• <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
    啦啦啦在线观看免费高清www| 成人免费观看视频高清| 这个男人来自地球电影免费观看 | 一本一本综合久久| 国产爽快片一区二区三区| 秋霞伦理黄片| 在线天堂最新版资源| 制服诱惑二区| 久久人人爽人人爽人人片va| 国产免费一区二区三区四区乱码| 亚洲五月色婷婷综合| 中文字幕人妻熟人妻熟丝袜美| 日韩成人伦理影院| 亚洲精品aⅴ在线观看| 久久久久精品久久久久真实原创| 国产高清国产精品国产三级| 老司机影院成人| 久久精品国产亚洲av天美| 亚洲丝袜综合中文字幕| 成人亚洲欧美一区二区av| av播播在线观看一区| 自拍欧美九色日韩亚洲蝌蚪91| 一区二区三区四区激情视频| 国产一级毛片在线| 欧美激情国产日韩精品一区| 日本与韩国留学比较| 久久久国产一区二区| 能在线免费看毛片的网站| 婷婷色av中文字幕| 精品一品国产午夜福利视频| 我的老师免费观看完整版| 看非洲黑人一级黄片| 久久ye,这里只有精品| 久久国内精品自在自线图片| 少妇精品久久久久久久| 精品国产露脸久久av麻豆| 少妇丰满av| 黑人欧美特级aaaaaa片| 日韩 亚洲 欧美在线| 午夜影院在线不卡| 亚洲欧美精品自产自拍| 亚洲av福利一区| 美女内射精品一级片tv| 亚洲国产成人一精品久久久| 精品酒店卫生间| 国产极品天堂在线| 一级毛片电影观看| 免费黄色在线免费观看| 蜜桃在线观看..| 亚洲在久久综合| 久久精品国产亚洲av涩爱| 一本一本久久a久久精品综合妖精 国产伦在线观看视频一区 | 天天躁夜夜躁狠狠久久av| 男的添女的下面高潮视频| 亚洲精品aⅴ在线观看| 人成视频在线观看免费观看| 男女边摸边吃奶| 视频在线观看一区二区三区| 亚洲精品日韩av片在线观看| 99热国产这里只有精品6| 成人国产麻豆网| 亚洲国产av新网站| 一级毛片 在线播放| 七月丁香在线播放| 一本—道久久a久久精品蜜桃钙片| 久久99热这里只频精品6学生| 久久99热6这里只有精品| 青春草视频在线免费观看| 在线天堂最新版资源| 美女国产视频在线观看| 国产精品久久久久久av不卡| 久久精品国产a三级三级三级| 精品酒店卫生间| 69精品国产乱码久久久| 久久韩国三级中文字幕| 精品99又大又爽又粗少妇毛片| 亚洲在久久综合| 中文欧美无线码| 精品一区在线观看国产| 国产无遮挡羞羞视频在线观看| 91精品一卡2卡3卡4卡| 国产精品 国内视频| 男女边吃奶边做爰视频| 亚洲五月色婷婷综合| 赤兔流量卡办理| 22中文网久久字幕| 色哟哟·www| 春色校园在线视频观看| 久久狼人影院| 午夜91福利影院| 美女视频免费永久观看网站| 欧美+日韩+精品| 大香蕉久久成人网| 亚洲欧美日韩卡通动漫| 亚洲精品中文字幕在线视频| 成人亚洲精品一区在线观看| 各种免费的搞黄视频| 最近手机中文字幕大全| 久久久精品免费免费高清| 成人毛片60女人毛片免费| 精品久久蜜臀av无| 99热全是精品| 麻豆成人av视频| 欧美亚洲 丝袜 人妻 在线| 成人18禁高潮啪啪吃奶动态图 | 国产av精品麻豆| 国产成人91sexporn| 能在线免费看毛片的网站| 涩涩av久久男人的天堂| 国产精品 国内视频| 久久久精品94久久精品| 在线观看www视频免费| 欧美激情 高清一区二区三区| 大香蕉久久成人网| 久久午夜福利片| 97在线人人人人妻| 男的添女的下面高潮视频| 黑人猛操日本美女一级片| 我的女老师完整版在线观看| 插阴视频在线观看视频| 考比视频在线观看| 69精品国产乱码久久久| 国模一区二区三区四区视频| 日韩一区二区视频免费看| 久久热精品热| 日本爱情动作片www.