據(jù)挖掘、機(jī)器學(xué)習(xí)、神經(jīng)網(wǎng)絡(luò)等領(lǐng)域的方法與協(xié)同過(guò)濾相結(jié)合。如曹渝昆提出了一種基于Web挖掘和Fuzzy Art神經(jīng)網(wǎng)絡(luò)的電子商務(wù)顧客分類(lèi)方法,可以縮小目標(biāo)顧客的鄰居用戶(hù)搜索范圍,縮短推薦時(shí)間[2],但是此方法主要挖掘的是隱式數(shù)據(jù),對(duì)數(shù)據(jù)處理技術(shù)要求較高;成桂蘭等提出一種基于SOM和K-means混合聚類(lèi)的推薦算法[3],該方法在一定程度上縮短了最近鄰查詢(xún)時(shí)間,提高了推薦效率和推薦質(zhì)量,但是稀疏的用戶(hù)-項(xiàng)目評(píng)分?jǐn)?shù)據(jù)使得某些可能相似的用戶(hù)因缺少共同評(píng)分項(xiàng)目而導(dǎo)致相似度較低;胡新明提出了一種引用文本分類(lèi)中的TF-IDF算法將用戶(hù)對(duì)商品的評(píng)分矩陣轉(zhuǎn)化為用戶(hù)對(duì)商品屬性評(píng)分矩陣的推薦算法,在較少數(shù)據(jù)量的情況下得到與基于用戶(hù)商品評(píng)分矩陣推薦算法同質(zhì)量甚至更高質(zhì)量的推薦結(jié)果[4],但是該方法忽略了商品屬性在不同商品集合間以及商品集合內(nèi)的分布情況;袁漢寧等提出了基于MI聚類(lèi)的協(xié)同推薦算法[5],通過(guò)多示例聚類(lèi)計(jì)算用戶(hù)的最近鄰居集,但是在計(jì)算用戶(hù)間相似度時(shí)仍然使用用戶(hù)-項(xiàng)目評(píng)分?jǐn)?shù)據(jù),稀疏的用戶(hù)-項(xiàng)目評(píng)分?jǐn)?shù)據(jù)使得某些可能相似的用戶(hù)因缺少共同評(píng)分項(xiàng)目而導(dǎo)致相似度較低。

    針對(duì)上述問(wèn)題,筆者提出了一種基于用戶(hù)對(duì)項(xiàng)目屬性偏好模型的混合聚類(lèi)推薦算法,考慮到項(xiàng)目屬性在用戶(hù)喜歡和不喜歡的集合間以及集合內(nèi)的分布情況,借鑒文本分類(lèi)中TF-IDF算法并引進(jìn)信息熵建立用戶(hù)對(duì)項(xiàng)目屬性的偏好模型,然后用SOM算法對(duì)該模型中的用戶(hù)進(jìn)行粗聚類(lèi),將其聚類(lèi)中心和聚類(lèi)簇?cái)?shù)目作為K-means聚類(lèi)算法的初始聚類(lèi)質(zhì)心和聚類(lèi)簇?cái)?shù)目,在目標(biāo)用戶(hù)所在的聚類(lèi)簇中計(jì)算用戶(hù)相似度并尋找近鄰,對(duì)未評(píng)分的項(xiàng)目進(jìn)行預(yù)測(cè)。

    1 用戶(hù)偏好模型

    用戶(hù)對(duì)項(xiàng)目屬性的偏好模型是進(jìn)行用戶(hù)聚類(lèi)和相似度計(jì)算的基礎(chǔ),通過(guò)分析用戶(hù)-項(xiàng)目評(píng)分矩陣和項(xiàng)目-屬性矩陣,建立用戶(hù)對(duì)項(xiàng)目中出現(xiàn)的所有屬性的偏好權(quán)重矩陣。

    考慮包含m個(gè)用戶(hù)和n個(gè)項(xiàng)目的系統(tǒng),令用戶(hù)集合U={U1,U2,…,Um}(i=1,2,…,m),項(xiàng)目集合I={I1,I2,…,In}(j=1,2,…,n),用戶(hù)-項(xiàng)目評(píng)分矩陣如表1所示,其中元素rij表示第i個(gè)用戶(hù)對(duì)第j個(gè)項(xiàng)目的評(píng)分值。

    表1 用戶(hù)-項(xiàng)目評(píng)分矩陣

    項(xiàng)目屬性集合表示為F={f1,f2,…,fs}(k=1,2,…,s),項(xiàng)目-屬性矩陣如表2所示,其中元素ajk表示項(xiàng)目Ij的特征屬性:

    (1)

    參考TF-IDF算法的原理,如果屬性fj在集合Li中出現(xiàn)的次數(shù)越多,說(shuō)明用戶(hù)越偏好具有該屬性的項(xiàng)目,則屬性fj應(yīng)該賦予較大的權(quán)重。根據(jù)以上論述得到偏好權(quán)重wik為:

    (2)

    但由式(2)得出的用戶(hù)對(duì)項(xiàng)目屬性的偏好權(quán)重存在如下問(wèn)題:①?zèng)]有考慮到屬性fj在集合Li和集合Qi之間的分布情況。如果屬性fj在集合Li中出現(xiàn)較多,而在集合Qi中出現(xiàn)較少,則說(shuō)明用戶(hù)比較偏好具有該屬性的項(xiàng)目,該屬性應(yīng)該賦予較高的權(quán)重。如果屬性fj比較均勻地分布在集合Li和Qi中,說(shuō)明用戶(hù)對(duì)具有該屬性的項(xiàng)目沒(méi)有特別偏好,該屬性值應(yīng)該賦予較低的權(quán)重。②沒(méi)有考慮到屬性fj在集合Li中的分布情況。在集合Li中出現(xiàn)頻率較高的屬性的權(quán)重應(yīng)該比出現(xiàn)頻率較低的屬性要高。如果屬性fj在集合Li中出現(xiàn)的頻率較低,則該屬性應(yīng)該被賦予較小的權(quán)重。考慮到以上兩種情況,參考文獻(xiàn)[6]在文本分類(lèi)中引入信息熵來(lái)改善TF-IDF算法,引進(jìn)信息熵來(lái)計(jì)算用戶(hù)對(duì)項(xiàng)目屬性偏好的模型。

