• <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 ?

    基于組合類別空間的隨機(jī)游走推薦算法

    2019-08-01 01:54:12樊瑋謝聰肖春景曹淑燕
    計(jì)算機(jī)應(yīng)用 2019年4期
    關(guān)鍵詞:推薦算法協(xié)同過濾

    樊瑋 謝聰 肖春景 曹淑燕

    摘 要:傳統(tǒng)的類別驅(qū)動(dòng)方法只考慮類別間的關(guān)聯(lián)或是將其組織成扁平或?qū)哟谓Y(jié)構(gòu),而項(xiàng)目和類別對(duì)應(yīng)關(guān)系復(fù)雜,其他信息容易被忽略。針對(duì)這個(gè)問題提出基于組合類別空間的隨機(jī)游走推薦算法,更好地組織了項(xiàng)目類別信息、緩解了數(shù)據(jù)稀疏。首先,建立一個(gè)用哈斯圖表示的項(xiàng)目組合類別空間,將項(xiàng)目和類別復(fù)雜的一對(duì)多關(guān)系映射成一對(duì)一的簡(jiǎn)單關(guān)系,并表示用戶上下層次、同層次及跨層次的項(xiàng)目類別間的跳轉(zhuǎn);接著,定義組合類別空間的語義關(guān)系及鏈接、偏好兩種語義距離,更好地定性、定量描述用戶動(dòng)態(tài)偏好的變化;然后,結(jié)合組合類別空間上用戶瀏覽圖的語義關(guān)系、語義距離、用戶行為跳轉(zhuǎn)、跳轉(zhuǎn)次數(shù)、時(shí)序、評(píng)分等各種信息,利用隨機(jī)游走建立用戶個(gè)性化類別偏好模型;最后,根據(jù)用戶個(gè)性化偏好完成基于用戶的協(xié)同過濾項(xiàng)目推薦。在MovieLens數(shù)據(jù)集上的實(shí)驗(yàn)顯示,與基于用戶的協(xié)同過濾(UCF)、基于類別關(guān)聯(lián)的推薦模型(UBGC和GENC)相比,所提算法推薦的F1-score提高了6~9個(gè)百分點(diǎn),平均絕對(duì)誤差(MAE)減小了20%~30%;與基于類別層次潛在因子模型(CHLF)相比,所提算法推薦的F1-score提高了10%。實(shí)驗(yàn)結(jié)果表明,所提算法在排序推薦上優(yōu)于傳統(tǒng)基于類別的推薦算法。

    關(guān)鍵詞:偏好相似度;梯度下降;隨機(jī)游走;協(xié)同過濾;推薦算法

    中圖分類號(hào):TP301.6

    文獻(xiàn)標(biāo)志碼:A

    文章編號(hào):1001-9081(2019)04-0984-05

    Abstract: The traditional category-driven approaches only consider the association between categories or organize them into flat or hierarchical structure, but the relationships between items and categories are complex, making other information be ignored. Aiming at this problem, a random walk recommendation algorithm based on combinational category space was proposed to better organize the category information of items and alleviate data sparsity. Firstly, a combinational category space of items represented by Hasse diagrams was constructed to map the one-to-many relationship between items and categories into one-to-one simple relationships, and represent the user's jumps between items in higher and lower levels, the same level and the cross-levels. Then the semantic relationships and two types of semantic distances — the links and the preferences were defined to better describe the changes of the user's dynamic preferences qualitatively and quantitatively. Afterwards,the user personalized category preference model was constructed based on random walking and combination of the semantic relationship, semantic distance, user behavior jumping, jumping times, time sequence and scores of the user's browsing graph in the combinatorial category space. Finally, the items were recommended to users by collaborative filtering based on the user's personalized category preference. Experimental results on MovieLens dataset show that compared with User-based Collaborative Filtering (UCF) model and category-based recommendation models (UBGC and GENC), the recommended F1-score was improved by 6 to 9 percentage points, the Mean Absolute Error (MAE) was reduced by 20% to 30%; compared with Category Hierarchy Latent Factor (CHLF) model, the recommended F1-score was improved by 10%. Therefore, the proposed algorithm has advantage in ranking recommendation and is superior to other category-based recommendation algorithms.