在线观看| 亚洲精品456在线播放app| 国产在线视频一区二区| 最近最新中文字幕免费大全7| 亚洲欧美清纯卡通| 日韩在线高清观看一区二区三区| 一区在线观看完整版| 日日爽夜夜爽网站| 丝袜喷水一区| 汤姆久久久久久久影院中文字幕| 亚洲精品av麻豆狂野| 午夜精品国产一区二区电影| 99国产综合亚洲精品| 亚洲精品色激情综合| a级毛片黄视频| 成人午夜精彩视频在线观看| 一区在线观看完整版| 91精品伊人久久大香线蕉| 亚洲精品一区蜜桃| 日韩人妻高清精品专区| 久久97久久精品| 自线自在国产av| 在线天堂最新版资源| 亚洲av福利一区| 久久精品夜色国产| 伦理电影大哥的女人| 少妇人妻久久综合中文| 欧美精品亚洲一区二区| 少妇高潮的动态图| 精品久久蜜臀av无| 亚洲精品456在线播放app| 色94色欧美一区二区| 亚州av有码| 国产精品久久久久成人av| 欧美一级a爱片免费观看看| 交换朋友夫妻互换小说| 成人影院久久| 亚洲不卡免费看| 99视频精品全部免费 在线| 777米奇影视久久| 亚洲精品第二区| 高清视频免费观看一区二区| 桃花免费在线播放| 男人爽女人下面视频在线观看| 国产精品国产av在线观看| 黄片无遮挡物在线观看| 丝袜美足系列| 赤兔流量卡办理| 一级,二级,三级黄色视频| 97在线视频观看| 免费观看的影片在线观看| 久久精品熟女亚洲av麻豆精品| freevideosex欧美| 高清不卡的av网站| 久久狼人影院| 国产国语露脸激情在线看| 亚洲国产最新在线播放| 午夜免费男女啪啪视频观看| 久久久久久久久大av| 美女国产高潮福利片在线看| 不卡视频在线观看欧美| 又粗又硬又长又爽又黄的视频| 人妻系列 视频| 99国产精品免费福利视频| 菩萨蛮人人尽说江南好唐韦庄| 久久国内精品自在自线图片| 伊人久久精品亚洲午夜| 九色成人免费人妻av| 狂野欧美激情性bbbbbb| 人人妻人人爽人人添夜夜欢视频| 少妇丰满av| 亚洲四区av| 色5月婷婷丁香| 亚洲伊人久久精品综合| 天堂俺去俺来也www色官网| 精品酒店卫生间| 777米奇影视久久| 三级国产精品片| 国产成人精品在线电影| 久久人人爽人人爽人人片va| 99热这里只有精品一区| 男女啪啪激烈高潮av片| 王馨瑶露胸无遮挡在线观看| 国产精品不卡视频一区二区| 黑人高潮一二区| 丰满饥渴人妻一区二区三| 国产成人精品在线电影| 成人18禁高潮啪啪吃奶动态图 | freevideosex欧美| 亚洲欧美清纯卡通| 日本黄色日本黄色录像| 自拍欧美九色日韩亚洲蝌蚪91| 国产精品一二三区在线看| 成人亚洲精品一区在线观看| 久久午夜综合久久蜜桃| 久久人人爽人人片av| 成人免费观看视频高清| 欧美国产精品一级二级三级| 国产在线一区二区三区精| 欧美精品人与动牲交sv欧美| 黄色毛片三级朝国网站| 国产午夜精品一二区理论片| 久久久久久久久大av| 在线免费观看不下载黄p国产| 看十八女毛片水多多多| 亚洲av电影在线观看一区二区三区| 久久久久久久国产电影| 久久久亚洲精品成人影院| 啦啦啦视频在线资源免费观看| 欧美精品高潮呻吟av久久| 久久久亚洲精品成人影院| 少妇猛男粗大的猛烈进出视频| 国产免费又黄又爽又色| 免费高清在线观看视频在线观看| 欧美 亚洲 国产 日韩一| 国产精品不卡视频一区二区| 