• <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 ?

    基于融合GMM聚類與FOA-GRNN模型的推薦算法

    2018-12-26 09:11:00李毅鵬阮葉麗張杰
    關(guān)鍵詞:物品聚類協(xié)同

    李毅鵬,阮葉麗,張杰

    ?

    基于融合GMM聚類與FOA-GRNN模型的推薦算法

    李毅鵬,阮葉麗,張杰

    (中南財(cái)經(jīng)政法大學(xué)信息與安全工程學(xué)院,湖北 武漢 430073)

    針對(duì)傳統(tǒng)基于物品的推薦算法由于數(shù)據(jù)稀疏性導(dǎo)致的低推薦精度問(wèn)題,提出了一種融合GMM聚類和FOA-GRNN模型的推薦算法。該算法首先使用高斯混合模型(GMM)方法對(duì)物品特征進(jìn)行聚類;然后根據(jù)聚類結(jié)果分別構(gòu)造評(píng)分矩陣,并使用Slope One算法填充評(píng)分矩陣;最后計(jì)算用戶對(duì)物品的相似度預(yù)測(cè)評(píng)分作為輸入,通過(guò)FOA-GRNN模型輸出最終的評(píng)分?;趍ovielens-2k數(shù)據(jù)集的實(shí)驗(yàn)結(jié)果表明,與其他3種算法相比,該算法能夠更好地處理高稀疏性數(shù)據(jù),推薦精度更優(yōu),并能夠在一定程度上解決冷啟動(dòng)問(wèn)題。

    推薦算法;GMM聚類;果繩優(yōu)化;廣義回歸神經(jīng)網(wǎng)絡(luò);Slope One算法

    1 引言

    隨著互聯(lián)網(wǎng)技術(shù)的發(fā)展,人們?cè)诰€獲取的數(shù)據(jù)越來(lái)越豐富,然而大量無(wú)關(guān)冗余數(shù)據(jù)嚴(yán)重干擾了人們對(duì)有用信息的選擇,這種現(xiàn)象被稱為“信息過(guò)載”。因此,推薦系統(tǒng)成為幫助用戶獲取有用信息的必要工具,其原理是基于用戶的興趣偏好、歷史評(píng)分、需求、行為等信息產(chǎn)生一個(gè)排序序列,將排序靠前的商品或信息推薦給用戶。近年來(lái),越來(lái)越多的個(gè)性化推薦方法被相繼提出,協(xié)同過(guò)濾推薦算法由于其推薦過(guò)程自動(dòng)高效,并且僅利用用戶對(duì)物品的評(píng)分信息而被廣泛使用,成為互聯(lián)網(wǎng)時(shí)代的新寵。協(xié)同過(guò)濾推薦算法有2種不同的推薦途徑,分為基于用戶的協(xié)同過(guò)濾和基于物品的協(xié)同過(guò)濾。

    雖然協(xié)同過(guò)濾算法由于其簡(jiǎn)單、有效和準(zhǔn)確性而被廣泛應(yīng)用,在信息時(shí)代節(jié)約了用戶獲取信息的時(shí)間代價(jià),但是用戶評(píng)分?jǐn)?shù)據(jù)的稀疏性和冷啟動(dòng)問(wèn)題成為制約其推薦精度的主要原因。對(duì)此,國(guó)外學(xué)者率先進(jìn)行了相關(guān)研究,Deshpande等[1]提出SVD奇異值分解法可以對(duì)用戶?項(xiàng)目評(píng)分矩陣進(jìn)行降維,通過(guò)刪除冗余信息實(shí)現(xiàn)降低數(shù)據(jù)稀疏度的目的。Rendle[2]則從貝葉斯原理出發(fā),使用貝葉斯概率修正用戶對(duì)項(xiàng)目的預(yù)測(cè)評(píng)分,降低了算法的預(yù)測(cè)偏差。Ocepek[3]就冷啟動(dòng)的問(wèn)題,在傳統(tǒng)協(xié)同過(guò)濾算法基礎(chǔ)上加入用戶認(rèn)知信任信息,提升了推薦精度。國(guó)內(nèi)學(xué)者在協(xié)同過(guò)濾推薦算法的研究上雖起步較晚,但已取得了可觀的研究成果。張鋒等[4]首先將機(jī)器學(xué)習(xí)的思想融入?yún)f(xié)同過(guò)濾算法中,利用BP網(wǎng)絡(luò)降低數(shù)據(jù)稀疏度,取得了不錯(cuò)的實(shí)證效果。詹增榮[5]則通過(guò)RBF函數(shù)插值法對(duì)稀疏數(shù)據(jù)進(jìn)行填補(bǔ),接著采用SVM進(jìn)行評(píng)分預(yù)測(cè),使算法克服了數(shù)據(jù)質(zhì)量的不足,增加了穩(wěn)定性。張玉連等[6]另辟蹊徑,提供了一種簡(jiǎn)單高效的優(yōu)化方案。用最小二乘法對(duì)Slope One算法進(jìn)行加權(quán),從而實(shí)現(xiàn)對(duì)稀疏數(shù)據(jù)的填充。郭蘭杰等[7]考慮到“朋友關(guān)系”可能影響不同用戶對(duì)于物品的選擇,故引入用戶社交網(wǎng)絡(luò)信息對(duì)物品相似度計(jì)算和最終預(yù)測(cè)評(píng)分階段的缺失值進(jìn)行填充,在降低評(píng)分誤差的同時(shí)提高了分類準(zhǔn)確率,但卻增加了相關(guān)數(shù)據(jù)獲取的難度以及算法整體的復(fù)雜性。針對(duì)傳統(tǒng)協(xié)同過(guò)濾算法未充分重視用戶反饋信息的問(wèn)題,張宇等[8]提出了基于正負(fù)反饋的支持向量機(jī)協(xié)同過(guò)濾,篩選了用戶較為喜歡的物品進(jìn)行排序,加快了算法的推薦速度。龐海龍等[9]將真實(shí)評(píng)分與預(yù)測(cè)評(píng)分的插值作為線性回歸模型的輸入訓(xùn)練模型,從而產(chǎn)生最終推薦,為緩解數(shù)據(jù)稀疏性提供了另一種解決方案。與此同時(shí),丁永剛等[10]提出碼本聚類的思想獲取用戶評(píng)分風(fēng)格信息,降低了推薦成本。龔敏等[11]利用-means方法對(duì)用戶進(jìn)行聚類,提高了推薦算法的可擴(kuò)展性。陶維成等[12]則引入灰色關(guān)聯(lián)度的聚類方法對(duì)物品特征進(jìn)行聚類,取得了類似的實(shí)證效果。楊大鑫等[13]在上述研究的基礎(chǔ)上,利用最小方差對(duì)-means算法進(jìn)行優(yōu)化后對(duì)用戶聚類,對(duì)協(xié)同過(guò)濾算法做了進(jìn)一步改進(jìn)。