    Key words: preference similarity; gradient descent; random walk; collaborative filtering; recommendation algorithm

    0?引言

    協(xié)同過濾是目前推薦系統(tǒng)中最成功的推薦算法,它認(rèn)為具有相似偏好的用戶應(yīng)該喜歡相似的項(xiàng)目,因此它的核心是為用戶尋找最相似近鄰。它利用用戶與項(xiàng)目的交互信息,將用戶項(xiàng)目評(píng)分看成向量,利用余弦、皮爾遜相關(guān)系數(shù)等相似性度量來發(fā)現(xiàn)近鄰,通過近鄰對(duì)項(xiàng)目評(píng)分預(yù)測(cè)目標(biāo)用戶的喜好。但是一方面計(jì)算相似性時(shí)的評(píng)分向量維度和系統(tǒng)中的項(xiàng)目數(shù)一致,向量維度較高;另一方面由于用戶自身特點(diǎn),將產(chǎn)生很多相同評(píng)分,由此得到的評(píng)分向量信息冗余且不全面,它的性能在數(shù)據(jù)稀疏或冷啟動(dòng)的情況下受到嚴(yán)重制約。

    當(dāng)游走步數(shù)趨于無窮大時(shí),基于圖的隨機(jī)游走算法能夠返回圖中節(jié)點(diǎn)重要性的排序。它能從全局挖掘用戶/項(xiàng)目關(guān)系,已被廣泛應(yīng)用到推薦過程中緩解數(shù)據(jù)稀疏問題[1-6]。由于項(xiàng)目類別(類型)作為附加信息時(shí),屬性值相對(duì)穩(wěn)定、與項(xiàng)目?jī)?nèi)容相關(guān)性強(qiáng),同時(shí)一個(gè)項(xiàng)目往往與多個(gè)類別相關(guān)等特性,項(xiàng)目類別作為重要附加信息引入推薦系統(tǒng)能夠有效緩解數(shù)據(jù)稀疏、解決冷啟動(dòng)問題。

    目前基于類別的推薦系統(tǒng)主要分為四類:一類是直接將項(xiàng)目信息加入到傳統(tǒng)協(xié)同過濾中[7]。

    二是挖掘用戶偏好和項(xiàng)目類別間的關(guān)聯(lián),如:Ren等[8]利用項(xiàng)目類別信息,建立用戶動(dòng)態(tài)偏好模型,但是計(jì)算量較大;Manzato等[9]分解用戶類型矩陣得到類別的隱向量解決冷啟動(dòng)問題。

    三是計(jì)算項(xiàng)目類別間的關(guān)聯(lián),根據(jù)用戶偏好類別完成項(xiàng)目推薦[10-11],但此類方法要求系統(tǒng)必須輸入用戶喜好類別。

    最后一類是利用矩陣分解等潛語義模型根據(jù)項(xiàng)目類別的扁平或?qū)哟谓Y(jié)構(gòu),建立用戶和項(xiàng)目k維向量表示的潛語義模型,來完成項(xiàng)目推薦的過程[12-14]。Sun等[15]根據(jù)類別層次建立用戶和項(xiàng)目隱語義模型并以線性復(fù)雜度自動(dòng)學(xué)習(xí)不同類別的權(quán)值。但它們僅用到項(xiàng)目類別的扁平結(jié)構(gòu)或上下層次關(guān)系,并不能應(yīng)用同層次類別間的關(guān)系;而且用戶和項(xiàng)目的k維向量的維度往往是隨機(jī)設(shè)定的,并沒有明確的語義含義。

