• <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
    免费av不卡在线播放| 热99re8久久精品国产| 欧美日韩综合久久久久久 | 亚洲欧美日韩无卡精品| 变态另类丝袜制服| 亚洲精品一卡2卡三卡4卡5卡| 精品无人区乱码1区二区| 免费av毛片视频| 午夜免费男女啪啪视频观看 | 女人十人毛片免费观看3o分钟| 日韩欧美 国产精品| 午夜福利成人在线免费观看| 床上黄色一级片| 亚洲色图av天堂| 简卡轻食公司| 久久欧美精品欧美久久欧美| 国产精品伦人一区二区| 天堂动漫精品| 欧美成狂野欧美在线观看| 亚洲av成人不卡在线观看播放网| 久久久久久久久中文| 99热这里只有是精品在线观看 | 精品久久久久久成人av| 中国美女看黄片| 88av欧美| 日韩人妻高清精品专区| 成人精品一区二区免费| 亚洲成a人片在线一区二区| 在线观看美女被高潮喷水网站 | 国产精品女同一区二区软件 | 亚洲精品日韩av片在线观看| 国产毛片a区久久久久| 国产精品久久电影中文字幕| 97热精品久久久久久| 国产高清视频在线观看网站| 日韩免费av在线播放| 亚洲一区二区三区不卡视频| 午夜福利成人在线免费观看| 久久久久九九精品影院| 亚洲熟妇中文字幕五十中出| 男人舔奶头视频| 伊人久久精品亚洲午夜| 国产久久久一区二区三区| 亚洲最大成人手机在线| 九色成人免费人妻av| 亚洲av成人不卡在线观看播放网| 天天一区二区日本电影三级| 直男gayav资源| 午夜精品久久久久久毛片777| 亚洲性夜色夜夜综合| av欧美777| 欧美日韩黄片免| 日韩欧美在线乱码| 男人狂女人下面高潮的视频| 男女视频在线观看网站免费| 免费电影在线观看免费观看| 国产爱豆传媒在线观看| 国产伦在线观看视频一区| 亚洲第一电影网av| 麻豆成人午夜福利视频| 乱人视频在线观看| 国产伦精品一区二区三区视频9| 色哟哟哟哟哟哟| 一本综合久久免费| av黄色大香蕉| 国产成人aa在线观看| 搡老妇女老女人老熟妇| 日韩欧美三级三区| 亚洲精品一区av在线观看| 757午夜福利合集在线观看| av在线老鸭窝| 国产视频内射| 欧美在线一区亚洲| 一二三四社区在线视频社区8| 色在线成人网| 成人特级黄色片久久久久久久| 欧美日韩瑟瑟在线播放| 可以在线观看的亚洲视频| 国产高清有码在线观看视频| 亚洲熟妇中文字幕五十中出| 最新中文字幕久久久久| 久久精品国产清高在天天线| 国产私拍福利视频在线观看| 亚洲国产精品999在线| 身体一侧抽搐| 99视频精品全部免费 在线| av在线蜜桃| 男人舔奶头视频| 日本免费一区二区三区高清不卡| 特级一级黄色大片| 久久国产精品人妻蜜桃| 国产精品伦人一区二区| 精品人妻熟女av久视频| 最近视频中文字幕2019在线8| 亚洲欧美日韩无卡精品| 亚洲av五月六月丁香网| av专区在线播放| 亚洲avbb在线观看| 色尼玛亚洲综合影院| 欧美一级a爱片免费观看看| 简卡轻食公司| 国产精品久久久久久精品电影| 免费无遮挡裸体视频| 日韩大尺度精品在线看网址| 成人亚洲精品av一区二区| 亚洲国产色片| 99久久无色码亚洲精品果冻| 久久精品综合一区二区三区| 91麻豆精品激情在线观看国产| 自拍偷自拍亚洲精品老妇| 九九在线视频观看精品| 色5月婷婷丁香| 啦啦啦观看免费观看视频高清| 婷婷丁香在线五月| 美女 人体艺术 gogo| 国产精华一区二区三区| 两个人视频免费观看高清| 国产三级黄色录像| 国产蜜桃级精品一区二区三区| 人人妻人人澡欧美一区二区| 亚洲第一区二区三区不卡| 两性午夜刺激爽爽歪歪视频在线观看| 久久久久久久亚洲中文字幕 | 一区二区三区高清视频在线| h日本视频在线播放| 91九色精品人成在线观看| 亚洲欧美日韩高清在线视频| 亚洲久久久久久中文字幕| 国产精品美女特级片免费视频播放器| 成人无遮挡网站| 男女之事视频高清在线观看| 久久久久久国产a免费观看| www.