    若給定的概率分布為P=(p1,p2,…,pn),則由該分布傳遞的信息量稱(chēng)為P的熵,即:

    (3)

    屬性fj在集合Li和Qi中的概率分布為Poc=(NLik/NRik,NQik/NRik)(其中NQik表示集合Qi中具有屬性fj的項(xiàng)目個(gè)數(shù)),記Hoc(Poc)為屬性fj的類(lèi)間信息分布熵。屬性fj在集合Li中的概率分布為Pic=NLik/NLi,記Hic(Pic)為屬性fj的類(lèi)內(nèi)信息分布熵。

    由以上分析可知,Hoc(Poc)越大則屬性fj的權(quán)重越小,Hic(Pic)越大則屬性fj的權(quán)重越大。得到改進(jìn)后的用戶(hù)Ui對(duì)屬性fj的偏好權(quán)重為:

    (4)

    其中對(duì)Hoc做了一定的修改,常數(shù)1是為了防止Hoc(Poc)=0,使得1/(Hoc+1)分布在[0,1]區(qū)間。根據(jù)式(4)建立用戶(hù)-項(xiàng)目屬性偏好矩陣如表3所示。

    表3 用戶(hù)-項(xiàng)目屬性偏好矩陣

    2 推薦過(guò)程

    推薦算法主要分為5個(gè)過(guò)程:生成用戶(hù)-項(xiàng)目屬性偏好模型、用戶(hù)聚類(lèi)、用戶(hù)相似度計(jì)算和最近鄰居查詢(xún)、評(píng)分預(yù)測(cè)、生成推薦。

    (1)生成用戶(hù)-項(xiàng)目屬性偏好模型。通過(guò)式(4)生成用戶(hù)-項(xiàng)目屬性偏好模型,作為用戶(hù)聚類(lèi)和相似度計(jì)算的數(shù)據(jù)基礎(chǔ)。

    (2)用戶(hù)聚類(lèi)。為了縮短用戶(hù)相似度計(jì)算的時(shí)間、縮小用戶(hù)最近鄰居查詢(xún)范圍,需要對(duì)用戶(hù)進(jìn)行聚類(lèi),將用戶(hù)-項(xiàng)目屬性偏好矩陣中項(xiàng)目屬性偏好比較相似的用戶(hù)分配到同一聚類(lèi)簇中,使同一聚類(lèi)簇中的用戶(hù)相似度盡可能高,不同聚類(lèi)簇中的用戶(hù)相似度盡可能低。常用的聚類(lèi)算法有SOM神經(jīng)網(wǎng)絡(luò)、K-means聚類(lèi)算法、層次聚類(lèi)算法、FCM聚類(lèi)算法等[7]。SOM算法進(jìn)行聚類(lèi)時(shí),網(wǎng)絡(luò)收斂時(shí)間過(guò)長(zhǎng),通常網(wǎng)絡(luò)需要訓(xùn)練上萬(wàn)次才能收斂。K-means算法的初始聚類(lèi)質(zhì)心選擇不當(dāng),很難得到較好的聚類(lèi)效果,在大規(guī)模數(shù)據(jù)集上收斂較慢。因此采用SOM與K-means聚類(lèi)相結(jié)合的混合聚類(lèi)模型對(duì)用戶(hù)進(jìn)行聚類(lèi),聚類(lèi)流程為:①將步驟(1)中得到的用戶(hù)-項(xiàng)目屬性偏好矩陣作為聚類(lèi)的輸入數(shù)據(jù),通過(guò)SOM對(duì)輸入訓(xùn)練較少的次數(shù)進(jìn)行粗聚類(lèi),輸出聚類(lèi)簇ClusterSOM、神經(jīng)元的權(quán)值ωSOM、聚類(lèi)簇?cái)?shù)目K;②將ωSOM作為原始質(zhì)心Ooriginal,對(duì)于每一個(gè)簇內(nèi)元素不為0的聚類(lèi)簇,尋找與Ooriginal距離最近的元素作為該簇最終的質(zhì)心OSOM;③以K、OSOM作為K-means聚類(lèi)的聚類(lèi)簇?cái)?shù)目和初始聚類(lèi)質(zhì)心,對(duì)用戶(hù)進(jìn)一步聚類(lèi),輸出用戶(hù)聚類(lèi)結(jié)果ClusterResult。

    (3)用戶(hù)相似度計(jì)算和最近鄰居查詢(xún)。計(jì)算目標(biāo)用戶(hù)Ui與所在聚類(lèi)簇cindex中其他用戶(hù)的相似度。用戶(hù)相似性的度量標(biāo)準(zhǔn)主要有余弦法、修正余弦法和基于相關(guān)性的相似性度量等[8],筆者選用余弦法來(lái)計(jì)算用戶(hù)間的相似度:

    (5)

    其中,ωu和ωv分別為用戶(hù)u和用戶(hù)v的項(xiàng)目屬性偏好向量。

    (6)