    綜上所述,國(guó)內(nèi)外學(xué)者對(duì)協(xié)同過(guò)濾算法的改進(jìn)大多是從稀疏矩陣的填充以及用戶信息的擴(kuò)展兩方面提出,對(duì)物品特征之間的聯(lián)系兼顧較少,或考慮到物品類別,但未對(duì)用戶項(xiàng)目評(píng)分做進(jìn)一步優(yōu)化,并且對(duì)用戶信息的擴(kuò)展增加了數(shù)據(jù)獲取的難度。因此,本文從物品特征出發(fā),提出了融合高斯混合模型(GMM)聚類和果蠅優(yōu)化?廣義回歸神經(jīng)網(wǎng)絡(luò)(FOA-GRNN)模型的推薦算法,結(jié)合物品特征信息以及廣義回歸神經(jīng)網(wǎng)絡(luò)(GRNN)模型的非線性擬合能力產(chǎn)生推薦。

    2 融合GMM聚類和FOA-GRNN模型的推薦算法

    基于高斯混合模型聚類算法、果蠅優(yōu)化算法、廣義回歸神經(jīng)網(wǎng)絡(luò),本文構(gòu)建了融合GMM聚類和FOA-GRNN模型的協(xié)同過(guò)濾算法。整套算法以基于物品的協(xié)同過(guò)濾算法為核心加以優(yōu)化,算法構(gòu)建的基本流程細(xì)化如下。

    2.1 基于物品特征的GMM聚類

    相較于-means等傳統(tǒng)的聚類方法,GMM聚類不用指定類別的個(gè)數(shù),將樣本特征假設(shè)為服從高斯分布,在大樣本條件下更符合中心極限定理,最終的聚類結(jié)果是每個(gè)樣本分屬于不同類別的概率,相較于-means聚類更為合理,同時(shí)GMM算法的時(shí)間復(fù)雜度較-means有所減小,降低了算法運(yùn)行開(kāi)銷。

    2.2 計(jì)算物品相似度以及用戶?物品預(yù)測(cè)評(píng)分

    2.2.1 結(jié)合GMM聚類結(jié)果計(jì)算物品間相似度

    表1 用戶?物品評(píng)分矩陣

    與傳統(tǒng)協(xié)同過(guò)濾算法只通過(guò)用戶評(píng)分矩陣計(jì)算物品之間相似度不同,本文提出的算法結(jié)合了對(duì)物品特征進(jìn)行GMM聚類的結(jié)果,將物品的特征信息深入融合到物品相似度計(jì)算中。根據(jù)2.1節(jié)的假設(shè),所有物品被聚為類,對(duì)于每一類中的物品,分別計(jì)算其與同屬于一類中的其他物品的相似度,相似度采用常用的皮爾遜相似度度量,即

    2.2.2 基于物品相似度預(yù)測(cè)評(píng)分

    在相似度計(jì)算的基礎(chǔ)上,通過(guò)用戶對(duì)物品的最相似鄰居的評(píng)分值進(jìn)行相似度加權(quán)后得到用戶對(duì)物品的評(píng)分預(yù)測(cè)值,計(jì)算公式如下。

    其中,表示物品的最相似鄰居集合。

    2.2.3 Slope One算法填充缺失值

    由于用戶評(píng)分矩陣的高稀疏性,對(duì)式(1)、式(2)的計(jì)算有所不便。在此采用Lemire等[14]于2005年提出的一種有效的缺失值填充方法,即Slope One算法[14],本文在式(1)、式(2)的計(jì)算過(guò)程中采用Slope One算法對(duì)可能的缺失值進(jìn)行選擇性填充,Slope One算法重復(fù)利用用戶?物品評(píng)分矩陣中已評(píng)分?jǐn)?shù)據(jù),計(jì)算相關(guān)的未評(píng)分?jǐn)?shù)據(jù)以改善數(shù)據(jù)的稀疏性。

    2.3 FOA-GRNN模型預(yù)測(cè)最終評(píng)分

    用戶?物品評(píng)分矩陣中的缺失值由式(2)的計(jì)算結(jié)果代替,將所有相似度預(yù)測(cè)評(píng)分作為GRNN模型的輸入,以聚類結(jié)果為依據(jù),按物品所屬類分別訓(xùn)練FOA-GRNN神經(jīng)網(wǎng)絡(luò)模型,以FOA-GRNN神經(jīng)網(wǎng)絡(luò)模型的輸出結(jié)果作為最終的預(yù)測(cè)評(píng)分。

    表2 第類用戶對(duì)物品評(píng)分信息

    2.4 評(píng)價(jià)指標(biāo)

    本文選用推薦算法常用的2種評(píng)價(jià)指標(biāo)來(lái)評(píng)價(jià)算法推薦結(jié)果的優(yōu)劣[15-16],這2種評(píng)價(jià)指標(biāo)分別為平均絕對(duì)誤差(MAE)和均方根誤差(RMSE),即

    3 實(shí)驗(yàn)分析

    3.1 實(shí)驗(yàn)數(shù)據(jù)集

    本文采用的實(shí)驗(yàn)數(shù)據(jù)集是推薦系統(tǒng)常用的movielens-2k數(shù)據(jù)集,包含在HetRec2011 Dataset中。該數(shù)據(jù)集是movielens 10M數(shù)據(jù)集的擴(kuò)展,包含更多的電影特征信息。除了基本的“release time”“genre”外,還有“Top Critics Rating”“Top Critics NumReviews”“Top Critics Score”“Audience Rating”等連續(xù)型數(shù)據(jù),相比movielens 10M數(shù)據(jù)集更加利于項(xiàng)目聚類算法的開(kāi)展。該數(shù)據(jù)集的核心是2 113位用戶對(duì)10 197部電影的評(píng)分,共855 598個(gè)記錄,而每部電影只有84個(gè)評(píng)分記錄,保證了高稀疏度的數(shù)據(jù)要求,因此,本文選用該數(shù)據(jù)集作為融合GMM聚類和FOA-GRNN模型推薦算法的實(shí)驗(yàn)數(shù)據(jù)集。

