基于改進(jìn)BP神經(jīng)網(wǎng)絡(luò)的個性化推薦算法研究

羅頻捷，溫 荷

(成都東軟學(xué)院a.實驗管理中心;b.計算機(jī)科學(xué)與技術(shù)系, 成都 610000)

?

基于改進(jìn)BP神經(jīng)網(wǎng)絡(luò)的個性化推薦算法研究

羅頻捷a，溫 荷b

(成都東軟學(xué)院a.實驗管理中心;b.計算機(jī)科學(xué)與技術(shù)系, 成都 610000)

個性化推薦是根據(jù)用戶的喜好向用戶推薦個性化的產(chǎn)品、信息或服務(wù)等，在大數(shù)據(jù)時代能有效地解決信息過載的問題。提出基于改進(jìn)BP神經(jīng)網(wǎng)絡(luò)的個性化推薦算法，研究了如何建立混合推薦模型，采用BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練提高算法中用戶相似度計算的準(zhǔn)確性。在真實數(shù)據(jù)集上的實驗結(jié)果表明，該算法能有效減小用戶相識度計算偏差，提高用戶個性化推薦的推薦質(zhì)量。

個性化推薦算法；改進(jìn)BP神經(jīng)網(wǎng)絡(luò)；混合推薦系統(tǒng)；用戶相似度；動量因子

引 言

隨著移動互聯(lián)網(wǎng)技術(shù)的快速發(fā)展與成熟，現(xiàn)代電子商務(wù)呈現(xiàn)出爆炸式增長，以淘寶雙十一購物節(jié)為例，2012年銷售為191億，2013年銷售增長到350億，2014年銷售總額高達(dá)673億[1]。如此繁榮的電子商務(wù)產(chǎn)業(yè)在給用戶帶來更多選擇機(jī)會的同時，也在增加用戶選擇負(fù)擔(dān)，普通用戶很難從大量商品信息中找出適合的商品。從另一個側(cè)面看，在電子商務(wù)平臺中還有海量商品信息無法被普通用戶獲知[2]。因此個性化的推薦系統(tǒng)在未來電子商務(wù)發(fā)展中將發(fā)揮越來越重要的作用。

通常推薦系統(tǒng)被用于兩個方面目的：一是激發(fā)用戶做某些事情；二是解決用戶信息過載。個性化的推薦系統(tǒng)主要通過信息檢索和信息過濾，從龐大集合里選擇出最能滿足用戶需求的物品。常見的推薦算法有協(xié)同過濾推薦算法、基于內(nèi)容的推薦算法和基于知識的推薦算法等，它們在不同的應(yīng)用領(lǐng)域表現(xiàn)出的效果各有不同。協(xié)調(diào)過濾推薦算法主要思想是利用已有用戶群過去的行為預(yù)測當(dāng)前用戶的選擇，即通過目標(biāo)用戶群體的特定信息產(chǎn)生推薦結(jié)果[3]；基于內(nèi)容的推薦算法則依賴被推薦產(chǎn)品的特征進(jìn)行推薦[4]；而基于知識的推薦算法則是根據(jù)已知的知識模型推演出推薦結(jié)果，這些推薦算法都各有利弊。一個良好的推薦算法是可以將用戶模型、產(chǎn)品特征和知識模型高效地輸出產(chǎn)品推薦序列表。因此，通過將多個推薦算法組合起來構(gòu)成一個推薦單元的混合推薦系統(tǒng)，在個性化推薦中更能發(fā)揮作用。

1 個性化推薦系統(tǒng)模型

1.1 個性化混合推薦系統(tǒng)模型

本文將個性化推薦系統(tǒng)模型建立在混合推薦系統(tǒng)基礎(chǔ)上，將幾種推薦算法整合到一個實現(xiàn)算法中，通過對算法進(jìn)行內(nèi)部調(diào)整，讓多個推薦算法都發(fā)揮作用[5-6]，如圖1所示。

圖1 個性化混合推薦系統(tǒng)模型

個性化混合推薦系統(tǒng)模型將多種推薦算法進(jìn)行內(nèi)部調(diào)整后整合在一個推薦單元，通過對知識源進(jìn)行預(yù)處理和組合多個知識源，利用不同類型的輸入，擴(kuò)大整個推薦系統(tǒng)的特征空間，實現(xiàn)推薦系統(tǒng)的高效性[7-8]。