    (4)評(píng)分預(yù)測(cè)。找到目標(biāo)用戶(hù)Ui針對(duì)目標(biāo)項(xiàng)目Iij的最近鄰用戶(hù)集合MKnear后,通過(guò)集合MKnear中的用戶(hù)對(duì)目標(biāo)項(xiàng)目Iij評(píng)分的加權(quán)平均值來(lái)描述目標(biāo)用戶(hù)Ui對(duì)目標(biāo)項(xiàng)目Iij的評(píng)分。評(píng)分預(yù)測(cè)公式為:

    (5)生成推薦。重復(fù)步驟(3)和步驟(4),預(yù)測(cè)目標(biāo)用戶(hù)Ui對(duì)所有未評(píng)分項(xiàng)目的評(píng)分,選擇預(yù)測(cè)評(píng)分最高的N個(gè)項(xiàng)目推薦給目標(biāo)用戶(hù)Ui。

    3 實(shí)驗(yàn)過(guò)程與結(jié)果分析

    3.1 數(shù)據(jù)集

    實(shí)驗(yàn)采用MovieLens(ml-100K)數(shù)據(jù)集,該數(shù)據(jù)集包含了943個(gè)用戶(hù)對(duì)1 682部電影的10萬(wàn)個(gè)評(píng)分。實(shí)驗(yàn)采用五折交叉驗(yàn)證法,將實(shí)驗(yàn)數(shù)據(jù)平分成5個(gè)互不相交的數(shù)據(jù)子集,每次選擇其中一個(gè)數(shù)據(jù)子集作為測(cè)試集,其余4個(gè)子集作為訓(xùn)練集,如此循環(huán)5次,取每次實(shí)驗(yàn)結(jié)果的平均值作為最終結(jié)果。當(dāng)用戶(hù)對(duì)項(xiàng)目的評(píng)分過(guò)少時(shí),難以發(fā)現(xiàn)用戶(hù)對(duì)項(xiàng)目屬性的偏好,因此在每次實(shí)驗(yàn)中,找出測(cè)試集中評(píng)分項(xiàng)目少于20個(gè)的用戶(hù),從測(cè)試集和測(cè)試集中剔除這些用戶(hù)的評(píng)分?jǐn)?shù)據(jù)。MovieLens數(shù)據(jù)集中的項(xiàng)目是電影,根據(jù)電影類(lèi)別,將電影劃分為19個(gè)類(lèi)別,0~18分別代表19個(gè)項(xiàng)目類(lèi)別屬性,如表4所示。電影類(lèi)別屬性為Unknown的電影不能表示出用戶(hù)對(duì)某一具體屬性的偏好程度,因此將電影類(lèi)別屬性為Unknown的項(xiàng)目從訓(xùn)練集和測(cè)試集中剔除。

    表4 電影類(lèi)別屬性

    3.2 性能評(píng)價(jià)

    實(shí)驗(yàn)采用平均絕對(duì)誤差MAE[9]來(lái)度量推薦的準(zhǔn)確性,MAE值越低推薦結(jié)果越準(zhǔn)確,其計(jì)算公式為:

    (8)

    式中:pi為預(yù)測(cè)評(píng)分;qi為實(shí)際評(píng)分。

    3.3 結(jié)果分析

    根據(jù)HERLOCKER等[10]的研究結(jié)果,在真實(shí)環(huán)境中最近鄰用戶(hù)數(shù)量設(shè)置為20~50比較合理,筆者采用的MovieLens數(shù)據(jù)集共有943個(gè)用戶(hù),設(shè)置SOM的輸出神經(jīng)元數(shù)目為6×6,鄰居查詢(xún)個(gè)數(shù)Knear=[5 10 15 20 25 30 35 40 45 50 55 60 65 70]來(lái)進(jìn)行對(duì)比實(shí)驗(yàn),以驗(yàn)證筆者提出算法的優(yōu)越性。

    將筆者提出的利用TF-IDF和信息熵挖掘用戶(hù)偏好模型,進(jìn)行SOM+K-means聚類(lèi)和用戶(hù)相似度計(jì)算的推薦算法稱(chēng)為算法1;將利用TF-IDF挖掘用戶(hù)偏好模型,進(jìn)行SOM+K-means聚類(lèi)和用戶(hù)相似度計(jì)算的推薦算法稱(chēng)為算法2;將利用用戶(hù)-項(xiàng)目評(píng)分矩陣,進(jìn)行SOM+K-means聚類(lèi)和用戶(hù)相似度計(jì)算的推薦算法稱(chēng)為算法3;將傳統(tǒng)的基于用戶(hù)的協(xié)同過(guò)濾推薦算法稱(chēng)為算法4;將基于MI聚類(lèi)的協(xié)同推薦算法稱(chēng)為算法5(根據(jù)文獻(xiàn)[5]中的描述,選擇聚類(lèi)個(gè)數(shù)K=20時(shí)推薦效果最好,選擇表4中1~18的電影屬性類(lèi)別作為實(shí)例的內(nèi)容特征)。

    圖1 算法1~算法5的對(duì)比實(shí)驗(yàn)結(jié)果

    圖1所示為算法1~算法5的對(duì)比實(shí)驗(yàn)結(jié)果,可以看出基于SOM+K-means聚類(lèi)的推薦算法比傳統(tǒng)的協(xié)同過(guò)濾推薦算法效果更好;使用用戶(hù)偏好模型進(jìn)行聚類(lèi)和相似度計(jì)算的推薦效果比使用用戶(hù)-項(xiàng)目評(píng)分矩陣的推薦效果更好;使用TF-IDF和信息熵相結(jié)合挖掘的用戶(hù)偏好模型比使用TF-IDF挖掘的用戶(hù)偏好模型的推薦效果更好。算法1、算法2比算法5的效果好,算法5比算法3、算法4的效果更好,說(shuō)明算法5通過(guò)多示例聚類(lèi)得到的最近鄰集合,比以用戶(hù)-項(xiàng)目評(píng)分矩陣為數(shù)據(jù)基礎(chǔ)進(jìn)行聚類(lèi)得到的最近鄰居集合更為準(zhǔn)確。由于算法5計(jì)算用戶(hù)相似度時(shí)使用的是用戶(hù)-項(xiàng)目評(píng)分矩陣,不能更好地挖掘用戶(hù)間的相似性,使得推薦結(jié)果不如算法1準(zhǔn)確。