    3.2 實(shí)驗(yàn)結(jié)果分析

    對(duì)movielens-2k數(shù)據(jù)集的電影信息進(jìn)行整理后發(fā)現(xiàn),其可供聚類使用的有效特征數(shù)為16個(gè),剔除其中含有的無(wú)效記錄后可供研究的電影數(shù)目為10 105個(gè),即整個(gè)實(shí)驗(yàn)的物品數(shù)目為10 105個(gè),用戶數(shù)目為2 111個(gè),涵蓋855 598個(gè)評(píng)分記錄,其中不難發(fā)現(xiàn)實(shí)驗(yàn)數(shù)據(jù)集的評(píng)分稀疏度已達(dá)到96%。本文所提算法的第一步根據(jù)電影特征對(duì)10 105部影片進(jìn)行聚類,由于電影特征數(shù)較多,在此先用PCA主成分分析法對(duì)電影特征進(jìn)行降維,并識(shí)別出3個(gè)主成分,再對(duì)主成分進(jìn)行GMM聚類。GMM聚類能夠自動(dòng)生成聚類的簇?cái)?shù),并不需要自己設(shè)定,最終的聚類結(jié)果如圖1所示。

    圖1 GMM聚類結(jié)果

    從圖1中可以看出,GMM聚類根據(jù)電影特征信息將10 105部電影聚成9類,各個(gè)電影所屬的類別根據(jù)EM算法計(jì)算出的最終概率而定。聚類結(jié)果中各類含有的影片數(shù)目大體較為均勻,其中含有電影數(shù)目最多的類是第3類,包含2 202部影片,而所含電影數(shù)目最少的類別為第9類,僅有39部電影。

    根據(jù)上述聚類結(jié)果,分別對(duì)每個(gè)類別中的物品計(jì)算相似度,再根據(jù)每個(gè)物品的相似度大小進(jìn)行排序,構(gòu)建每個(gè)物品的最相似物品鄰居集合,計(jì)算過(guò)程的缺失值使用Slope One算法選擇性填充,以相似度為基礎(chǔ)計(jì)算出的用戶?物品預(yù)測(cè)評(píng)分作為FOA-GRNN神經(jīng)網(wǎng)絡(luò)模型的輸入,得到最終的預(yù)測(cè)評(píng)分信息。其中,F(xiàn)OA算法對(duì)GRNN模型平滑因子進(jìn)行迭代尋優(yōu)的過(guò)程如圖2所示。

    圖2 FOA優(yōu)化GRNN迭代路徑

    根據(jù)MAE和RMSE這2種推薦算法優(yōu)劣的評(píng)價(jià)指標(biāo),本文計(jì)算了在每一類中訓(xùn)練出的FOA-GRNN模型的MAE值和RMSE的值,根據(jù)文獻(xiàn)[7],本文將物品的相似度鄰居數(shù)設(shè)置為30進(jìn)行對(duì)比,每一類的MAE和RMSE值均為5折交叉驗(yàn)證的平均結(jié)果,如圖3所示。

    圖3 各個(gè)類中的RMSE和MAE值

    從圖3可以看出,各個(gè)類別的MAE值和RMSE值較為穩(wěn)定,其中的少許波動(dòng)一定程度上是由于各類樣本數(shù)大小不同引起的,其中,第4類中的用戶?電影評(píng)分矩陣的稀疏程度較大,故得到較大的MAE和RMSE,相對(duì)正常??傮w來(lái)看,RMSE值略大于MAE,RMSE和MAE指標(biāo)均未出現(xiàn)極端值,這也說(shuō)明本文提出的推薦算法具有較高的泛化能力。

    為了進(jìn)一步比較驗(yàn)證本文提出的算法與已有的推薦算法性能的優(yōu)劣,這里分別將新算法與如下3種算法的性能進(jìn)行對(duì)比分析,所用的評(píng)價(jià)指標(biāo)依然是MAE和RMSE。

    第1種算法為傳統(tǒng)的基于物品的協(xié)同過(guò)濾算法(UCF),只根據(jù)用戶?物品評(píng)分矩陣計(jì)算物品之間的相似度,進(jìn)而根據(jù)物品的最相似集合計(jì)算用戶對(duì)物品的預(yù)測(cè)評(píng)分。

    第2種算法為采用-means算法對(duì)物品聚類,然后采用FOA優(yōu)化GRNN模型得出最終預(yù)測(cè)評(píng)分的算法,即在本文算法的基礎(chǔ)上,將GMM聚類算法替換為-means算法后得到的算法,以比較-means算法和GMM算法在處理本文問(wèn)題的表現(xiàn)優(yōu)劣,記為-FOA-GRNN。

    第3種算法為本文算法中的FOA優(yōu)化GRNN模型替換為傳統(tǒng)的BP神經(jīng)網(wǎng)絡(luò)模型,以預(yù)測(cè)最終的評(píng)分值,以此比較FOA-GRNN模型同BP模型在本文問(wèn)題上的預(yù)測(cè)效果,記為GMM-BP。

    采用相同的數(shù)據(jù)集實(shí)驗(yàn)后,4種算法的對(duì)比結(jié)果如圖4和圖5所示。其中,橫軸代表相似度鄰居數(shù),縱軸則表示誤差MAE和RMSE值。

    圖4 4種算法MAE值對(duì)比

    圖5 4種算法RMSE值對(duì)比

    由圖4和圖5可以看出,隨著物品相似度鄰居的增加,每種算法的MAE值和RMSE值都有一個(gè)先降后升的趨勢(shì),在鄰居數(shù)為30時(shí),MAE和RMSE都達(dá)到一個(gè)最小值。與其他3種已有算法相比較,本文提出的算法無(wú)論在MAE還是RMSE上,均小于其他3種已有算法,MAE和RMSE值均有較大幅度的降低,在各個(gè)鄰居數(shù)下皆是如此。因此,本文提出的新算法較已有的協(xié)同過(guò)濾算法,有更好的推薦性能,適用范圍更加廣泛。