    針對(duì)以上問題,本文提出基于類別組合空間的隨機(jī)游走推薦算法CCSRank(Combinational Category Space Rank)。

    首先,提出組合類別空間來組織項(xiàng)目類別信息,它是一種哈斯圖表示結(jié)構(gòu),能將一對(duì)多的項(xiàng)目類別映射到一對(duì)一組合類別空間,它比層次結(jié)構(gòu)具有更豐富的信息;其次在組合類別空間上給出用戶瀏覽圖,并定義了描述用戶動(dòng)態(tài)偏好的五種語義關(guān)系及鏈接和偏好距離,更好地描述了用戶偏好的動(dòng)態(tài)變化過程及變化程度;然后在用戶瀏覽圖上根據(jù)用戶瀏覽序列、跳轉(zhuǎn)語義關(guān)系、鏈接距離和偏好距離、跳轉(zhuǎn)次數(shù)及時(shí)序等信息,利用隨機(jī)游走得到組合類別空間上的用戶類別偏好,表示為具有實(shí)際含義的用戶偏好向量;最后根據(jù)用戶的類別偏好計(jì)算用戶間相似性,并完成基于用戶的協(xié)同過濾推薦。通過在真實(shí)數(shù)據(jù)集上進(jìn)行大量實(shí)驗(yàn)結(jié)果表明,本文方法效果優(yōu)于傳統(tǒng)基于類別推薦的方法。

    1?組合類別空間

    項(xiàng)目類別(類型)屬性是非常重要且不同于其他屬性的附加信息,同一類別的項(xiàng)目往往具有相似內(nèi)容。如,對(duì)于電影推薦系統(tǒng),電影類型(動(dòng)作、浪漫、喜劇等)一般是由專家來進(jìn)行分配、指定的,同一類型的電影中能找到一定的相似性,用戶可以通過電影類型猜測(cè)電影的故事情節(jié)、氛圍、場(chǎng)景等,決定是否去觀看電影,因此可以吸引具有相同偏好的用戶。此外,一個(gè)電影能屬于多個(gè)類型,每個(gè)項(xiàng)目類別表示一個(gè)特定的主題。也即項(xiàng)目和類別是一對(duì)多的關(guān)系,對(duì)應(yīng)關(guān)系復(fù)雜,關(guān)系不易被挖掘。為了更好地組織項(xiàng)目類別信息,提出組合類別空間,它把項(xiàng)目所屬的多個(gè)類別看成一個(gè)類別集合,將項(xiàng)目和類別間一對(duì)多的關(guān)系通過哈斯圖表示結(jié)構(gòu)映射成一對(duì)一的關(guān)系,它能表示項(xiàng)目類別間上下、同層、跳躍關(guān)系,豐富了項(xiàng)目的信息密度,使項(xiàng)目和類別間的關(guān)系更容易表示,更容易挖掘用戶偏好。

    2?組合類別空間上的五種語義關(guān)系及距離

    每個(gè)用戶的消費(fèi)行為表示成在組合類別空間的節(jié)點(diǎn)上的跳轉(zhuǎn)序列,它暗含著用戶的動(dòng)態(tài)偏好,為了挖掘用戶的偏好變化,從跳轉(zhuǎn)節(jié)點(diǎn)間的語義關(guān)系及語義距離兩個(gè)角度描述用戶的偏好變化劇烈程度。

    2.1?五種語義關(guān)系

    定義2?瀏覽行為語義關(guān)系。

    2.2?語義距離

    五種關(guān)系定性描述了用戶行為在CCS上的跳轉(zhuǎn),及它表示的興趣偏好變化。要利用這種跳轉(zhuǎn)行為建模用戶的動(dòng)態(tài)偏好,還必須能定量衡量它。

    在組合類別空間上用戶瀏覽行為的跳轉(zhuǎn)可由兩個(gè)方面衡量:1)組合類別在哈斯圖上跳轉(zhuǎn)的實(shí)際物理距離大小,可用在哈斯圖上的層次距離表示,層次跨度小的兩個(gè)組合類別表示用戶興趣變化小,興趣越趨于穩(wěn)定,距離越小;2)組合類別包含基本類別元素的差別,可從包含基本類別元素的個(gè)數(shù)和公共元素的個(gè)數(shù)兩個(gè)角度考慮。包含基本類別元素越多、公共基本類別越少的組合類別表示的興趣變化越大,距離也應(yīng)大。

    基于上述的考慮,分別定義鏈接距離和偏好距離表示組合類別間的距離大小。

    定義3?鏈接距離。

    它表示兩個(gè)組合類別在組合空間哈斯圖上實(shí)際的物理距離大小。

    兩個(gè)組合類別包含的元素越多,相同的基本類別數(shù)目越少,則鏈接距離越大,說明組合類別復(fù)雜、差異度大;

    每個(gè)類型組包含類別數(shù)少,相同類別數(shù)越多,則鏈接距離越小,表明類型組合自身簡(jiǎn)單且差異小;