又粗又硬又长又爽又黄的视频| 飞空精品影院首页| 日韩一本色道免费dvd| 校园人妻丝袜中文字幕| 婷婷成人精品国产| 亚洲欧美色中文字幕在线| 人妻一区二区av| 乱码一卡2卡4卡精品| 国产成人精品福利久久| 国产熟女欧美一区二区| 欧美日韩成人在线一区二区| 精品久久久久久电影网| 久久 成人 亚洲| 欧美3d第一页| 午夜免费观看性视频| 国产高清有码在线观看视频| 我要看黄色一级片免费的| 蜜桃久久精品国产亚洲av| 国产av精品麻豆| 国产精品三级大全| 婷婷色av中文字幕| 免费久久久久久久精品成人欧美视频 | 老司机影院成人| 九色亚洲精品在线播放| 精品一区二区免费观看| 一级毛片我不卡| 国产日韩欧美亚洲二区| 久久国产精品大桥未久av| 少妇被粗大猛烈的视频| 天美传媒精品一区二区| 欧美成人精品欧美一级黄| 午夜免费男女啪啪视频观看| 亚洲精品自拍成人| 男女边吃奶边做爰视频| 日韩 亚洲 欧美在线| 亚洲丝袜综合中文字幕| 夫妻性生交免费视频一级片| 高清午夜精品一区二区三区| 亚洲欧洲国产日韩| 亚洲欧洲精品一区二区精品久久久 | 国产毛片在线视频| 亚洲精品乱码久久久久久按摩| av免费在线看不卡| 日韩成人av中文字幕在线观看| 国产亚洲一区二区精品| 精品一区二区三卡| 在线看a的网站| 中文欧美无线码| 丰满迷人的少妇在线观看| 精品一区二区三区视频在线| 国产日韩欧美亚洲二区| 99热国产这里只有精品6| 免费黄色在线免费观看| 永久免费av网站大全| 下体分泌物呈黄色| 国产片内射在线| 香蕉精品网在线| 人人妻人人澡人人爽人人夜夜| 色哟哟·www| 如何舔出高潮| 女人久久www免费人成看片| 十分钟在线观看高清视频www| 亚洲国产色片| 岛国毛片在线播放| 欧美精品国产亚洲| 如何舔出高潮| 国产精品 国内视频| 久久青草综合色| 新久久久久国产一级毛片| 久久久久久久久久久久大奶| 久久精品久久精品一区二区三区| 涩涩av久久男人的天堂| 久久99精品国语久久久| 午夜福利影视在线免费观看| 久久这里有精品视频免费| 国产熟女午夜一区二区三区 | 免费少妇av软件| 欧美日韩视频精品一区| 欧美性感艳星| 亚洲精品日本国产第一区| 欧美变态另类bdsm刘玥| 日本色播在线视频| 一级二级三级毛片免费看| av电影中文网址| 国产不卡av网站在线观看| 22中文网久久字幕| 久久人人爽人人爽人人片va| 嘟嘟电影网在线观看| 大香蕉久久网| 国产国语露脸激情在线看| 亚洲,一卡二卡三卡| 五月天丁香电影| 国产日韩欧美亚洲二区| 色94色欧美一区二区| 日韩伦理黄色片| 成人漫画全彩无遮挡| 国产精品99久久99久久久不卡 | 精品少妇黑人巨大在线播放| 夜夜看夜夜爽夜夜摸| 亚洲国产av影院在线观看| 国内精品宾馆在线| 在线观看免费视频网站a站| 日本wwww免费看| 超碰97精品在线观看| 男女边摸边吃奶| 国产老妇伦熟女老妇高清| 大陆偷拍与自拍| 在线观看免费高清a一片| 91精品三级在线观看| 久久久久人妻精品一区果冻| 日韩在线高清观看一区二区三区| 亚洲精品国产色婷婷电影| 大又大粗又爽又黄少妇毛片口| 日日撸夜夜添| 精品亚洲成国产av| 18禁裸乳无遮挡动漫免费视频| 乱人伦中国视频| 欧美bdsm另类| 欧美3d第一页| 日本色播在线视频| 女的被弄到高潮叫床怎么办| 哪个播放器可以免费观看大片| 一边摸一边做爽爽视频免费| 国产精品国产三级专区第一集| 国产成人aa在线观看| 国产女主播在线喷水免费视频网站| 婷婷色综合www| 国产高清不卡午夜福利| 