    4 結(jié)束語(yǔ)

    本文在已有研究的基礎(chǔ)上,提出了一種融合GMM聚類與FOA-GRNN模型的協(xié)同過(guò)濾算法。該算法以傳統(tǒng)面向物品的協(xié)同過(guò)濾算法為核心,充分利用物品特征的信息反饋,先通過(guò)GMM聚類方法將物品進(jìn)行聚類,再根據(jù)聚類結(jié)果計(jì)算各個(gè)類別的物品之間的相似度,并用Slope One算法對(duì)計(jì)算過(guò)程的確實(shí)值進(jìn)行填充,緩解了數(shù)據(jù)的稀疏性問(wèn)題。最后將基于物品相似度鄰居集合計(jì)算出的用戶對(duì)物品的預(yù)測(cè)評(píng)分作為GRNN模型的輸入,利用FOA算法對(duì)GRNN模型的平滑因子進(jìn)行迭代尋優(yōu),從而獲得最終的用戶物品預(yù)測(cè)評(píng)分,得益于GRNN模型多變量輸出功能,可以較為有效地解決評(píng)分稀疏性問(wèn)題。在movielens-2k數(shù)據(jù)集上的實(shí)證分析顯示,改進(jìn)的算法推薦誤差較小,精度較高,并且較其他3種協(xié)同過(guò)濾算法有更好的推薦能力和泛化能力。

    [1] DESHPANDE M, KARYPIS G. Item-based top-, recommendation algorithms[M]. ACM, 2004.

    [2] RENDLE S, FREUDENTHALER C, GANTNER Z, et al. BPR: Bayesian personalized ranking from implicit feedback[M]. AUAI Press, 2009:452-461.

    [3] OCEPEK U, RUGELJ J, BOSNI? Z. Improving matrix factorization recommendations for examples in cold start[J]. Expert Systems with Applications, 2015, 42(19):6784-6794.

    [4] 張鋒, 常會(huì)友. 使用BP神經(jīng)網(wǎng)絡(luò)緩解協(xié)同過(guò)濾推薦算法的稀疏性問(wèn)題[J]. 計(jì)算機(jī)研究與發(fā)展, 2006, 43(4):667-672.ZHANG F, CHANG H Y. Employing bp neural networks to alleviate the sparsity issue in colaborative filtering recommendation algorithms[J]. Journal of Computer Research and Development,2006, 43(4):667-672.

    [5] 詹增榮, 曾青松. 基于協(xié)方差矩陣表示的圖像集匹配[J].湖南師范大學(xué)自然科學(xué)學(xué)報(bào),2015, 38(4):74-79.ZHAN Z R, ZENG Qing-song image set matching based on covariance matrix[J]. Journal of Natural Science of Hunan Normal University, 2015, 38(4): 74-79.

    [6] 張玉連, 郇思思, 梁順攀. 融合機(jī)器學(xué)習(xí)的加權(quán)Slope One算法[J].小型微型計(jì)算機(jī)系統(tǒng), 2016,37(8):1712-1716.ZHANG Y L, HUAN S S, LIANG S P, ?Integrating machine learning into weighted Slope One algorithm[J]. Journal of Chinese Computer Systems, 2016, 37(8): 1712-1716.

    [7] 郭蘭杰, 梁吉業(yè), 趙興旺. 融合社交網(wǎng)絡(luò)信息的協(xié)同過(guò)濾推薦算法[J]. 模式識(shí)別與人工智能, 2016, 29(3):281-288.GUO L J, LIANG J Y, ZHAO X W. collaborative filtering recommendation algorithm incorporationg social network information[J]. PR&AI, 2016, 29(3): 281-288.

    [8] 張宇, 王文劍, 趙勝男. 基于正負(fù)反饋的SVM協(xié)同過(guò)濾Top-推薦算法[J]. 小型微型計(jì)算機(jī)系統(tǒng), 2017, 38(5):961-966.ZHANG Y, WANG W J, ZHAO S N. SVM collaborative filtering Top-recommendation algorithm based on positive and negative feedback[J]. Journal of Chinese Computer Systems, 2017, 38(5): 961-966.

    [9] 龐海龍, 趙輝, 李萬(wàn)龍, 等. 融合協(xié)同過(guò)濾的線性回歸推薦算法[J].計(jì)算機(jī)應(yīng)用研究, 2019(5).PANG H L, ZHAO H, LI W L, et al. Linear regression recommendation algorithm with collaborative filtering[J]. Application Research of Computers , 2019(5).

    [10] 丁永剛, 李石君, 余偉, 等. 基于碼本聚類和因子分解機(jī)的多指標(biāo)推薦算法[J]. 計(jì)算機(jī)科學(xué), 2017, 44(10):182-186.DING Y G, LI S J, YU W, et al. Multi-criteria recommendation algorithm based on codebook-clustering and factorization machines[J]. Computer Science. 2017, 44(10): 182-186.

    [11] 龔敏, 鄧珍榮, 黃文明. 基于用戶聚類與Slope One填充的協(xié)同推薦算法[J]. 計(jì)算機(jī)工程與應(yīng)用. 2018, 20(8):102-110.GONG M, DENG Z R, HUANG W M. Collaborative recommendation algorithm based on user clustering and Slope One filling[J]. Computer Engineering and Applications, 2018, 20(8): 102-110.

    [12] 陶維成, 黨耀國(guó). 基于灰色關(guān)聯(lián)聚類的協(xié)同過(guò)濾推薦算法[J]. 運(yùn)籌與管理, 2018(1):84-88.TAO W C, DANG Y G. Collaborative filtering recommendation algorithm based on grey incidence clustering[J]. Operations Research and Management Science, 2018(1):84-88.