    圖2所示為算法1、算法2、算法4的用戶(hù)相似度計(jì)算、最近鄰查詢(xún)及評(píng)分預(yù)測(cè)的時(shí)間,可以看出當(dāng)15

    圖2 不同算法的相似度計(jì)算、最近鄰查詢(xún)及評(píng)分預(yù)測(cè)的時(shí)間

    圖3 不同SOM聚類(lèi)中心下推薦算法的實(shí)驗(yàn)結(jié)果

    圖3所示為不同SOM聚類(lèi)中心下推薦算法的實(shí)驗(yàn)結(jié)果。SOM聚類(lèi)結(jié)束時(shí),外星權(quán)向量位于輸入向量聚類(lèi)的中心,該實(shí)驗(yàn)中SOM訓(xùn)練次數(shù)較少并未完全收斂,因此選擇各聚類(lèi)簇中離外星權(quán)向量最近的一點(diǎn)作為SOM的聚類(lèi)中心(Center1),文獻(xiàn)[3]將SOM聚類(lèi)結(jié)束時(shí)各聚類(lèi)簇中元素的平均值作為SOM的聚類(lèi)中心(Center2),Center1的推薦效果較Center2要好,即SOM聚類(lèi)中心的選取比文獻(xiàn)[3]更合理。

    4 結(jié)論

    筆者為了解決評(píng)分矩陣稀疏性問(wèn)題,通過(guò)TF-IDF算法和信息熵生成用戶(hù)對(duì)項(xiàng)目屬性偏好的模型,然后以此為數(shù)據(jù)基礎(chǔ)進(jìn)行用戶(hù)聚類(lèi)和相似度計(jì)算,使得相似用戶(hù)之間的相關(guān)性增強(qiáng),縮短了最近鄰用戶(hù)的查詢(xún)時(shí)間,通過(guò)五折交叉對(duì)比實(shí)驗(yàn)得出,筆者提出的算法具有更高的推薦質(zhì)量和效率。但筆者研究的前提是假設(shè)用戶(hù)興趣不會(huì)發(fā)生變化,然而在實(shí)際研究中,用戶(hù)的興趣是會(huì)隨時(shí)間發(fā)生變化的,因此需要將時(shí)間因素同項(xiàng)目屬性等結(jié)合起來(lái),以提高推薦系統(tǒng)的準(zhǔn)確性,這將是下一步研究的重點(diǎn)。

    [1] 劉魯,任曉麗.推薦系統(tǒng)研究進(jìn)展及展望[J].信息系統(tǒng)學(xué)報(bào),2008 (1): 82-90.

    [2] 曹渝昆.基于神經(jīng)網(wǎng)絡(luò)和模糊邏輯的智能推薦系統(tǒng)研究[D].重慶:重慶大學(xué),2006.

    [3] 成桂蘭,劉旭東,陳德人.基于混合聚類(lèi)的個(gè)性化推薦算法[J].武漢理工大學(xué)學(xué)報(bào)(信息與管理工程版),2011,33(3):379-381.

    [4] 胡新明.基于商品屬性的電子商務(wù)推薦系統(tǒng)研究[D].武漢:華中科技大學(xué),2012.

    [5] 袁漢寧,周彤,韓言妮.基于MI聚類(lèi)的協(xié)同過(guò)濾推薦算法[J].武漢大學(xué)學(xué)報(bào)(信息科學(xué)版),2015,40(2):253-257.

    [6] 李原.中文文本分類(lèi)中分詞和特征選擇方法研究[D].長(zhǎng)春:吉林大學(xué),2011.

    [7] 馮曉蒲,張鐵峰.四種聚類(lèi)方法之比較[J].微型機(jī)與應(yīng)用,2010,29(16):1-3.

    [8] 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. [S.l.]:[s.n.], 2001: 285-295.

    [9] KARYPIS G. Evaluation of item-based top-n recommendation algorithms[C]∥Proceedings of the Tenth International Conference on Information and Knowledge Management. [S.l.]:[s.n.], 2001: 247-254.

    [10] HERLOCKER J L, KONSTAN J A, BORCHERS A, et al. An algorithmic framework for performing collaborative filtering[C]∥Proceedings of the 22nd Annual International ACM SIGIR Conference on Research and Development in Information Retrieval.[S.l.]:[s.n.], 1999:230-237.

    CHEN Linghong:Postgraduate; School of Automation, WUT, Wuhan 430070, China.

    A Recommendation Algorithm Based on Users’ Preference of Item Features

    CHENLinghong,XUHuazhong,LIBao,WUYouyu

    Considering the problem of data sparsity in traditional collaborative filtering recommendation algorithm, a hybrid clustering recommendation algorithm based on users’ preference is proposed. The users’ preference model is obtained by using user-item rating matrix and referring to the principle of TF-IDF and information entropy, which is the basic data of users clustering, similarity calculation and nearest neighbor query. Item recommendation is accomplished after predicting the rates for the no-rated items. Experiment shows that the hybrid clustering recommendation algorithm based on user p

    for project attributes has some advantages over the traditional collaborative filtering and clustering algorithm based on user-item scoring matrix.

    recommendation algorithm; collaborative filtering; users’ preference; SOM; K-means

    2095-3852(2016)05-0616-05

    A

    2016-05-25.