色视频.com| 97人妻精品一区二区三区麻豆| 久久久久久九九精品二区国产| 在线观看66精品国产| 熟妇人妻久久中文字幕3abv| 国产在线男女| 十八禁国产超污无遮挡网站| 欧美高清性xxxxhd video| 夜夜夜夜夜久久久久| 国产真实乱freesex| 国模一区二区三区四区视频| 18禁在线播放成人免费| 精品久久久久久久久av| 他把我摸到了高潮在线观看| 婷婷精品国产亚洲av在线| 人妻夜夜爽99麻豆av| 又紧又爽又黄一区二区| 亚洲va日本ⅴa欧美va伊人久久| 国产亚洲精品综合一区在线观看| 亚洲在线观看片| 欧美高清性xxxxhd video| 成年女人毛片免费观看观看9| 亚洲欧美激情综合另类| 国产麻豆成人av免费视频| 亚洲av免费高清在线观看| 色精品久久人妻99蜜桃| 丝袜美腿在线中文| 免费看美女性在线毛片视频| 成年女人永久免费观看视频| 99热只有精品国产| 他把我摸到了高潮在线观看| 亚洲片人在线观看| 91av网一区二区| 深夜a级毛片| 国产午夜精品久久久久久一区二区三区 | 国产久久久一区二区三区| 99热这里只有是精品在线观看 | 成人特级黄色片久久久久久久| 国产精品1区2区在线观看.| 成人国产综合亚洲| 伊人久久精品亚洲午夜| 国产精品人妻久久久久久| 亚洲三级黄色毛片| 尤物成人国产欧美一区二区三区| 国产精品久久电影中文字幕| 亚洲精品456在线播放app | 久久久国产成人免费| 亚洲av免费高清在线观看| 禁无遮挡网站| 99riav亚洲国产免费| 在线观看午夜福利视频| 一区二区三区免费毛片| 嫩草影院入口| 毛片一级片免费看久久久久 | 丁香欧美五月| av国产免费在线观看| 3wmmmm亚洲av在线观看| 亚洲精品成人久久久久久| 欧美午夜高清在线| 一级a爱片免费观看的视频| 97人妻精品一区二区三区麻豆| 无遮挡黄片免费观看| 97人妻精品一区二区三区麻豆| 国产乱人视频| 亚洲电影在线观看av| 精品国产亚洲在线| 亚洲精品亚洲一区二区| 亚洲 国产 在线| 久久久久亚洲av毛片大全| av中文乱码字幕在线| 色在线成人网| 精华霜和精华液先用哪个| 欧美在线黄色| 少妇被粗大猛烈的视频| 久久亚洲精品不卡| 搡女人真爽免费视频火全软件 | 久久久久久久精品吃奶| 69av精品久久久久久| 午夜福利在线观看吧| 99riav亚洲国产免费| 男人和女人高潮做爰伦理| 亚洲欧美日韩高清专用| 国产美女午夜福利| 两人在一起打扑克的视频| 夜夜夜夜夜久久久久| 成人鲁丝片一二三区免费| 午夜福利成人在线免费观看| 日韩欧美在线二视频| 久久国产精品人妻蜜桃| 脱女人内裤的视频| 亚洲中文日韩欧美视频| 成人永久免费在线观看视频| 国内精品一区二区在线观看| 成年版毛片免费区| 国产视频一区二区在线看| 亚洲精品在线美女| 亚洲中文字幕一区二区三区有码在线看| 看十八女毛片水多多多| 丁香六月欧美| 日本在线视频免费播放| 成熟少妇高潮喷水视频| 黄色丝袜av网址大全| 国内精品久久久久精免费| 在线国产一区二区在线| 亚洲一区二区三区不卡视频| 成年版毛片免费区| 国产一级毛片七仙女欲春2| 成人毛片a级毛片在线播放| 精品人妻1区二区| 国产一区二区在线观看日韩| 免费av毛片视频| 99在线人妻在线中文字幕| 乱人视频在线观看| 欧美在线一区亚洲| 美女cb高潮喷水在线观看| 亚洲人与动物交配视频| 欧美丝袜亚洲另类 | 又爽又黄无遮挡网站| 国产成人啪精品午夜网站| 男女那种视频在线观看| 午夜日韩欧美国产| 国产精品乱码一区二三区的特点| .