    [13] 楊大鑫, 王榮波, 黃孝喜, 等. 基于最小方差的K-means用戶聚類推薦算法[J]. 計(jì)算機(jī)技術(shù)與發(fā)展, 2018(1):104-107.YANG D X, WANG R B, HUANG X X, et al. K-means user clustering recommendation algorithm based on minimum variance[J]. Computer Technology and Development, 2018(1): 104-107.

    [14] LEMIRE D, MACLACHLAN A. Slope One Predictors for online: rating-based collaborative filtering[C]//Proc of SIAM Data Mining. 2005: 471-476

    [15] BREESE J S, HECKERMAN D, KADIE C. Empirical analysis of predictive algorithm for collaborative filtering[R]. MSR-TR-98-12, Redmond, Microsoft, 1998.

    [16] SEHAFER J, FRANKOWSKI D, HERLOCKER J. Collaborative filtering recommender systems[M]. Berlin: Springer. 2007.

    Recommendation algorithm based on GMM clustering and FOA-GRNN model

    LI Yipeng, RUAN Yeli, ZHANG Jie

    School of Information and Safety Engineering, Zhongnan University of Economics and Law, Wuhan 430073, China

    Aiming at the problem of low recommendation accuracy caused by sparse data in traditional item-based recommendation algorithm, a recommendation algorithm based on GMM clustering and FOA-GRNN model is proposed. The algorithm firstly uses Gaussian mixture model (GMM) to cluster the item features, then constructs the score matrix according to the clustering results, and fills the score matrix with slope one algorithm. Finally, the user's score based on similarity prediction is taken as input, and the final score is output through FOA-GRNN model. Experimental results based on movielens-2k dataset show that the proposed algorithm can deal with highly sparse data better and has better recommendation accuracy than the other three algorithms.

    recommendation algorithm, GMM clustering, FOA, GRNN, Slope One algorithm

    TP311

    A

    10.11959/j.issn.2096-109x.2018097

    2018-11-10;

    2018-11-29

    阮葉麗,yeli_ruan@126.com

    校級(jí)中央高校基本科研基金資助項(xiàng)目;教育教學(xué)改革基金資助項(xiàng)目(No.2018-9)

    The Fundamental Research Funds for the Central Universities,The Education and Teaching Reform Fund (No.2018-9)

    李毅鵬(1980-),男,湖北武漢人,中南財(cái)經(jīng)政法大學(xué)副教授,主要研究方向?yàn)楣芾硇畔⑾到y(tǒng)、DSS、Mobile電子商務(wù)。