能在线免费看毛片的网站| 久久久久久久久久久免费av| 99久久综合免费| www.av在线官网国产| 天美传媒精品一区二区| 国产成人freesex在线| 18禁在线播放成人免费| 亚洲,欧美,日韩| 亚洲国产精品一区三区| 欧美+日韩+精品| 9色porny在线观看| 一个人看视频在线观看www免费| 国产日韩一区二区三区精品不卡 | 一级毛片 在线播放| 亚洲av在线观看美女高潮| 又大又黄又爽视频免费| 乱人伦中国视频| 亚洲美女视频黄频| 久久精品国产亚洲av天美| 最新中文字幕久久久久| 丝袜在线中文字幕| 久久久久精品久久久久真实原创| 99久久人妻综合| 久久精品久久久久久噜噜老黄| 亚洲av不卡在线观看| 精品国产一区二区久久| 久久精品国产亚洲av天美| 日韩伦理黄色片| 纯流量卡能插随身wifi吗| 精品久久久久久久久亚洲| 特大巨黑吊av在线直播| 视频区图区小说| 成年av动漫网址| 精品国产乱码久久久久久小说| 如何舔出高潮| 国产精品秋霞免费鲁丝片| 老熟女久久久| 亚洲精品乱久久久久久| 青春草视频在线免费观看| 大片电影免费在线观看免费| 两个人免费观看高清视频| 久久久精品94久久精品| 国产精品不卡视频一区二区| 校园人妻丝袜中文字幕| av有码第一页| 精品久久久精品久久久| 男女免费视频国产| 黄色视频在线播放观看不卡| 蜜臀久久99精品久久宅男| 麻豆精品久久久久久蜜桃| 日本与韩国留学比较| 免费看av在线观看网站| 99热国产这里只有精品6| 自线自在国产av| 菩萨蛮人人尽说江南好唐韦庄| 亚洲国产精品国产精品| 国产一区亚洲一区在线观看| 在线观看免费视频网站a站| 黑人猛操日本美女一级片| 免费看不卡的av| 国产日韩一区二区三区精品不卡 | 国产成人精品婷婷| 午夜免费男女啪啪视频观看| 综合色丁香网| videosex国产| 99久久精品国产国产毛片| 亚洲av日韩在线播放| 人妻少妇偷人精品九色| 视频在线观看一区二区三区| 婷婷色av中文字幕| 免费播放大片免费观看视频在线观看| av在线app专区| 日韩中文字幕视频在线看片| 成人午夜精彩视频在线观看| 黄片播放在线免费| 看十八女毛片水多多多| 一本大道久久a久久精品| 高清黄色对白视频在线免费看| 黄色视频在线播放观看不卡| 国产精品成人在线| 纯流量卡能插随身wifi吗| 精品久久久久久电影网| 夜夜爽夜夜爽视频| 免费av中文字幕在线| kizo精华| 日日摸夜夜添夜夜爱| 国产高清不卡午夜福利| 成年人午夜在线观看视频| 97在线视频观看| 欧美一级a爱片免费观看看| 日本猛色少妇xxxxx猛交久久| 午夜视频国产福利| 亚洲精品久久午夜乱码| 欧美最新免费一区二区三区| 久久久久网色| 在线观看免费日韩欧美大片 | 亚洲av男天堂| 久久婷婷青草| 亚洲av电影在线观看一区二区三区| 一个人看视频在线观看www免费| 久久韩国三级中文字幕| 肉色欧美久久久久久久蜜桃| 久久久久国产精品人妻一区二区| 欧美日韩在线观看h| 蜜桃久久精品国产亚洲av| 十分钟在线观看高清视频www| 国产淫语在线视频| 久久人人爽av亚洲精品天堂| 十八禁网站网址无遮挡| 一级毛片我不卡| 满18在线观看网站| 久久99热6这里只有精品| 26uuu在线亚洲综合色| 亚洲少妇的诱惑av| 精品久久国产蜜桃| 不卡视频在线观看欧美| 日韩欧美精品免费久久| 亚洲国产精品一区二区三区在线| 青春草国产在线视频| 五月伊人婷婷丁香| tube8黄色片| 午夜久久久在线观看| 亚洲性久久影院| 在线观看免费高清a一片| av.