    陳伶紅(1991-),女,湖北武漢人,武漢理工大學(xué)自動(dòng)化學(xué)院碩士研究生.

    TP301.6 DOI:10.3963/j.issn.2095-3852.2016.05.021

    猜你喜歡
    聚類(lèi)協(xié)同矩陣
    蜀道難:車(chē)與路的協(xié)同進(jìn)化
    “四化”協(xié)同才有出路
    基于DBSACN聚類(lèi)算法的XML文檔聚類(lèi)
    三醫(yī)聯(lián)動(dòng) 協(xié)同創(chuàng)新
    初等行變換與初等列變換并用求逆矩陣
    基于改進(jìn)的遺傳算法的模糊聚類(lèi)算法
    矩陣
    南都周刊(2015年4期)2015-09-10 07:22:44
    矩陣
    南都周刊(2015年3期)2015-09-10 07:22:44
    矩陣
    南都周刊(2015年1期)2015-09-10 07:22:44
    一種層次初始的聚類(lèi)個(gè)數(shù)自適應(yīng)的聚類(lèi)方法研究
    中文字幕av在线有码专区| 天堂影院成人在线观看| 免费观看的影片在线观看| 久久6这里有精品| 国产亚洲av嫩草精品影院| 欧美色视频一区免费| 91久久精品国产一区二区成人| 久久亚洲真实| 床上黄色一级片| 一个人免费在线观看的高清视频| 超碰av人人做人人爽久久| 精品免费久久久久久久清纯| 亚洲国产精品成人综合色| 十八禁人妻一区二区| 精品午夜福利视频在线观看一区| 搞女人的毛片| 自拍偷自拍亚洲精品老妇| 有码 亚洲区| 成人无遮挡网站| 国产成人欧美在线观看| 成人精品一区二区免费| 国产精品一区二区性色av| 日韩欧美一区二区三区在线观看| 久久久久国内视频| 国产综合懂色| 亚洲精品一卡2卡三卡4卡5卡| 亚洲国产精品999在线| 九九热线精品视视频播放| 真人一进一出gif抽搐免费| 又爽又黄a免费视频| 国产精品国产高清国产av| 自拍偷自拍亚洲精品老妇| 琪琪午夜伦伦电影理论片6080| 国产亚洲av嫩草精品影院| 国产av一区在线观看免费| 亚洲成av人片在线播放无| 啦啦啦观看免费观看视频高清| 亚洲精品在线观看二区| 91久久精品电影网| 免费av不卡在线播放| 欧美不卡视频在线免费观看| 又黄又爽又免费观看的视频| 亚洲国产高清在线一区二区三| ponron亚洲| 丁香欧美五月| 久久精品影院6| 性色avwww在线观看| 欧洲精品卡2卡3卡4卡5卡区| 午夜两性在线视频| 91字幕亚洲| 91午夜精品亚洲一区二区三区 | 床上黄色一级片| 国产高清激情床上av| 舔av片在线| 能在线免费观看的黄片| av专区在线播放| 色哟哟哟哟哟哟| 日韩欧美三级三区| 免费搜索国产男女视频| 美女xxoo啪啪120秒动态图 | 两个人的视频大全免费| 午夜福利成人在线免费观看| 无遮挡黄片免费观看| 国产毛片a区久久久久| 国产在线精品亚洲第一网站| 亚洲自拍偷在线| 黄色一级大片看看| 夜夜躁狠狠躁天天躁| 成人美女网站在线观看视频| 欧美极品一区二区三区四区| 老司机福利观看| 99久久成人亚洲精品观看| 国产伦精品一区二区三区四那| 欧美精品啪啪一区二区三区| 国产免费一级a男人的天堂| 日韩中文字幕欧美一区二区| 哪里可以看免费的av片| 一级黄片播放器| 午夜免费男女啪啪视频观看 | 国产高清视频在线观看网站| 最近在线观看免费完整版| 99热这里只有是精品50| 精品人妻偷拍中文字幕| 亚洲性夜色夜夜综合| 美女 人体艺术 gogo| 免费一级毛片在线播放高清视频| 精品人妻视频免费看| 国产一区二区三区在线臀色熟女| 国产高清有码在线观看视频| or卡值多少钱| 性色av乱码一区二区三区2| 18禁在线播放成人免费| 国产亚洲欧美在线一区二区| 亚洲18禁久久av| av在线天堂中文字幕| 十八禁人妻一区二区| 麻豆av噜噜一区二区三区| 午夜福利成人在线免费观看| 一个人看视频在线观看www免费| 国产午夜精品久久久久久一区二区三区 | 午夜老司机福利剧场| 高清在线国产一区| 欧美日韩综合久久久久久 | 国产国拍精品亚洲av在线观看| av女优亚洲男人天堂| 啦啦啦观看免费观看视频高清| 一进一出抽搐gif免费好疼| 国产成人福利小说| 很黄的视频免费| 国产熟女xx| 国产野战对白在线观看| 国产一区二区亚洲精品在线观看| 亚洲av美国av| 中文在线观看免费www的网站| 黄色一级大片看看| 国产精品亚洲一级av第二区| 男人舔女人下体高潮全视频| 久久6这里有精品| 免费看日本二区| 精品久久久久久久久久免费视频| 91九色精品人成在线观看| 欧美区成人在线视频| 