    阮葉麗(1994-),女,貴州仁懷人,中南財(cái)經(jīng)政法大學(xué)碩士生,主要研究方向?yàn)橥扑]系統(tǒng)。

    張杰(1995-),男,安徽六安人,中南財(cái)經(jīng)政法大學(xué)碩士生,主要研究方向?yàn)榻鹑诮y(tǒng)計(jì)。

    猜你喜歡
    物品聚類協(xié)同
    稱物品
    “雙十一”,你搶到了想要的物品嗎?
    蜀道難:車與路的協(xié)同進(jìn)化
    誰(shuí)動(dòng)了凡·高的物品
    “四化”協(xié)同才有出路
    汽車觀察(2019年2期)2019-03-15 06:00:50
    基于DBSACN聚類算法的XML文檔聚類
    三醫(yī)聯(lián)動(dòng) 協(xié)同創(chuàng)新
    基于改進(jìn)的遺傳算法的模糊聚類算法
    找物品
    一種層次初始的聚類個(gè)數(shù)自適應(yīng)的聚類方法研究
    中文字幕精品亚洲无线码一区 | 丰满的人妻完整版| 免费观看人在逋| 国产色视频综合| 成人18禁在线播放| 手机成人av网站| 国产野战对白在线观看| 琪琪午夜伦伦电影理论片6080| 久久性视频一级片| 夜夜躁狠狠躁天天躁| 精品不卡国产一区二区三区| 男女下面进入的视频免费午夜 | 亚洲欧美日韩高清在线视频| 老汉色∧v一级毛片| 国产一卡二卡三卡精品| 在线观看免费日韩欧美大片| 黄色a级毛片大全视频| 日本成人三级电影网站| 免费av毛片视频| 久久中文字幕一级| 久久久久国产一级毛片高清牌| 成人精品一区二区免费| 国产精品久久久久久亚洲av鲁大| 亚洲狠狠婷婷综合久久图片| 亚洲成a人片在线一区二区| 99国产精品99久久久久| 亚洲av成人不卡在线观看播放网| 丝袜美腿诱惑在线| 亚洲第一欧美日韩一区二区三区| 熟妇人妻久久中文字幕3abv| 巨乳人妻的诱惑在线观看| 免费看美女性在线毛片视频| 免费看日本二区| 中文资源天堂在线| 美女大奶头视频| 黄色视频,在线免费观看| 国产极品粉嫩免费观看在线| 精品国产国语对白av| 97碰自拍视频| 久久久精品欧美日韩精品| 欧美日韩福利视频一区二区| 99国产精品99久久久久| 村上凉子中文字幕在线| 国产成人精品久久二区二区91| 欧美丝袜亚洲另类 | 我的亚洲天堂| 999久久久国产精品视频| 久久精品影院6| 国产色视频综合| 两个人看的免费小视频| 久久久久久免费高清国产稀缺| 亚洲成人国产一区在线观看| 国产熟女午夜一区二区三区| 亚洲av中文字字幕乱码综合 | 成年女人毛片免费观看观看9| netflix在线观看网站| 久久欧美精品欧美久久欧美| 丝袜美腿诱惑在线| 欧美中文综合在线视频| 日本成人三级电影网站| 男女床上黄色一级片免费看| 国产国语露脸激情在线看| 亚洲 欧美一区二区三区| 999精品在线视频| 一二三四社区在线视频社区8| 一边摸一边抽搐一进一小说| 黄片播放在线免费| 国产爱豆传媒在线观看 | 一进一出抽搐动态| 色播在线永久视频| 欧美在线黄色| a在线观看视频网站| 日韩欧美国产在线观看| 老司机靠b影院| 一二三四社区在线视频社区8| 男人操女人黄网站| 午夜日韩欧美国产| 美女免费视频网站| 麻豆av在线久日| 级片在线观看| 麻豆久久精品国产亚洲av| 亚洲精品美女久久久久99蜜臀| 精品欧美国产一区二区三| 精品国产乱子伦一区二区三区| 亚洲国产欧美日韩在线播放| 美女高潮到喷水免费观看| 国产国语露脸激情在线看| 亚洲国产欧美网| 免费看a级黄色片| 免费看美女性在线毛片视频| 国内久久婷婷六月综合欲色啪| 久久国产精品影院| 99在线人妻在线中文字幕| 99在线视频只有这里精品首页| 国产激情欧美一区二区| 波多野结衣高清无吗| 亚洲狠狠婷婷综合久久图片| 少妇的丰满在线观看| 99国产精品一区二区三区| 亚洲第一av免费看| 色精品久久人妻99蜜桃| 免费在线观看日本一区| 色在线成人网| 国产成人影院久久av| 黄色a级毛片大全视频| 国产高清视频在线播放一区| 午夜亚洲福利在线播放| 亚洲天堂国产精品一区在线| 18禁观看日本| 少妇裸体淫交视频免费看高清 | 啦啦啦观看免费观看视频高清| 99久久久亚洲精品蜜臀av| 国产精品九九99| 亚洲欧美激情综合另类| 午夜激情av网站| 1024香蕉在线观看| 精品一区二区三区四区五区乱码| 婷婷亚洲欧美| АⅤ资源中文在线天堂| 成人国语在线视频| 真人做人爱边吃奶动态| 精品国产乱子伦一区二区三区| 啪啪无遮挡十八禁网站| 亚洲国产精品成人综合色| 日本五十路高清| www国产在线视频色| 成人国语在线视频| 亚洲第一电影网av| 不卡av一区二区三区| 亚洲专区中文字幕在线| 色综合亚洲欧美另类图片| 国产黄色小视频在线观看| 三级毛片av免费| 黄片播放在线免费| 国产亚洲av高清不卡| 亚洲国产毛片av蜜桃av| 亚洲无线在线观看| 久久午夜亚洲精品久久| 精品久久久久久成人av| 欧美 亚洲 国产 日韩一| 国产男靠女视频免费网站| 久久精品影院6| 好男人在线观看高清免费视频 | 在线视频色国产色| 视频在线观看一区二区三区| 免费一级毛片在线播放高清视频| 一区福利在线观看| 在线观看免费午夜福利视频| 国产精品免费视频内射| 成人亚洲精品一区在线观看| 成人三级做爰电影| 麻豆成人av在线观看| 日韩三级视频一区二区三区| 老司机福利观看| 一边摸一边做爽爽视频免费| 国内毛片毛片毛片毛片毛片| 精品一区二区三区av网在线观看| 啦啦啦免费观看视频1| 男人的好看免费观看在线视频 | 成人国产一区最新在线观看| 日韩av在线大香蕉| 国产精品野战在线观看| 日韩欧美一区视频在线观看| 亚洲人成伊人成综合网2020| 亚洲av五月六月丁香网| 亚洲av成人av| 国产成人啪精品午夜网站| 久久婷婷成人综合色麻豆| 亚洲九九香蕉| 在线播放国产精品三级| 色在线成人网| 欧美人与性动交α欧美精品济南到| 国产熟女xx| 久久精品国产亚洲av香蕉五月| 99在线视频只有这里精品首页| 国产亚洲精品一区二区www| 一区福利在线观看| 精品熟女少妇八av免费久了| 亚洲欧美精品综合一区二区三区| 国产精品日韩av在线免费观看| 国产v大片淫在线免费观看| 在线观看免费视频日本深夜| 精品国产乱码久久久久久男人| √禁漫天堂资源中文www| 国产一区二区三区视频了| 天天添夜夜摸| 黄片播放在线免费| 久久国产精品男人的天堂亚洲| 国产精华一区二区三区| 真人做人爱边吃奶动态| 亚洲,欧美精品.