1.2 個性化推薦系統(tǒng)算法

個性化推薦算法中用戶a對產(chǎn)品i個性化推薦結(jié)果rec(a,i)采用Linkert量值表示，影響rec(a,i)值的因素有四個方面，分別是：用戶之間相似度Pa,u，用戶評分個數(shù)ni，用戶之間評分重疊個數(shù)na,u，以及用戶評分向量vu,i。rec(a,i)由協(xié)同推薦算法改進(jìn)而來，表示為：

(1)

式中，hwa,u為混合權(quán)重因子，是由權(quán)重因子sga,u和hma,u組成，這兩個權(quán)重因子取自于基于內(nèi)容的推薦算法，均傾向于具有更多的共同評分的產(chǎn)品。hwa,u、sga,u和hma,u分別表示為式：

hwa,u=sga,u+hma,u

(2)

(3)

(4)

(5)

由用戶i的原始評分值的個數(shù)決定，反映了算法基于內(nèi)容的預(yù)測可信度。swi計算公式為：

(6)

式中的max為常量，一般設(shè)置為2。

式(1)中的用戶評分向量vu,i值表示為：

(7)

式中，若用戶u已給產(chǎn)品i評過分?jǐn)?shù)，則將評分結(jié)果su,i作為用戶評分向量vu,i；若用戶u還未曾給產(chǎn)品i評過分?jǐn)?shù)，則采用基于內(nèi)容的推薦算法計算結(jié)果cu,i作為用戶評分向量vu,i。

2 BP神經(jīng)網(wǎng)絡(luò)模型改進(jìn)

在式(1)中，除了用戶相似度Pa,u外，其余各個參數(shù)均可由實際統(tǒng)計數(shù)據(jù)得出。在推薦系統(tǒng)中，Pa,u常?？梢允褂眯拚嘞蚁嗨菩远攘糠椒ㄇ蟪鯷9]。但是修正余弦相似性度量方法成立的前提條件是默認(rèn)所有用戶對產(chǎn)品的評判標(biāo)準(zhǔn)是一致的，這在實際應(yīng)用中明顯不合理，所以采用修正余弦相似性度量方法的計算結(jié)果與真實的Pa,u有時偏差較大，繼而影響最終推薦結(jié)果rec(a,i)。因此，本文提出采用改進(jìn)BP神經(jīng)網(wǎng)絡(luò)算法進(jìn)行用戶相似度Pa,u測算，從而提高Pa,u的準(zhǔn)確性和可靠性。

2.1 BP神經(jīng)網(wǎng)絡(luò)模型

BP神經(jīng)網(wǎng)絡(luò)因其具備完善的理論體系和學(xué)習(xí)算法，是目前人工神經(jīng)網(wǎng)絡(luò)中使用最為廣泛的神經(jīng)網(wǎng)絡(luò)模型[10]。BP神經(jīng)網(wǎng)絡(luò)是一種前饋型神經(jīng)網(wǎng)絡(luò)，模仿人腦神經(jīng)元對外部信號的反饋機(jī)理，建立多層次的感知模型，并采用信號的正向傳播和誤差的反向調(diào)節(jié)相結(jié)合的方式進(jìn)行自主學(xué)習(xí)。BP神經(jīng)網(wǎng)絡(luò)中神經(jīng)元節(jié)點使用S型傳遞函數(shù)，能夠輸出從0到1之間的連續(xù)信息，從而可以實現(xiàn)從輸入層到輸出層之間的任意非線性映射。

BP神經(jīng)網(wǎng)絡(luò)是一種三層神經(jīng)網(wǎng)絡(luò)，分別是網(wǎng)絡(luò)輸入層、網(wǎng)絡(luò)隱含層和網(wǎng)絡(luò)輸出層，每層是由多個并行運(yùn)算的神經(jīng)元構(gòu)成。BP神經(jīng)網(wǎng)絡(luò)中同一層次的神經(jīng)元之間不進(jìn)行連接，而是將相鄰兩層的全部神經(jīng)元相互連接，神經(jīng)元之間連接權(quán)值決定了BP神經(jīng)網(wǎng)絡(luò)的信息處理能力。BP神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)如圖2所示。