搡老岳熟女国产| 国产精品日韩av在线免费观看| 简卡轻食公司| 欧美一级a爱片免费观看看| 午夜两性在线视频| 久久婷婷人人爽人人干人人爱| av在线天堂中文字幕| 18禁黄网站禁片午夜丰满| 尤物成人国产欧美一区二区三区| 一个人看视频在线观看www免费| 97人妻精品一区二区三区麻豆| 午夜福利免费观看在线| 亚洲人成电影免费在线| 亚洲av成人精品一区久久| 欧美乱色亚洲激情| 成人毛片a级毛片在线播放| 久久国产乱子免费精品| 午夜福利免费观看在线| 午夜精品在线福利| 国产精品永久免费网站| 老熟妇乱子伦视频在线观看| 成人毛片a级毛片在线播放| 国产精品av视频在线免费观看| 美女黄网站色视频| 日本a在线网址| 能在线免费观看的黄片| 亚洲天堂国产精品一区在线| 老司机深夜福利视频在线观看| 亚洲成人久久性| 久久久久久久午夜电影| 亚洲一区高清亚洲精品| 日本成人三级电影网站| 亚洲无线在线观看| 日韩欧美在线二视频| 激情在线观看视频在线高清| 国产极品精品免费视频能看的| 夜夜躁狠狠躁天天躁| 国产乱人伦免费视频| 久久精品久久久久久噜噜老黄 | 成人毛片a级毛片在线播放| 亚洲av.av天堂| 欧美黑人巨大hd| 精品午夜福利视频在线观看一区| 看免费av毛片| 亚洲经典国产精华液单 | 一级黄片播放器| 麻豆一二三区av精品| 不卡一级毛片| 亚洲18禁久久av| 久久九九热精品免费| 天堂网av新在线| 精品一区二区三区视频在线观看免费| 男女下面进入的视频免费午夜| 国产黄色小视频在线观看| 十八禁人妻一区二区| 国产精品永久免费网站| 亚洲成人免费电影在线观看| 日韩欧美一区二区三区在线观看| 欧美zozozo另类| 中出人妻视频一区二区| 人妻夜夜爽99麻豆av| av在线天堂中文字幕| 亚洲精品乱码久久久v下载方式| 欧美三级亚洲精品| 国产av不卡久久| 99riav亚洲国产免费| 精品久久久久久久人妻蜜臀av| 国产一级毛片七仙女欲春2| 97人妻精品一区二区三区麻豆| 国产精品女同一区二区软件 | 脱女人内裤的视频| 99久久99久久久精品蜜桃| 久久精品国产亚洲av涩爱 | 亚洲av免费在线观看| 一区二区三区免费毛片| 欧美3d第一页| 在线播放无遮挡| 国产不卡一卡二| 亚洲成av人片免费观看| 久久精品国产亚洲av涩爱 | 欧美日本视频| 精品国产三级普通话版| 亚洲人成伊人成综合网2020| 日韩中文字幕欧美一区二区| av视频在线观看入口| 久久国产精品人妻蜜桃| 在线观看一区二区三区| 欧美色欧美亚洲另类二区| 国产精品一区二区三区四区免费观看 | 两性午夜刺激爽爽歪歪视频在线观看| 九色成人免费人妻av| 午夜激情福利司机影院| 欧美区成人在线视频| 国产一区二区三区在线臀色熟女| 亚洲在线观看片| 亚洲乱码一区二区免费版| 午夜免费激情av| 国产精品不卡视频一区二区 | 免费人成在线观看视频色| 美女免费视频网站| 少妇人妻精品综合一区二区 | 免费观看人在逋| 亚洲人成网站高清观看| 国产不卡一卡二| 精品人妻熟女av久视频| av天堂中文字幕网| 国产伦人伦偷精品视频| 美女被艹到高潮喷水动态| 男女下面进入的视频免费午夜| 99精品久久久久人妻精品| 成人国产综合亚洲| 有码 亚洲区| 内地一区二区视频在线| 好男人电影高清在线观看| 色播亚洲综合网| 99精品在免费线老司机午夜| 一区福利在线观看| 亚洲人成伊人成综合网2020| 亚洲成人久久性| 91久久精品国产一区二区成人| 国产伦精品一区二区三区四那| 亚洲片人在线观看| 男人狂女人下面高潮的视频| 国产精品一区二区性色av| av视频在线观看入口| 99久久精品一区二区三区| 久久这里只有精品中国| 免费在线观看亚洲国产| 国产亚洲精品久久久久久毛片| 我要看日韩黄色一级片| 丁香六月欧美| 国产免费av片在线观看野外av| 国产日本99.免费观看| 亚洲成人免费电影在线观看| 毛片一级片免费看久久久久 | 国语自产精品视频在线第100页| 成年女人永久免费观看视频| 久久久久久久亚洲中文字幕 | 亚洲在线观看片| 欧美在线黄色| 无人区码免费观看不卡| 每晚都被弄得嗷嗷叫到高潮| 一本久久中文字幕| 一个人看的www免费观看视频| 国产一区二区三区在线臀色熟女| 国产av麻豆久久久久久久| 黄色女人牲交| 久久久国产成人精品二区| 色哟哟哟哟哟哟| 欧美成人a在线观看| 国产熟女xx| 欧美黑人欧美精品刺激| 精品久久久久久成人av| 久久国产乱子伦精品免费另类| 午夜精品久久久久久毛片777| 老熟妇乱子伦视频在线观看| 天美传媒精品一区二区| 日韩大尺度精品在线看网址| 高清日韩中文字幕在线| 99热这里只有精品一区| 91av网一区二区| 无人区码免费观看不卡| 午夜福利高清视频| 