    如果兩個(gè)組合類別完全一致時(shí),鏈接距離為0。

    按照偏好距離的定義可知,當(dāng)用戶跳轉(zhuǎn)的組合類別沒有變化時(shí),也即興趣穩(wěn)定時(shí),偏好距離最小為0。其次為興趣縮小的情況,接著是興趣擴(kuò)張的情況,而興趣不可比較時(shí),用戶偏好變化最為劇烈,偏好距離最大。

    3?基于隨機(jī)游走的個(gè)性化類別偏好建模

    為了更好地對(duì)用戶組合類別偏好進(jìn)行建模,首先定義了用戶瀏覽圖,融合了語義關(guān)系、鏈接與偏好距離、跳轉(zhuǎn)次數(shù)、評(píng)分、時(shí)序等信息;利用PageRank對(duì)用戶組合類別的偏好進(jìn)行建模,并優(yōu)化求解得到用戶對(duì)組合類別的個(gè)性化偏好。

    3.1?用戶瀏覽圖

    根據(jù)用戶歷史瀏覽行為來定義用戶瀏覽圖,并建模用戶個(gè)性化組合類別偏好。

    迭代優(yōu)化得到用戶對(duì)所有組合類別的評(píng)分向量π=(π1,π2,…,πn)T,也即用戶的個(gè)性化類別偏好向量,它是一種低維的用戶偏好向量的表示,但相對(duì)于潛語義類模型,個(gè)性化類別偏好向量的每個(gè)維度都具有很清楚的含義。

    4?項(xiàng)目推薦

    得到用戶對(duì)組合類別的個(gè)性化偏好矢量,利用余弦相似性度量用戶間相似性(式(9)),并選擇與用戶ui最相似的k個(gè)用戶來預(yù)測(cè)評(píng)分,如式(10)所示。

    本文所提出的基于組合類別空間的隨機(jī)游走推薦算法具體如算法1所示。

    算法1?基于組合類別空間的隨機(jī)游走推薦算法。

    5?實(shí)驗(yàn)結(jié)果及分析

    5.1?實(shí)驗(yàn)數(shù)據(jù)及評(píng)估標(biāo)準(zhǔn)

    實(shí)驗(yàn)中采用MovieLens提供的1M數(shù)據(jù)集,包括6040個(gè)用戶,3952個(gè)電影項(xiàng)目,共1000209條有效評(píng)論,時(shí)間區(qū)間從2000年05月26日至2003年03月01日,數(shù)據(jù)稀疏度為95.8%。項(xiàng)目共包含18種基本電影類型,如表1所示,共組成301種組合類型,組合類別中最多包含6個(gè)基本類型。實(shí)驗(yàn)過程中,隨機(jī)抽取80%的數(shù)據(jù)作為訓(xùn)練集,余下的20%作為測(cè)試集,采用5折交叉驗(yàn)證。

    對(duì)結(jié)果的評(píng)估,用平均絕對(duì)誤差(Mean Absolute Error, MAE)和均方根誤差(Root Mean Squared Error, RMSE)作為評(píng)分預(yù)測(cè)的評(píng)價(jià)標(biāo)準(zhǔn),采用準(zhǔn)確率、召回率和F1-score以及AUC(Area Under Curve)曲線來評(píng)估Top-N推薦結(jié)果。

    5.2?對(duì)比方法

    為了評(píng)估本文提出的基于類別組合空間的隨機(jī)游走推薦算法(CCSRank)的有效性,將其與以下相關(guān)算法進(jìn)行了對(duì)比:1)基于用戶的協(xié)同過濾(User-based Collarative Filtering, UCF)[16]:采用余弦相似性計(jì)算用戶間相似性。

    2)基于用戶在類別中關(guān)聯(lián)的協(xié)同過濾(User-Based collarative filtering by Genre Correlations, UBGC)[11]:計(jì)算電影類型的關(guān)聯(lián)度,根據(jù)電影的類型及類型間的關(guān)聯(lián)對(duì)電影分類,最后根據(jù)用戶偏好類型及電影分類完成推薦。

    3)類別層次潛在因子模型(Category Hierarchy Latent Factor model, CHLF)[15]: 建立項(xiàng)目的類別層次并建立用戶和項(xiàng)目隱語義模型進(jìn)行推薦。