圖2 BP神經(jīng)網(wǎng)絡(luò)拓?fù)?/p>

BP神經(jīng)網(wǎng)絡(luò)算法主要分為信號正向傳播和誤差反向傳播兩個階段。首先，輸入信息從輸入層輸入，經(jīng)過隱含層后再到輸出層輸出，在整個傳輸過程中神經(jīng)元的連接權(quán)值固定不變。一般而言這樣的輸出結(jié)果與期望輸出結(jié)果之間存在誤差，此時，將誤差由輸出層開始逐層向前傳輸，在傳輸過程中根據(jù)誤差情況動態(tài)調(diào)整各個神經(jīng)元之間連接權(quán)值，直到得到實際輸出與期望輸出之間的最小均方差值時為止[11]。

2.2 改進(jìn)BP神經(jīng)網(wǎng)絡(luò)模型

由于BP神經(jīng)網(wǎng)絡(luò)使用神經(jīng)元之間的連接權(quán)值來存儲信息，所以BP神經(jīng)網(wǎng)絡(luò)具有較高的容錯性和魯棒性。并且，BP神經(jīng)網(wǎng)絡(luò)可以通過反饋學(xué)習(xí)不斷加強(qiáng)神經(jīng)元之間的連接強(qiáng)度，進(jìn)而使得BP神經(jīng)網(wǎng)絡(luò)對信息具有較高的靈敏度。BP神經(jīng)網(wǎng)絡(luò)雖然優(yōu)點眾多，但它在實際應(yīng)用中仍存在不足。BP神經(jīng)網(wǎng)絡(luò)非線性優(yōu)化存在局部極小點問題，從而對網(wǎng)絡(luò)性能帶來消極影響[12]。同時，BP神經(jīng)網(wǎng)絡(luò)初始值的設(shè)置對算法收斂速度影響較大，BP神經(jīng)網(wǎng)絡(luò)修正權(quán)系數(shù)w(k)通常不考慮k時刻之前的梯度方向，只從k時刻誤差的梯度下降方向進(jìn)行權(quán)值調(diào)整，導(dǎo)致BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練過程中發(fā)生震蕩，致使算法收斂速度緩慢[13-14]。

為解決BP神經(jīng)網(wǎng)絡(luò)上述問題，引入動量因子改進(jìn)BP神經(jīng)網(wǎng)絡(luò)算法。BP神經(jīng)網(wǎng)絡(luò)增加動量因子后，可以使得權(quán)值的調(diào)整朝著誤差曲面底部平方的方向變化，并將最后一次權(quán)值變化的影響通過動量因子進(jìn)行傳遞。引入動量因子的權(quán)值調(diào)節(jié)表達(dá)式為：

Δω(k+1)=Δω(k)+η(1-α)E(k)+αE(k-1)

(8)

式中：k為訓(xùn)練次數(shù)，α為動量因子，η為學(xué)習(xí)速率，E(k)為關(guān)于權(quán)值向量ω(k)的梯度。當(dāng)BP神經(jīng)網(wǎng)絡(luò)權(quán)值進(jìn)入誤差曲面底部的平坦區(qū)域時，E(k)將變得很小，即有：

Δω(k+1)≈Δω(k)

(9)

由式(9)可知，引入動量因子后，可以防止ω(k)=0的情況出現(xiàn)，這將使得BP神經(jīng)網(wǎng)絡(luò)可從誤差曲面局部極小值中跳出。

2.3 改進(jìn)BP神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練

在個性化推薦過程中，具有相同特征的用戶一般擁有相似的行為習(xí)慣，用戶之間的行為習(xí)慣越相似，用戶相似度越高，將a用戶與其他用戶之間相似度記為Pa,u。在計算Pa,u時，通常進(jìn)行歸一化處理，把Pa,u取值范圍標(biāo)準(zhǔn)化到[0,1]集合上。本文采用改進(jìn)BP神經(jīng)網(wǎng)絡(luò)進(jìn)行用戶相似度Pa,u測算。

為了便于BP神經(jīng)網(wǎng)絡(luò)模型的初始權(quán)值設(shè)定，本文采用3層神經(jīng)網(wǎng)絡(luò)：第1層為輸入層，第2層為隱含層，第3層為輸出層。輸入層主要輸入商品屬性信息；隱含層則為用戶特征值；輸出層為用戶相似度Pa,u。