精品一区二区三区视频在线| 日韩中文字幕欧美一区二区| 在线观看午夜福利视频| 婷婷精品国产亚洲av| 欧美性感艳星| 美女被艹到高潮喷水动态| 宅男免费午夜| 精品日产1卡2卡| 嫩草影视91久久| 久久久久九九精品影院| 精品不卡国产一区二区三区| 午夜福利在线观看吧| 熟妇人妻久久中文字幕3abv| 国产精品女同一区二区软件 | 一进一出抽搐gif免费好疼| 97热精品久久久久久| 成人永久免费在线观看视频| 舔av片在线| 99精品在免费线老司机午夜| 男女床上黄色一级片免费看| 最近最新中文字幕大全电影3| 深夜a级毛片| 无人区码免费观看不卡| 中文字幕av成人在线电影| a在线观看视频网站| 国产毛片a区久久久久| 亚洲av电影在线进入| 日韩大尺度精品在线看网址| 国产精品一区二区三区四区久久| 国产高清三级在线| 九九久久精品国产亚洲av麻豆| 国产精品伦人一区二区| 精品久久久久久,| 午夜激情欧美在线| 97碰自拍视频| 亚洲欧美清纯卡通| 久久香蕉精品热| 日韩av在线大香蕉| 亚洲av五月六月丁香网| 亚洲欧美日韩卡通动漫| 人妻制服诱惑在线中文字幕| 国产精品自产拍在线观看55亚洲| 赤兔流量卡办理| 一二三四社区在线视频社区8| 级片在线观看| 男女做爰动态图高潮gif福利片| 性欧美人与动物交配| 老熟妇仑乱视频hdxx| 国产亚洲av嫩草精品影院| 在线a可以看的网站| 啪啪无遮挡十八禁网站| 国产白丝娇喘喷水9色精品| 制服丝袜大香蕉在线| 波多野结衣巨乳人妻| 长腿黑丝高跟| 精品一区二区三区av网在线观看| 亚洲真实伦在线观看| 99riav亚洲国产免费| a级一级毛片免费在线观看| 国产乱人视频| 国内毛片毛片毛片毛片毛片| 久久久精品大字幕| av天堂在线播放| 老鸭窝网址在线观看| 日韩国内少妇激情av| 嫩草影院精品99| 午夜免费男女啪啪视频观看 | 国内揄拍国产精品人妻在线| 国产成人啪精品午夜网站| 91av网一区二区| 欧美中文日本在线观看视频| 精品久久久久久,| 99热这里只有是精品在线观看 | 亚洲人成网站在线播| 美女免费视频网站| 中文字幕免费在线视频6| 91av网一区二区| 首页视频小说图片口味搜索| 亚洲成人中文字幕在线播放| 亚洲avbb在线观看| 精品一区二区免费观看| 直男gayav资源| 婷婷六月久久综合丁香| 日本在线视频免费播放| 国产免费av片在线观看野外av| 日韩欧美在线二视频| 中文字幕人成人乱码亚洲影| 亚洲av电影不卡..在线观看| 亚洲美女视频黄频| 国产在视频线在精品| 久久久成人免费电影| 内地一区二区视频在线| 亚洲激情在线av| 国内久久婷婷六月综合欲色啪| 欧美bdsm另类| 色av中文字幕| 色噜噜av男人的天堂激情| 欧美日韩亚洲国产一区二区在线观看| 亚洲精品成人久久久久久| 成人鲁丝片一二三区免费| 精品久久久久久,| 久久久国产成人精品二区| 精品久久久久久,| 成年女人毛片免费观看观看9| 日韩欧美精品v在线| 国产精品亚洲av一区麻豆| 国产三级在线视频| 老司机午夜福利在线观看视频| 97人妻精品一区二区三区麻豆| 亚洲第一欧美日韩一区二区三区| 精品国产三级普通话版| 国产aⅴ精品一区二区三区波| 亚洲,欧美精品.| 亚洲在线自拍视频| 国产精品三级大全| 91九色精品人成在线观看| 国产精品自产拍在线观看55亚洲| 免费看光身美女| 岛国在线免费视频观看| 99久久九九国产精品国产免费| 成人午夜高清在线视频| 免费av不卡在线播放| 一边摸一边抽搐一进一小说| 亚洲成人免费电影在线观看| 一级作爱视频免费观看| 精品人妻1区二区| 首页视频小说图片口味搜索| 在线观看一区二区三区| 中文在线观看免费www的网站| 国产精品一及| 久久久久久久亚洲中文字幕 | 国产探花极品一区二区| 毛片一级片免费看久久久久 | 亚洲 国产 在线| x7x7x7水蜜桃| 亚洲成人精品中文字幕电影| 欧美极品一区二区三区四区| 久久精品国产清高在天天线| 亚洲在线观看片| 亚洲精品粉嫩美女一区| 国产熟女xx| 午夜亚洲福利在线播放| 国产精品1区2区在线观看.