    4)使用類別的分類模型(using genre to classification model, GENC)[10]:計(jì)算項(xiàng)目類別間的關(guān)聯(lián)度,完成項(xiàng)目分類與推薦任務(wù)。

    5.3?實(shí)驗(yàn)結(jié)果及分析

    近鄰選取是UCF提高推薦性能的關(guān)鍵。圖2給出了MAE和RMSE隨近鄰數(shù)的變化情況。從圖2可知,隨著近鄰數(shù)增加MAE和RMSE迅速下降后緩慢增加,近鄰數(shù)為40和60時(shí)MAE和RMSE達(dá)到最小,在后續(xù)實(shí)驗(yàn)中近鄰選取最佳值。

    實(shí)驗(yàn)中首先計(jì)算了各方法的指標(biāo)如表2所示。從表2可知,CCSRank和CHLF的全部四項(xiàng)性能都好于UCF、UBGC和GENC,特別是F1-score提高了6~9個(gè)百分點(diǎn);而且CCSRank的性能要好于CHLF,F(xiàn)1-score提高了10%,CCSRank模型更加穩(wěn)定。

    這主要是因?yàn)镃CSRank和CHLF都很好地利用和組織了項(xiàng)目類別信息,而組合類別空間比層次類別結(jié)構(gòu)的信息更為豐富。UBGC和GENC的效果相當(dāng),且好于UCF是由于UBGC和GENC都利用了項(xiàng)目類型間的關(guān)聯(lián),因此效果好于UCF,但項(xiàng)目類型關(guān)聯(lián)所包含信息不如層次類別和組合類別空間豐富,因此效果差于CHLF和CCSRank。

    圖3對(duì)比了各種方法的MAE和RMSE。從圖3可知,CCSRank效果優(yōu)于UCF、UBGC和GENC,其中MAE減小了20%~30%,但卻不如CHLF。這主要是因?yàn)镃CSRank雖利用了信息更為豐富的組合類別空間,但在推薦過程中簡(jiǎn)單地利用個(gè)性化類別編號(hào)進(jìn)行了相似性計(jì)算,而CHLF則采用層次類別結(jié)構(gòu)建立了用戶和項(xiàng)目的隱語義模型。CCSRank雖在評(píng)分預(yù)測(cè)的效果上差于CHLF,但CCSRank提出的組合類別空間結(jié)構(gòu),實(shí)現(xiàn)項(xiàng)目和類別一對(duì)一的映射關(guān)系,且比CHLF的層次結(jié)構(gòu)更方便地描述用戶瀏覽行為地跳轉(zhuǎn)過程,對(duì)于用戶喜歡項(xiàng)目的排序比CHLF更準(zhǔn)確,因此CCSRank更適合于排序推薦。

    6?結(jié)語

    本文提出基于組合類別空間的隨機(jī)游走推薦算法可緩解數(shù)據(jù)稀疏、解決冷啟動(dòng)問題,提高推薦系統(tǒng)性能。該方法在組合類別空間中記錄用戶瀏覽行為,學(xué)習(xí)用戶類別偏好特征,最終完成推薦。 首先定義了組合類別空間,它是一種高效哈斯圖結(jié)構(gòu);其次定義了五種語義關(guān)系和兩種偏好距離,在組合類別空間上定性和定量度量用戶行為序列和動(dòng)態(tài)偏好;接著提出基于隨機(jī)游走的個(gè)性化類別偏好模型,充分利用了語義關(guān)系、語義距離、用戶行為跳轉(zhuǎn)、跳轉(zhuǎn)次數(shù)、時(shí)序、評(píng)分等各種信息,學(xué)習(xí)得到一種低維的個(gè)性化用戶類別偏好表示,且每個(gè)維度的含義清楚;最后以此對(duì)用戶進(jìn)行個(gè)性化推薦。實(shí)驗(yàn)結(jié)果說明該方法能提高推薦性能,特別是項(xiàng)目排序推薦。

    參考文獻(xiàn)(References)

    [1] ZHANG Z, ZENG D D, ABBASI A, et al. A random walk model for item recommendation in social tagging systems[J]. ACM Transactions on Management Information Systems, 2013, 4(2): 8.