改進(jìn)BP神經(jīng)網(wǎng)絡(luò)的用戶相似度模型算法的訓(xùn)練步驟如下：

(1)設(shè)定輸入層和輸出層節(jié)點的數(shù)量，并初始化各層權(quán)值和閾值。

(2)將商品主要屬性信息輸入到BP網(wǎng)絡(luò)中。

(3)按照BP模型算法進(jìn)行網(wǎng)絡(luò)學(xué)習(xí)。

(4)計算權(quán)值梯度和訓(xùn)練誤差。

(5)根據(jù)式8修正各層權(quán)值與閾值。

(6)判斷樣本集的均方誤差是否滿足要求。滿足，則結(jié)束學(xué)習(xí)，否則繼續(xù)學(xué)習(xí)，直至滿足為止。

(7)使用以上訓(xùn)練好的網(wǎng)絡(luò)對Pa,u進(jìn)行測算。

3 實驗與分析

為了驗證基于BP神經(jīng)網(wǎng)絡(luò)的個性化算法的準(zhǔn)確性和有效性，本文在真實數(shù)據(jù)集上開展實驗仿真，并進(jìn)行分析。

3.1 實驗數(shù)據(jù)集

本文實驗數(shù)據(jù)采用美國明尼蘇達(dá)大學(xué)GroupLeans項目提供開源的Movieleans數(shù)據(jù)集進(jìn)行仿真實驗[15-16]。Movieleans數(shù)據(jù)集創(chuàng)建于1997年，是一個基于Web的推薦算法研究數(shù)據(jù)集。目前，Movieleans數(shù)據(jù)集包含72 000名用戶對1萬部電影的1000萬條評分?jǐn)?shù)據(jù)，電影的每條評分?jǐn)?shù)據(jù)取值[1,5]之間的整數(shù)值，評分?jǐn)?shù)值越高代表用戶對該電影的認(rèn)可度越高，即表示用戶越喜歡該電影。本文從Movieleans數(shù)據(jù)集中隨機(jī)的選擇了10 000條評分?jǐn)?shù)據(jù)作為實驗仿真數(shù)據(jù)集，該數(shù)據(jù)集共包含了196個用戶對1029部電影的評分。實驗仿真數(shù)據(jù)集被劃分為訓(xùn)練數(shù)據(jù)集和測試數(shù)據(jù)集兩部分，訓(xùn)練數(shù)據(jù)集作為輸入用于算法訓(xùn)練，而測試數(shù)據(jù)集則用于算法的性能測試。

3.2 度量標(biāo)準(zhǔn)

評價推薦系統(tǒng)的推薦質(zhì)量的度量標(biāo)準(zhǔn)可分為三大類，分別是預(yù)測精度度量、分類精度度量和等級精度度量[17]。本文采用預(yù)測精度度量中常用的平均絕對偏差MAE(Mean Absolute Error)作為度量標(biāo)準(zhǔn)。MAE通過計算預(yù)測用戶評分與實際用戶評分之間的偏差度，可以非常直觀地對推薦質(zhì)量進(jìn)行度量，便于對推薦系統(tǒng)結(jié)果的分析與評價[18-20]。MAE評價度量標(biāo)準(zhǔn)公式為：

(10)

式中，S表示用戶評分的集合{s1,s2,…,sn}，T表示實際用戶的評分集合{t1,t2,…,tn}，n表示評測用戶數(shù)量。計算結(jié)果的MAE值越小，表示推薦系統(tǒng)的推薦質(zhì)量越高。

3.3 結(jié)果與分析

本文在仿真實驗中使用1臺惠普刀片服務(wù)器作為實驗硬件環(huán)境，配置為：2個Intel至強(qiáng)E7處理器(主頻為2.26 GHz)，32 G的DDR3內(nèi)存，1 T的SATA硬盤。仿真實驗軟件環(huán)境采用神經(jīng)網(wǎng)絡(luò)工具箱，主要使用了newff()、train()和sim()函數(shù)，分別用于BP神經(jīng)網(wǎng)絡(luò)生成、BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練和BP神經(jīng)網(wǎng)絡(luò)驗證。由于Movieleans數(shù)據(jù)集中電影的特征由18個屬性組成，所以在仿真實驗時設(shè)定輸入神經(jīng)元個數(shù)為18個，隱含層神經(jīng)元也設(shè)置為18個。

改進(jìn)后的BP神經(jīng)網(wǎng)絡(luò)經(jīng)過訓(xùn)練可得到該網(wǎng)絡(luò)模型，該模型的訓(xùn)練方差、測試方差和測試誤差均值如圖3所示。