国产精品久久| 91久久精品电影网| 久久人人精品亚洲av| 精品国产三级普通话版| 宅男免费午夜| 久久久久久大精品| 狠狠狠狠99中文字幕| 免费观看的影片在线观看| 能在线免费观看的黄片| 久久久色成人| 18美女黄网站色大片免费观看| 亚洲欧美日韩高清专用| 桃色一区二区三区在线观看| 丰满人妻熟妇乱又伦精品不卡| 人妻丰满熟妇av一区二区三区| netflix在线观看网站| 欧美日韩瑟瑟在线播放| 午夜福利在线观看免费完整高清在 | 欧美另类亚洲清纯唯美| 亚洲av成人精品一区久久| 亚洲国产日韩欧美精品在线观看| 少妇高潮的动态图| 亚洲成人久久性| 亚洲成人精品中文字幕电影| 国产蜜桃级精品一区二区三区| 国产黄a三级三级三级人| 日本a在线网址| 久久久久九九精品影院| 老司机午夜十八禁免费视频| 蜜桃久久精品国产亚洲av| 国产av麻豆久久久久久久| 人妻制服诱惑在线中文字幕| 日本黄大片高清| 一级a爱片免费观看的视频| 五月玫瑰六月丁香| 欧美性猛交╳xxx乱大交人| 一边摸一边抽搐一进一小说| 美女 人体艺术 gogo| 99久久成人亚洲精品观看| netflix在线观看网站| 欧美区成人在线视频| 国产三级中文精品| 他把我摸到了高潮在线观看| 国产精品爽爽va在线观看网站| 久久午夜福利片| 亚洲欧美激情综合另类| 老女人水多毛片| 熟妇人妻久久中文字幕3abv| 精品一区二区三区视频在线观看免费| 村上凉子中文字幕在线| 色吧在线观看| 嫩草影院新地址| 简卡轻食公司| 色尼玛亚洲综合影院| 国产精品不卡视频一区二区 | 欧美一区二区亚洲| 一夜夜www| av国产免费在线观看| 久久久久久大精品| 男人和女人高潮做爰伦理| 国内久久婷婷六月综合欲色啪| 国产精品亚洲美女久久久| 日韩人妻高清精品专区| 美女高潮喷水抽搐中文字幕| 欧美zozozo另类| 成人鲁丝片一二三区免费| 757午夜福利合集在线观看| 日韩成人在线观看一区二区三区| 精品久久久久久久久av| 有码 亚洲区| 狂野欧美白嫩少妇大欣赏| 亚洲中文日韩欧美视频| 在线观看av片永久免费下载| 日韩av在线大香蕉| 99久久精品一区二区三区| 国产蜜桃级精品一区二区三区| 美女 人体艺术 gogo| 亚洲国产日韩欧美精品在线观看| 久久久久久九九精品二区国产| 久久久久久久午夜电影| 亚洲人成网站在线播| 99久久久亚洲精品蜜臀av| 国产av不卡久久| 亚洲成人久久爱视频| 日日摸夜夜添夜夜添av毛片 | 少妇高潮的动态图| 不卡一级毛片| 亚洲精品色激情综合| 欧美成人a在线观看| 欧美黄色淫秽网站| 日本熟妇午夜| 欧美日韩黄片免| 丰满乱子伦码专区| 成年人黄色毛片网站| 欧洲精品卡2卡3卡4卡5卡区| av天堂中文字幕网| 午夜影院日韩av| 免费看美女性在线毛片视频| 亚洲欧美激情综合另类| 日韩大尺度精品在线看网址| 日韩欧美国产一区二区入口| 91麻豆精品激情在线观看国产| 欧美日韩福利视频一区二区| 人妻久久中文字幕网| 国产白丝娇喘喷水9色精品| 日韩中字成人| 听说在线观看完整版免费高清| 