    [2] FENG S, CAO J. Improving group recommendations via detecting comprehensive correlative information[J]. Multimedia Tools and Applications, 2017, 76(1): 1355-1377.

    [3] XU G, FU B, GU Y. Point-of-interest recommendations via a supervised random walk algorithm[J]. IEEE Intelligent Systems, 2016, 31(1): 15-23.

    [4] 劉夢(mèng)娟, 王巍, 李楊曦, 等. AttentionRank+: 一種基于關(guān)注關(guān)系與多用戶行為的圖推薦算法 [J]. 計(jì)算機(jī)學(xué)報(bào), 2017, 40(3): 634-648. (LIU M J, WANG W, LI Y X, et al. AttentionRank+: a graph-based recommendation combining attention relationship and multi-behaviors [J]. Chinese Journal of Computers, 2017, 40(3): 634-648.)

    [5] XIA F, CHEN Z, WANG W, et al. MVCWalker: random walk-based most valuable collaborators recommendation exploiting academic factors[J]. IEEE Transactions on Emerging Topics in Computing, 2014, 2(3): 364-375.

    [6] YAO W, HE J, HUANG G, et al. A graph-based model for context-aware recommendation using implicit feedback data[J]. World Wide Web, 2015, 18(5): 1351-1371.

    [7] WENG L T, XU Y, LI Y, et al. Exploiting item taxonomy for solving cold-start problem in recommendation making[C]// ICTAI 2008: Proceedings of the 20th IEEE International Conference on Tools with Artificial Intelligence. Piscataway, NJ: IEEE, 2008: 113-120.

    [8] REN Y, LI G, ZHOU W. Modelling personal preferences for Top-N movie recommendations[J]. Web Intelligence and Agent Systems: an International Journal, 2014, 12(3): 289-307.

    [9] MANZATO M G. Discovering latent factors from movies genres for enhanced recommendation[C]// RecSys 2012: Proceedings of the Sixth ACM Conference on Recommender Systems. New York: ACM, 2012: 249-252.

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

    [11] HWANG T G, PARK C S, HONG J H, et al. An algorithm for movie classification and recommendation using genre correlation[J]. Multimedia Tools and Applications, 2016, 75(20): 12843-12858.

    [12] HU L, SUN A, LIU Y. Your neighbors affect your ratings: on geographical neighborhood influence to rating prediction[C]// SIGIR 2014: Proceedings of the 37th International ACM SIGIR Conference on Research and Development in Information Retrieval. New York: ACM, 2014: 345-354.

    [13] YANG J, SUN Z, BOZZON A, et al. Learning hierarchical feature influence for recommendation by recursive regularization[C]// RecSys 2016: Proceedings of the 10th ACM Conference on Recommender Systems. New York: ACM, 2016: 51-58.

    [14] ZHANG Y, AHMED A, JOSIFOVSKI V, et al. Taxonomy discovery for personalized recommendation[C]// WSDM 2014: Proceedings of the 7th ACM International Conference on Web Search and Data Mining. New York: ACM, 2014: 243-252.

    [15] SUN Z, GUO G, ZHANG J. Learning hierarchical category influence on both users and items for effective recommendation[C]// SAC 2017: Proceedings of the 32nd ACM SIGAPP Symposium on Applied Computing. New York: ACM, 2017: 1679-1684.

    [16] SARWAR B, KARYPIS G, KONSTAN J, et al. Analysis of recommendation algorithms for e-commerce[C]// EC 2000: Proceedings of the 2nd ACM Conference on Electronic Commerce. New York: ACM, 2000: 158-167.