圖3 改進(jìn)后BP神經(jīng)網(wǎng)絡(luò)有效性驗證

由圖3可見，訓(xùn)練后的網(wǎng)絡(luò)模式的訓(xùn)練方差和測試誤差方差大致在一條直線上，而且網(wǎng)絡(luò)的測試誤差均值也保持在0值附近，這說明改進(jìn)后的BP神經(jīng)網(wǎng)絡(luò)模型具有較好的穩(wěn)定性和有效性。

本次實驗對改進(jìn)BP神經(jīng)網(wǎng)絡(luò)相似性和修正余弦相似性的計算精度進(jìn)行比較實驗，計算其各自MAE，最近鄰居集合的個數(shù)S從5遞增至30，間隔為5。實驗結(jié)果如圖4所示。

圖4 相似性度量方法的比較

由圖4可見，改進(jìn)BP神經(jīng)網(wǎng)絡(luò)相似性度量方法的MAE值均低于傳統(tǒng)的修正余弦相似性度量值，因此改進(jìn)BP神經(jīng)網(wǎng)絡(luò)相似性度量方法所計算的相似度Pa,u較傳統(tǒng)的修正余弦相似性度計算的相似度Pa,u與真實Pa,u較偏差要小。

為驗證本文提出的算法的有效性，本文將基于改進(jìn)BP神經(jīng)網(wǎng)絡(luò)的個性化推薦算法與混合推薦算法和常用的協(xié)調(diào)過濾推薦算法進(jìn)行比較實驗，實驗采用MAE度量標(biāo)準(zhǔn)，實驗結(jié)果如圖5所示。從圖5可以看出，本文提出的算法與其他算法相比均具有最小的MAE值，由此可知，本文提出的基于改進(jìn)BP神經(jīng)網(wǎng)絡(luò)的個性化推薦算法可以顯著地提高推薦系統(tǒng)的推薦質(zhì)量。

圖5 基于改進(jìn)BP神經(jīng)網(wǎng)絡(luò)的個性化推薦算法效果

4 結(jié)束語

隨著互聯(lián)網(wǎng)技術(shù)的高速發(fā)展與應(yīng)用，最近幾年推薦系統(tǒng)幾乎成為大型互聯(lián)網(wǎng)平臺的標(biāo)準(zhǔn)配置和功能。這反映了在當(dāng)今信息過載時代，如何根據(jù)用戶的品味和愛好自適應(yīng)地發(fā)現(xiàn)滿足用戶個性化的需求是一個重要的研究領(lǐng)域。本文提出的基于BP神經(jīng)網(wǎng)絡(luò)的個性化推薦算法，將協(xié)同推薦算法、基于內(nèi)容的推薦算法整合到一個混合推薦算法中，并采用改進(jìn)BP神經(jīng)網(wǎng)絡(luò)算法解決了該算法中存在的用戶相識度計算準(zhǔn)確度偏低的問題。通過在真實數(shù)據(jù)集上的實驗表明，本文提出的算法減小了用戶相識度計算偏差，顯著地提高了用戶個性化推薦的推薦質(zhì)量。

[1] 許海玲,吳瀟,李曉東,等.互聯(lián)網(wǎng)推薦系統(tǒng)比較研究[J].軟件學(xué)報,2009,20(2):350-362.

[2] 項亮.推薦系統(tǒng)實踐[M].北京:人民郵電出版社,2013:5-9.

[3] 趙琴琴,魯凱,王斌.SPCF:一種基于內(nèi)存的傳播式協(xié)同過濾推薦算法[J].計算機(jī)學(xué)報,2013,36(3):671-676.

[4] ADOMAVICIUS G,TNZHILIN A.Context-aware recommender systems[M]//FRANCESCO R,LIOR R,BRACHA S,et al.Recommender Systems Handbook,US:Springer,2011:217-253.

[5] 龍舜,蔡跳,林佳雄.一個基于演化關(guān)聯(lián)規(guī)則挖掘的個性化推薦模型[J].暨南大學(xué)學(xué)報:自然科學(xué)與醫(yī)學(xué)版,2012,33(3):264-267.

[6] GHAZANFAR M A,PRUGEL-BENNETT A.Building switching hybrid recommender system using machine learning classifiers and collaborative filtering[J].International Journal of Computer Science,2010,37(3):272-287.