国产精品亚洲av一区麻豆| 中文字幕av在线有码专区| 每晚都被弄得嗷嗷叫到高潮| 国产精品日韩av在线免费观看| 一边摸一边抽搐一进一小说| 久久国产精品人妻蜜桃| 小说图片视频综合网站| 男女下面进入的视频免费午夜| 国模一区二区三区四区视频| 中出人妻视频一区二区| 日韩精品中文字幕看吧| 日韩中字成人| 99国产综合亚洲精品| 级片在线观看| 亚洲欧美日韩东京热| 免费电影在线观看免费观看| 亚洲精华国产精华精| 欧美国产日韩亚洲一区| 国产亚洲精品久久久久久毛片| 久久精品国产自在天天线| 久久午夜亚洲精品久久| 亚洲不卡免费看| 久久久久亚洲av毛片大全| 99在线人妻在线中文字幕| 简卡轻食公司| 色综合婷婷激情| 在线观看av片永久免费下载| 免费大片18禁| aaaaa片日本免费| 国产黄片美女视频| 国产一区二区在线观看日韩| 久久亚洲真实| 国产综合懂色| av中文乱码字幕在线| 1024手机看黄色片| 欧美绝顶高潮抽搐喷水| 少妇的逼好多水| 国产久久久一区二区三区| 嫩草影视91久久| 禁无遮挡网站| 午夜福利高清视频| 国产69精品久久久久777片| 国产真实伦视频高清在线观看 | 欧美绝顶高潮抽搐喷水| 一个人观看的视频www高清免费观看| 黄色日韩在线| 高清毛片免费观看视频网站| 1000部很黄的大片| 日本撒尿小便嘘嘘汇集6| 精品久久久久久,| 亚洲av电影不卡..在线观看| 国产私拍福利视频在线观看| 日日夜夜操网爽| 国产亚洲欧美在线一区二区| 国产精品99久久久久久久久| 日本 欧美在线| 全区人妻精品视频| 国产精品美女特级片免费视频播放器| 日本与韩国留学比较| 老司机午夜福利在线观看视频| avwww免费| 一本精品99久久精品77| 亚洲精品粉嫩美女一区| 成人永久免费在线观看视频| 欧美成人a在线观看| 日本成人三级电影网站| 一本一本综合久久| av天堂在线播放| 久久草成人影院| 草草在线视频免费看| 乱码一卡2卡4卡精品| 黄片小视频在线播放| 99精品在免费线老司机午夜| 国产精品自产拍在线观看55亚洲| 亚洲欧美日韩东京热| 色精品久久人妻99蜜桃| 1000部很黄的大片| 美女高潮的动态| 精品久久久久久久久亚洲 | 麻豆成人av在线观看| 国产成人影院久久av| 不卡一级毛片| x7x7x7水蜜桃| 精品久久久久久久久亚洲 | 国产精品久久久久久久电影| 日韩亚洲欧美综合| 久久久久亚洲av毛片大全| 女人被狂操c到高潮| 日本 av在线| 国产单亲对白刺激| 性色av乱码一区二区三区2| 能在线免费观看的黄片| 亚洲国产精品久久男人天堂| 日韩欧美国产一区二区入口| 男人狂女人下面高潮的视频| 国产一区二区在线观看日韩| 天堂影院成人在线观看| 波多野结衣高清作品| 亚洲在线自拍视频| 哪里可以看免费的av片| 真人做人爱边吃奶动态| 一个人免费在线观看的高清视频| 国产精品99久久久久久久久| 我要搜黄色片| 欧美精品啪啪一区二区三区| 一级毛片久久久久久久久女| 久久久色成人| 日韩欧美 国产精品| 成人无遮挡网站| 欧美精品啪啪一区二区三区| 性色avwww在线观看| 国产免费一级a男人的天堂| 麻豆成人午夜福利视频| 日本与韩国留学比较| 中出人妻视频一区二区| 一区福利在线观看| 亚洲avbb在线观看| 精品午夜福利在线看| 国产av麻豆久久久久久久| or卡值多少钱| 亚洲色图av天堂| 给我免费播放毛片高清在线观看| 成人毛片a级毛片在线播放| 成年免费大片在线观看| 97人妻精品一区二区三区麻豆| 国内久久婷婷六月综合欲色啪| 