在线天堂| 午夜激情福利司机影院| 国产欧美日韩综合在线一区二区| 乱码一卡2卡4卡精品| 国产精品三级大全| 欧美日本中文国产一区发布| 最近手机中文字幕大全| 亚洲av中文av极速乱| 欧美日韩亚洲高清精品| 久久久久视频综合| 日韩成人伦理影院| 国产免费一区二区三区四区乱码| av网站免费在线观看视频| 亚洲成人一二三区av| 日本vs欧美在线观看视频| 精品一品国产午夜福利视频| 久久99热这里只频精品6学生| 99国产综合亚洲精品| 欧美精品亚洲一区二区| 3wmmmm亚洲av在线观看| 亚洲第一av免费看| 天堂8中文在线网| 欧美最新免费一区二区三区| 国产精品一区www在线观看| 国产精品无大码| 中文字幕人妻熟人妻熟丝袜美| 夫妻午夜视频| 国产精品.久久久| 中文乱码字字幕精品一区二区三区| 久久99蜜桃精品久久| 十八禁高潮呻吟视频| 免费av中文字幕在线| 黄色一级大片看看| 精品一区二区三区视频在线| 成人黄色视频免费在线看| 精品亚洲成国产av| 亚洲欧洲精品一区二区精品久久久 | 久久久久久久久久人人人人人人| 九色亚洲精品在线播放| 又大又黄又爽视频免费| 亚洲丝袜综合中文字幕| 亚洲精品av麻豆狂野| 亚洲国产精品一区二区三区在线| 亚洲av综合色区一区| 亚洲av男天堂| 亚洲欧美成人精品一区二区| 国产免费一区二区三区四区乱码| 亚洲激情五月婷婷啪啪| 国产深夜福利视频在线观看| 国产精品免费大片| 精品酒店卫生间| av女优亚洲男人天堂| 一区在线观看完整版| 午夜影院在线不卡| xxxhd国产人妻xxx| 久久人妻熟女aⅴ| 欧美丝袜亚洲另类| 一级毛片 在线播放| 在线播放无遮挡| 国模一区二区三区四区视频| 久久久午夜欧美精品| 老熟女久久久| 久久ye,这里只有精品| 免费高清在线观看日韩| 亚洲精品成人av观看孕妇| 亚洲怡红院男人天堂| 欧美一级a爱片免费观看看| 色视频在线一区二区三区| 亚洲第一区二区三区不卡| 国产视频内射| 一本—道久久a久久精品蜜桃钙片| 少妇的逼水好多| 国产免费一区二区三区四区乱码| 亚洲精品日韩在线中文字幕| 黑人巨大精品欧美一区二区蜜桃 | a 毛片基地| 欧美日韩精品成人综合77777| 天天影视国产精品| 日本av手机在线免费观看| 久久人妻熟女aⅴ| 嘟嘟电影网在线观看| 午夜激情久久久久久久| 大香蕉久久网| 51国产日韩欧美| 精品一区二区免费观看| 熟女av电影| 夜夜骑夜夜射夜夜干| 在线观看免费日韩欧美大片 | 狂野欧美激情性xxxx在线观看| 成人亚洲欧美一区二区av| 国产乱来视频区| 亚洲精品乱久久久久久| 国产探花极品一区二区| 久久国内精品自在自线图片| 日本午夜av视频| 久久这里有精品视频免费| 99久久综合免费| 久久99精品国语久久久| 亚洲欧美色中文字幕在线| 啦啦啦中文免费视频观看日本| 男的添女的下面高潮视频| 黑人巨大精品欧美一区二区蜜桃 | 97精品久久久久久久久久精品| 日本vs欧美在线观看视频| 亚洲性久久影院| 中文乱码字字幕精品一区二区三区| 国产成人av激情在线播放 | xxxhd国产人妻xxx| 亚洲中文av在线| 少妇 在线观看| 成人国语在线视频| 欧美日本中文国产一区发布| 水蜜桃什么品种好| 美女国产视频在线观看| 久久久久久久久久成人| 老司机亚洲免费影院| 3wmmmm亚洲av在线观看| 国产午夜精品一二区理论片| av国产久精品久网站免费入址| 国产精品国产三级专区第一集| 一级爰片在线观看| 国精品久久久久久国模美|