[7] SHI Y,KARATZOGLOU A,BALTRUNAS L,et al.CLIMF:learning to maximize reciprocal rank with collaborative less-is-more filtering[C]//Proceedings of the sixth ACM conference on Recommender systems,Dublin,Ireland,September 9-13,2012:139-146.

[8] 謝娟英,高紅超.基于統(tǒng)計相關(guān)性與K-means的區(qū)分基因子集選擇算法[J].軟件學(xué)報,2014,25(9):2050-2075.

[9] 范波,程久軍.用戶間多相似度協(xié)同過濾推薦算法[J].計算機(jī)科學(xué),2012,39(1):23-26.

[10] 田增山,崔永全.基于BP神經(jīng)網(wǎng)絡(luò)的GPS/SINS姿態(tài)測量融合算法[J].重慶郵電大學(xué)學(xué)報:自然科學(xué)版,2014(8):478-506.

[11] 李小艷,唐智勇.基于BP神經(jīng)網(wǎng)絡(luò)的企業(yè)知識管理評價模型[J].計算機(jī)應(yīng)用與軟件,2014(2):93-95.

[12] 吳浩,羅毅,蔡亮.基于RBF神經(jīng)網(wǎng)絡(luò)的輸電線路故障類型識別新方法[J].重慶郵電大學(xué)學(xué)報:自然科學(xué)版,2013(6):418-426.

[13] 李炯城,肖恒輝,李桂愉.神經(jīng)網(wǎng)絡(luò)中處理鞍點的LMBP改進(jìn)算法[J].計算機(jī)工程,2012,38(23):173-176,180.

[14] 李翔,朱全銀.Adaboost算法改進(jìn)BP神經(jīng)網(wǎng)絡(luò)預(yù)測研究[J].計算機(jī)工程與科學(xué),2013,35(8):96-102.

[15] CHOI S M,KO S K,HAN Y S.A movie recommendation algorithm based on genre correlations[J].Expert System with Application,2012,39(9):8079-8085.

[16] 馮本勇.基于Hadoop的協(xié)同過濾推薦算法[J].電子制作,2014(24):58-59.

[17] PAUL S,BOUTSIDIS C,MAGDON-ISMAIL M,et al.Random Projextions for Support Vector Machines[J].ACM Transactions on Knowledge Discovery from Data,2014,8(4):498-506.

[18] BOBADILLA J,ORTEGA F,HERNANDO A.A collaborative filtering similarity measure based on singularities[J].Information Processing and Management,2012,48(2):204-217.

[19] 文俊浩,舒珊.一種改進(jìn)相似性度量的協(xié)同過濾推薦算法[J].計算機(jī)科學(xué),2014,41(5):68-71.

[20] LOPS P,GEMMIS M D,SEMERARO G,et al.Content based and collaborative techniques for tag recommendation:an empirical evaluation[J].Journal of Intelligent Information Systems, 2013,40(1):41-61.

Study of Personalized Recommendation Algorithm Based on BP Neural Network

LUOPinjiea,WENHeb

(a.Experimental Management Center; b.Department of Computer Science and Technology, Chengdu Neusoft University, Chengdu 610000, China)

In the era of big data, personalized recommendation helps users alleviate information overload problem by recommending users with the personalized products, information or services. The personalized recommendation algorithm based on BP neural network is proposed, how to establish a hybrid recommendation model is studied, and the accuracy of user similarity algorithm is improved by using BP neural network training. Experimental results show that the algorithm can effectively reduce the user similarity calculation deviation and improve the quality of personalized recommendation.

personalized recommendation algorithm; improved BP neural network; the hybrid recommendation system; user similarity; momentum factor

2015-12-14

四川省教育廳科研項目(14ZB0346);成都東軟學(xué)院校級科研項目(NEU2015-1)

羅頻捷(1981-),男,四川瀘州人,高級工程師,碩士,主要從事神經(jīng)網(wǎng)絡(luò)、機(jī)器視覺方面的研究,(E-mail)luopinjie@nsu.edu.cn;

溫 荷(1982-),女,四川成都人,副教授,主要從事云計算、大數(shù)據(jù)方面的研究,(E-mail)wenhe@nsu.edu.cn

1673-1549(2016)01-0039-05

10.11863/j.suse.2016.01.09

TP391

A