波多野结衣高清作品| 色5月婷婷丁香| 天天躁日日操中文字幕| 亚洲成人久久性| 97超级碰碰碰精品色视频在线观看| www日本黄色视频网| 日韩欧美国产在线观看| 九色成人免费人妻av| 好看av亚洲va欧美ⅴa在| 欧美黑人巨大hd| 欧美三级亚洲精品| 很黄的视频免费| 国产三级在线视频| 内地一区二区视频在线| АⅤ资源中文在线天堂| 91九色精品人成在线观看| 久久久精品欧美日韩精品| 人妻制服诱惑在线中文字幕| 国产亚洲精品久久久com| 最近中文字幕高清免费大全6 | 欧美性猛交黑人性爽| 午夜两性在线视频| 一a级毛片在线观看| 国产精华一区二区三区| 色av中文字幕| 国产精品亚洲美女久久久| 在线十欧美十亚洲十日本专区| 免费电影在线观看免费观看| 一区二区三区四区激情视频 | 特级一级黄色大片| 亚洲中文日韩欧美视频| 一区福利在线观看| 久久久久性生活片| 日本黄大片高清| 国产一区二区在线av高清观看| 欧美在线一区亚洲| 蜜桃亚洲精品一区二区三区| 伦理电影大哥的女人| 亚洲国产欧美人成| 三级毛片av免费| 欧美日韩国产亚洲二区| 午夜影院日韩av| 黄色视频,在线免费观看| 舔av片在线| 精品一区二区三区视频在线| 久久久久久久久久成人| 国产三级中文精品| 国产三级黄色录像| 欧美3d第一页| 中文资源天堂在线| 色哟哟哟哟哟哟| 麻豆国产97在线/欧美| 免费看日本二区| 精品一区二区三区视频在线观看免费| 88av欧美| 欧美性猛交╳xxx乱大交人| 亚洲欧美精品综合久久99| 久久精品国产亚洲av涩爱 | 18美女黄网站色大片免费观看| 在线播放无遮挡| eeuss影院久久| 国产美女午夜福利| 每晚都被弄得嗷嗷叫到高潮| 久久久久国内视频| 免费av观看视频| 我的女老师完整版在线观看| 偷拍熟女少妇极品色| 99久久成人亚洲精品观看| 成人特级黄色片久久久久久久| 麻豆国产97在线/欧美| 蜜桃久久精品国产亚洲av| 久久精品国产亚洲av香蕉五月| 日韩 亚洲 欧美在线| 久久国产精品影院| 国产伦人伦偷精品视频| 欧美极品一区二区三区四区| 国产视频一区二区在线看| 亚洲成人精品中文字幕电影| 免费观看的影片在线观看| 中文字幕高清在线视频| 美女大奶头视频| 51午夜福利影视在线观看| 亚洲国产精品久久男人天堂| .国产精品久久| 两个人视频免费观看高清| 别揉我奶头 嗯啊视频| 白带黄色成豆腐渣| 深夜精品福利| 99精品久久久久人妻精品| 亚洲午夜理论影院| 欧美在线黄色| www.www免费av| 天堂网av新在线| 国产私拍福利视频在线观看| 成年免费大片在线观看| 在线观看66精品国产| 51午夜福利影视在线观看| 欧美激情国产日韩精品一区| 欧美激情在线99| 三级国产精品欧美在线观看| 51国产日韩欧美| 黄色女人牲交| 久久久久久久亚洲中文字幕 | 国产伦精品一区二区三区四那| 最近中文字幕高清免费大全6 | 国产在线男女| 18禁在线播放成人免费| 国产亚洲精品综合一区在线观看| 精品人妻视频免费看| 校园春色视频在线观看| 91av网一区二区| 亚洲第一电影网av| 乱人视频在线观看| 久久精品国产亚洲av涩爱 | 中出人妻视频一区二区| 男女做爰动态图高潮gif福利片| 久久久久久久久中文| 亚洲av第一区精品v没综合| 国产高潮美女av| 国产亚洲欧美98| 亚洲18禁久久av| 波多野结衣巨乳人妻| 精品久久久久久久末码| 国产老妇女一区| 国产精品久久久久久久久免 | 嫩草影院入口| 久久欧美精品欧美久久欧美| 国产成人av教育|