| 精品无人区乱码1区二区| 激情在线观看视频在线高清| 美女高潮到喷水免费观看| 成年女人毛片免费观看观看9| 亚洲 欧美 日韩 在线 免费| 欧美日韩亚洲综合一区二区三区_| 日韩欧美国产在线观看| 天天躁狠狠躁夜夜躁狠狠躁| 久99久视频精品免费| 欧美激情久久久久久爽电影| 久久久久久大精品| 国产精品一区二区免费欧美| 亚洲精品久久成人aⅴ小说| 99在线视频只有这里精品首页| 国产免费男女视频| 国产精品二区激情视频| 校园春色视频在线观看| 精品人妻1区二区| 亚洲精华国产精华精| 久久久久久久久中文| 一区福利在线观看| 亚洲成国产人片在线观看| 日本黄色视频三级网站网址| 99久久无色码亚洲精品果冻| 成人欧美大片| 欧美黑人精品巨大| 国内精品久久久久久久电影| 精品一区二区三区视频在线观看免费| 国产精品久久久久久人妻精品电影| 高潮久久久久久久久久久不卡| 18禁黄网站禁片免费观看直播| 1024手机看黄色片| 免费无遮挡裸体视频| 亚洲精品国产精品久久久不卡| 亚洲avbb在线观看| 波多野结衣高清无吗| 久久久久国内视频| 亚洲最大成人中文| 啦啦啦 在线观看视频| 亚洲成国产人片在线观看| 不卡一级毛片| 国产成人精品久久二区二区91| 日日摸夜夜添夜夜添小说| 国产精品久久久av美女十八| 三级毛片av免费| 精品不卡国产一区二区三区| 人成视频在线观看免费观看| 国产伦一二天堂av在线观看| 国产精品日韩av在线免费观看| 丰满人妻熟妇乱又伦精品不卡| 欧美又色又爽又黄视频| 中文字幕人妻熟女乱码| 国产伦在线观看视频一区| 国产蜜桃级精品一区二区三区| 三级毛片av免费| 熟女电影av网| 亚洲国产精品成人综合色| 中文字幕高清在线视频| 亚洲av美国av| www.精华液| 国产精品影院久久| 大香蕉久久成人网| av免费在线观看网站| or卡值多少钱| 窝窝影院91人妻| 色综合亚洲欧美另类图片| 成人国语在线视频| 亚洲真实伦在线观看| 黄片大片在线免费观看| 国语自产精品视频在线第100页| 亚洲人成77777在线视频| 午夜久久久久精精品| 亚洲美女黄片视频| bbb黄色大片| 亚洲五月色婷婷综合| 欧美激情高清一区二区三区| 热re99久久国产66热| 国产成人系列免费观看| 老鸭窝网址在线观看| 免费看日本二区| 看片在线看免费视频| 亚洲全国av大片| 18美女黄网站色大片免费观看| 欧美乱色亚洲激情| 国产精品精品国产色婷婷| 欧美久久黑人一区二区| 午夜福利欧美成人| 日本撒尿小便嘘嘘汇集6| АⅤ资源中文在线天堂| 91大片在线观看| 亚洲欧美日韩无卡精品| 亚洲欧美激情综合另类| 黄色 视频免费看| 久久精品成人免费网站| 国产精品1区2区在线观看.| 黑丝袜美女国产一区| 精品国内亚洲2022精品成人| 欧美黑人欧美精品刺激| 天堂影院成人在线观看| 丰满的人妻完整版| 欧美国产日韩亚洲一区| 久久精品aⅴ一区二区三区四区| 免费在线观看成人毛片| 日韩欧美国产一区二区入口| 人人妻人人澡人人看| 不卡一级毛片| 制服诱惑二区| 一边摸一边做爽爽视频免费| 丝袜人妻中文字幕| 黑人巨大精品欧美一区二区mp4| 成人午夜高清在线视频 | 日本a在线网址| 9191精品国产免费久久| 亚洲av电影在线进入| 精品一区二区三区av网在线观看| 亚洲男人天堂网一区| 丰满人妻熟妇乱又伦精品不卡| 18禁黄网站禁片免费观看直播| 免费在线观看亚洲国产| 亚洲 国产 在线| 国产亚洲av嫩草精品影院| 白带黄色成豆腐渣| 一个人观看的视频www高清免费观看 | 国产一区在线观看成人免费| 久久精品国产99精品国产亚洲性色| 999久久久国产精品视频| 久久午夜亚洲精品久久| 亚洲精品中文字幕在线视频| 好男人在线观看高清免费视频 | 免费在线观看亚洲国产| 人人妻,人人澡人人爽秒播| 国产欧美日韩一区二区精品| 国产午夜福利久久久久久| 国产精品久久视频播放| 一二三四在线观看免费中文在| 狠狠狠狠99中文字幕| 久久精品国产综合久久久| 女性生殖器流出的白浆| 看黄色毛片网站| 国产黄a三级三级三级人| 观看免费一级毛片| 深夜精品福利| 亚洲人成网站高清观看| 国产一卡二卡三卡精品| 国产精品一区二区免费欧美| 亚洲国产欧洲综合997久久, | 亚洲无线在线观看| 午夜日韩欧美国产| av在线天堂中文字幕| 精品国产乱子伦一区二区三区| 精品乱码久久久久久99久播| 亚洲在线自拍视频| 精品乱码久久久久久99久播| 两个人看的免费小视频| 国产成人系列免费观看| 精品熟女少妇八av免费久了| 91字幕亚洲| 啪啪无遮挡十八禁网站| 亚洲av片天天在线观看| av有码第一页| 色综合婷婷激情| av有码第一页| 精品国产国语对白av| 淫秽高清视频在线观看| 国产亚洲精品综合一区在线观看 | 99热6这里只有精品| 大型黄色视频在线免费观看| 99久久国产精品久久久| 亚洲av成人不卡在线观看播放网| 亚洲成a人片在线一区二区| 亚洲精品在线观看二区| 国内精品久久久久久久电影| 午夜福利18| 亚洲成a人片在线一区二区| 精品人妻1区二区| 日韩一卡2卡3卡4卡2021年| 久久久久久人人人人人| 99热6这里只有精品| 久久欧美精品欧美久久欧美| 国产区一区二久久| 丁香欧美五月| 国产成人啪精品午夜网站| 国产高清激情床上av| 一卡2卡三卡四卡精品乱码亚洲| 99re在线观看精品视频| 欧美国产日韩亚洲一区| 99热只有精品国产| 久久青草综合色| 99在线人妻在线中文字幕| 脱女人内裤的视频| 午夜福利免费观看在线| 一区二区三区国产精品乱码| 久久久精品欧美日韩精品| 韩国av一区二区三区四区| 国产精品自产拍在线观看55亚洲| 亚洲一区二区三区不卡视频| 成人午夜高清在线视频 | 亚洲一卡2卡3卡4卡5卡精品中文| 欧美+亚洲+日韩+国产| 久久这里只有精品19| 男人舔女人的私密视频| 免费在线观看成人毛片| 18禁黄网站禁片免费观看直播| 人妻久久中文字幕网| 国内揄拍国产精品人妻在线 | 97人妻精品一区二区三区麻豆 | 亚洲精品一区av在线观看| 