| 亚洲精品久久国产高清桃花| 999久久久精品免费观看国产| 亚洲欧美日韩高清专用| 人人妻,人人澡人人爽秒播| 性欧美人与动物交配| www日本黄色视频网| 精品99又大又爽又粗少妇毛片 | 一区二区三区免费毛片| 色哟哟哟哟哟哟| 51国产日韩欧美| 2021天堂中文幕一二区在线观| 一级av片app| 精品国产三级普通话版| 精品一区二区三区av网在线观看| 九九热线精品视视频播放| 久久久久久久久久成人| 亚洲aⅴ乱码一区二区在线播放| 国语自产精品视频在线第100页| 十八禁人妻一区二区| 每晚都被弄得嗷嗷叫到高潮| 国产精品久久久久久久电影| 久久久久久国产a免费观看| 欧美日本视频| 一个人观看的视频www高清免费观看| 在线观看66精品国产| 日韩亚洲欧美综合| 人人妻人人澡欧美一区二区| 一卡2卡三卡四卡精品乱码亚洲| 久久久久久久久大av| 老女人水多毛片| 91麻豆精品激情在线观看国产| 国产精品永久免费网站| 3wmmmm亚洲av在线观看| 久久久国产成人免费| 精品一区二区三区av网在线观看| 韩国av一区二区三区四区| 国产av不卡久久| 性欧美人与动物交配| 每晚都被弄得嗷嗷叫到高潮| 欧美成人一区二区免费高清观看| 特级一级黄色大片| 久久久久久久午夜电影| 国产色爽女视频免费观看| 亚洲av成人不卡在线观看播放网| 欧美乱妇无乱码| av福利片在线观看| 免费观看人在逋| 可以在线观看毛片的网站| 宅男免费午夜| 欧洲精品卡2卡3卡4卡5卡区| 国产男靠女视频免费网站| 久久久国产成人免费| 国产亚洲精品久久久久久毛片| 久久6这里有精品| 内射极品少妇av片p| 欧美日韩中文字幕国产精品一区二区三区| 九色国产91popny在线| 一a级毛片在线观看| 国产视频内射| 1000部很黄的大片| 99国产精品一区二区蜜桃av| 免费av观看视频| 国产精品三级大全| 免费观看精品视频网站| 国产高清视频在线观看网站| 中文在线观看免费www的网站| 一a级毛片在线观看| 亚洲男人的天堂狠狠| 久久久成人免费电影| 精品一区二区三区av网在线观看| 亚洲av美国av| 日韩欧美国产在线观看| 高清日韩中文字幕在线| 色综合欧美亚洲国产小说| 午夜影院日韩av| 国产亚洲欧美98| 精华霜和精华液先用哪个| 18禁裸乳无遮挡免费网站照片| 国产精品亚洲一级av第二区| 夜夜爽天天搞| 小说图片视频综合网站| 一夜夜www| 亚洲最大成人中文| 国产精品久久久久久人妻精品电影| 老司机深夜福利视频在线观看| 久久久精品欧美日韩精品| 成人一区二区视频在线观看| 国产91精品成人一区二区三区| 国内久久婷婷六月综合欲色啪| 国产主播在线观看一区二区| 国产伦人伦偷精品视频| 9191精品国产免费久久| 麻豆国产97在线/欧美| 免费人成在线观看视频色| 成年版毛片免费区| 少妇丰满av| 高清在线国产一区| 天堂动漫精品| 美女被艹到高潮喷水动态| 琪琪午夜伦伦电影理论片6080| 国产在线男女| 深爱激情五月婷婷| 日本熟妇午夜| 日韩av在线大香蕉| 国产精品亚洲一级av第二区| 国产精华一区二区三区| 日韩免费av在线播放| 在线免费观看不下载黄p国产 | 国产大屁股一区二区在线视频| 亚洲激情在线av| 亚洲三级黄色毛片| 日韩欧美三级三区| 久久人妻av系列| 亚洲精品色激情综合| 级片在线观看| 一进一出好大好爽视频| 中文在线观看免费www的网站| 国产私拍福利视频在线观看| av黄色大香蕉| 黄片小视频在线播放| 久久久精品大字幕| 国产一区二区在线av高清观看| 中文字幕av在线有码专区| 亚洲性夜色夜夜综合| 亚洲一区二区三区不卡视频| а√天堂www在线а√下载| 老熟妇乱子伦视频在线观看| 97热精品久久久久久| 在线天堂最新版资源| 久久久国产成人免费| 好男人电影高清在线观看| 久久久久性生活片| 午夜影院日韩av| 亚洲av电影不卡..在线观看| 草草在线视频免费看| 观看免费一级毛片| 哪里可以看免费的av片| 人人妻人人看人人澡| 我要搜黄色片| av在线蜜桃| 精品久久久久久成人av| 一个人免费在线观看的高清视频| 国产亚洲精品久久久久久毛片| 最新在线观看一区二区三区| 黄片小视频在线播放| 99国产精品一区二区三区| 99精品久久久久人妻精品| 亚洲美女视频黄频| 国产精品不卡视频一区二区 | 国产精品影院久久| 久久人妻av系列| 亚洲av第一区精品v没综合| ponron亚洲| 亚洲第一电影网av| 听说在线观看完整版免费高清| 九九在线视频观看精品| 成年女人毛片免费观看观看9| 国产黄a三级三级三级人| 网址你懂的国产日韩在线| 午夜激情福利司机影院| 97超视频在线观看视频| 国内精品一区二区在线观看| 国产精品美女特级片免费视频播放器| 他把我摸到了高潮在线观看| 特级一级黄色大片| 精品熟女少妇八av免费久了| 久久这里只有精品中国| 韩国av一区二区三区四区| 久久久色成人| 国内揄拍国产精品人妻在线| 在线播放无遮挡| 在现免费观看毛片| 亚洲精品成人久久久久久| 国产在线男女| 禁无遮挡网站| 男女下面进入的视频免费午夜| 国产亚洲精品综合一区在线观看| 午夜免费激情av| 国产一区二区在线观看日韩| 18+在线观看网站| 一本一本综合久久| 国产男靠女视频免费网站| 日本在线视频免费播放| 亚洲精品粉嫩美女一区| 天天一区二区日本电影三级| 亚洲五月婷婷丁香| 欧美又色又爽又黄视频|