欧美丝袜亚洲另类 | 日韩欧美国产一区二区入口| 亚洲成国产人片在线观看| 18禁黄网站禁片免费观看直播| 老司机福利观看| 国产高清激情床上av| 伦理电影免费视频| 男女床上黄色一级片免费看| 一级毛片高清免费大全| 欧美日韩乱码在线| 国产精品一区二区精品视频观看| 久久性视频一级片| 久久久久久人人人人人| 97超级碰碰碰精品色视频在线观看| 婷婷精品国产亚洲av在线| 国产精品亚洲av一区麻豆| 一级a爱片免费观看的视频| 校园春色视频在线观看| 国产精品,欧美在线| 国产成人av激情在线播放| 亚洲精品粉嫩美女一区| 9191精品国产免费久久| 成人午夜高清在线视频 | 18禁黄网站禁片午夜丰满| 亚洲精品在线观看二区| 欧美成人免费av一区二区三区| 婷婷六月久久综合丁香| 午夜免费鲁丝| 成在线人永久免费视频| 曰老女人黄片| 成人手机av| 亚洲精品中文字幕在线视频| 国内精品久久久久久久电影| 97碰自拍视频| av片东京热男人的天堂| 国产精品久久久av美女十八| 精品久久久久久久久久久久久 | 精品久久久久久成人av| 美女高潮喷水抽搐中文字幕| 久久国产亚洲av麻豆专区| 国内毛片毛片毛片毛片毛片| 亚洲中文日韩欧美视频| 亚洲成av片中文字幕在线观看| 亚洲精品国产一区二区精华液| 亚洲五月色婷婷综合| 欧美黄色片欧美黄色片| 午夜激情福利司机影院| 国产精品98久久久久久宅男小说| 亚洲性夜色夜夜综合| 免费在线观看日本一区| 香蕉av资源在线| 可以免费在线观看a视频的电影网站| 精品国产一区二区三区四区第35| 欧美成狂野欧美在线观看| 757午夜福利合集在线观看| 嫩草影院精品99| 我的亚洲天堂| 他把我摸到了高潮在线观看| 国产视频内射| ponron亚洲| 国产色视频综合| 一二三四在线观看免费中文在| 黄色视频,在线免费观看| 成人欧美大片| 亚洲男人天堂网一区| 在线播放国产精品三级| 国产av一区二区精品久久| 成人亚洲精品av一区二区| 老司机靠b影院| 亚洲五月婷婷丁香| 日本熟妇午夜| 91成年电影在线观看| 日韩大尺度精品在线看网址| 日韩欧美一区二区三区在线观看| 成年女人毛片免费观看观看9| 97碰自拍视频| 制服诱惑二区| 日韩中文字幕欧美一区二区| 亚洲欧美一区二区三区黑人| 欧美乱码精品一区二区三区| 黄色视频不卡| 久久久久精品国产欧美久久久| www.自偷自拍.com| 久久久精品国产亚洲av高清涩受| 午夜免费成人在线视频| 欧洲精品卡2卡3卡4卡5卡区| 久久精品影院6| 国产精品亚洲美女久久久| 国产精品久久视频播放| 亚洲全国av大片| 精品午夜福利视频在线观看一区| 亚洲男人天堂网一区| 99久久99久久久精品蜜桃| 亚洲国产精品成人综合色| 国产一区二区三区视频了| 97超级碰碰碰精品色视频在线观看| 久久亚洲精品不卡| 看免费av毛片| 狠狠狠狠99中文字幕| 亚洲 欧美 日韩 在线 免费| 两人在一起打扑克的视频| 久热这里只有精品99| 成人欧美大片| cao死你这个sao货| 色哟哟哟哟哟哟| 女人被狂操c到高潮| 久久天堂一区二区三区四区| 亚洲中文日韩欧美视频| 日本 欧美在线| 老司机靠b影院| 中国美女看黄片| 午夜福利视频1000在线观看| 日韩精品中文字幕看吧| 麻豆国产av国片精品| 国产成人系列免费观看| 国产成人av激情在线播放| www.999成人在线观看| 成人永久免费在线观看视频| 麻豆av在线久日| 97碰自拍视频| 亚洲第一电影网av| 久久久久久大精品| bbb黄色大片| avwww免费| 亚洲 欧美一区二区三区| 亚洲精品中文字幕一二三四区| 精品一区二区三区视频在线观看免费| 国产成人一区二区三区免费视频网站| 国产精品香港三级国产av潘金莲| 久久青草综合色| 亚洲av第一区精品v没综合| 日本成人三级电影网站| 日韩一卡2卡3卡4卡2021年| 国产精品久久久人人做人人爽| 精品高清国产在线一区| 18美女黄网站色大片免费观看| www.自偷自拍.com| 久久久久精品国产欧美久久久| 一个人免费在线观看的高清视频| 久热爱精品视频在线9| 女警被强在线播放| 国产免费av片在线观看野外av| 男男h啪啪无遮挡| 亚洲国产欧美一区二区综合| 日韩欧美国产一区二区入口| 午夜久久久久精精品| 亚洲性夜色夜夜综合| 欧美成人午夜精品| 国产精品亚洲av一区麻豆| 88av欧美| 色婷婷久久久亚洲欧美| 精品熟女少妇八av免费久了| 国产高清激情床上av| 人人妻人人看人人澡| 免费看十八禁软件| 人人妻人人澡欧美一区二区| 九色国产91popny在线| 国产亚洲精品久久久久5区| 身体一侧抽搐| 熟女少妇亚洲综合色aaa.| 国产精品日韩av在线免费观看| 亚洲欧美精品综合一区二区三区| 日韩一卡2卡3卡4卡2021年| 宅男免费午夜| 亚洲自偷自拍图片 自拍| 亚洲成av人片免费观看| 亚洲国产精品sss在线观看| 看免费av毛片| av超薄肉色丝袜交足视频| 久久久久亚洲av毛片大全| 国产aⅴ精品一区二区三区波| 中文字幕另类日韩欧美亚洲嫩草| 国产成人欧美| 熟女少妇亚洲综合色aaa.| 色综合站精品国产| 一边摸一边做爽爽视频免费| www国产在线视频色| 啦啦啦 在线观看视频| 亚洲欧美精品综合一区二区三区| 国产亚洲欧美98| 波多野结衣高清作品| www日本在线高清视频| 欧美日韩福利视频一区二区| 少妇被粗大的猛进出69影院| 美国免费a级毛片| 国产欧美日韩一区二区精品| 婷婷六月久久综合丁香| 国产亚洲精品一区二区www| 亚洲色图 男人天堂 中文字幕| 午夜a级毛片| 亚洲午夜理论影院| 午夜精品在线福利| 精品国产一区二区三区四区第35| 热re99久久国产66热| 午夜福利视频1000在线观看| 亚洲国产看品久久| 黑人操中国人逼视频| 两性夫妻黄色片| 亚洲精品久久成人aⅴ小说| 韩国av一区二区三区四区| 国产av又大| 久久精品国产亚洲av香蕉五月| 美国免费a级毛片| 麻豆成人午夜福利视频| 黄色女人牲交| 老司机深夜福利视频在线观看| 欧美人与性动交α欧美精品济南到| 黄色女人牲交| 亚洲自偷自拍图片 自拍| 女警被强在线播放| 欧美黄色片欧美黄色片| 曰老女人黄片| 两人在一起打扑克的视频| 亚洲熟妇熟女久久| 国产视频一区二区在线看| 狂野欧美激情性xxxx| 成人亚洲精品一区在线观看|