    猜你喜歡
    推薦算法協(xié)同過濾
    圖書推薦算法綜述
    改進(jìn)的協(xié)同過濾推薦算法
    校園社交平臺(tái)中標(biāo)簽系統(tǒng)的研究
    基于鏈?zhǔn)酱鎯?chǔ)結(jié)構(gòu)的協(xié)同過濾推薦算法設(shè)計(jì)與實(shí)現(xiàn)
    基于相似傳播和情景聚類的網(wǎng)絡(luò)協(xié)同過濾推薦算法研究
    社交網(wǎng)絡(luò)推薦系統(tǒng)
    基于協(xié)同過濾算法的個(gè)性化圖書推薦系統(tǒng)研究
    混合推薦算法在電影推薦中的研究與評(píng)述
    一種改進(jìn)的基于位置的推薦算法
    基于情景感知的高校移動(dòng)社交網(wǎng)絡(luò)平臺(tái)設(shè)計(jì)與開發(fā)
    黄网站色视频无遮挡免费观看| 国产精品香港三级国产av潘金莲| 1024香蕉在线观看| 在线看a的网站| 性少妇av在线| 99国产精品99久久久久| 亚洲欧美激情在线| 18禁国产床啪视频网站| 亚洲国产欧美一区二区综合| 中亚洲国语对白在线视频| 久久99一区二区三区| 成在线人永久免费视频| av在线天堂中文字幕 | 国产精品秋霞免费鲁丝片| 国产国语露脸激情在线看| 午夜免费激情av| av在线天堂中文字幕 | 亚洲欧美一区二区三区黑人| 久久中文看片网| 久久国产精品影院| 精品国产国语对白av| 国产片内射在线| 中文字幕最新亚洲高清| 99久久综合精品五月天人人| 欧美色视频一区免费| 久久久精品欧美日韩精品| 婷婷六月久久综合丁香| 最好的美女福利视频网| www.自偷自拍.com| 亚洲午夜精品一区,二区,三区| 午夜精品国产一区二区电影| avwww免费| 身体一侧抽搐| 日韩免费高清中文字幕av| 丁香六月欧美| 国内久久婷婷六月综合欲色啪| 欧美成人免费av一区二区三区| 美女 人体艺术 gogo| 久久天躁狠狠躁夜夜2o2o| 国产一区二区激情短视频| 琪琪午夜伦伦电影理论片6080| 欧美av亚洲av综合av国产av| 动漫黄色视频在线观看| 免费日韩欧美在线观看| 美国免费a级毛片| 中文字幕高清在线视频| 午夜日韩欧美国产| 欧美乱码精品一区二区三区| 日日摸夜夜添夜夜添小说| 亚洲欧美日韩高清在线视频| 久久午夜综合久久蜜桃| 国产成人av激情在线播放| 亚洲avbb在线观看| 欧美成人免费av一区二区三区| 久久午夜综合久久蜜桃| 国产激情欧美一区二区| 日日摸夜夜添夜夜添小说| 看免费av毛片| 国产熟女xx| 精品久久久精品久久久| 亚洲精品在线美女| 天天躁狠狠躁夜夜躁狠狠躁| 丰满的人妻完整版| 美女高潮到喷水免费观看| videosex国产| 成年女人毛片免费观看观看9| 一区在线观看完整版| 88av欧美| 精品乱码久久久久久99久播| 88av欧美| 国产一区二区三区综合在线观看| 精品人妻在线不人妻| 国产亚洲精品第一综合不卡| 亚洲专区中文字幕在线| 国产亚洲精品久久久久久毛片| 黑人巨大精品欧美一区二区mp4| 丁香六月欧美| 国产精品野战在线观看 | 亚洲欧美日韩另类电影网站| 亚洲中文日韩欧美视频| 丰满迷人的少妇在线观看| 精品一区二区三区av网在线观看| 久久国产精品人妻蜜桃| 国产av一区在线观看免费| 国产精品永久免费网站| 视频区图区小说| 黄片大片在线免费观看| 国产精品久久久久久人妻精品电影| 成年人免费黄色播放视频| 婷婷六月久久综合丁香| 国产av一区二区精品久久| 国产真人三级小视频在线观看| 精品国产一区二区三区四区第35| 99re在线观看精品视频| 久久精品aⅴ一区二区三区四区| 日韩精品青青久久久久久| 天天躁狠狠躁夜夜躁狠狠躁| 黄片小视频在线播放| 丝袜美腿诱惑在线| 免费观看人在逋| 18禁美女被吸乳视频| 国产成人精品久久二区二区91| 91成年电影在线观看| 欧美黄色片欧美黄色片| 一级a爱片免费观看的视频| 日韩成人在线观看一区二区三区| 999久久久国产精品视频| 12—13女人毛片做爰片一| 久久婷婷成人综合色麻豆| 久久婷婷成人综合色麻豆| 欧美日韩黄片免| 亚洲精品在线观看二区| 1024香蕉在线观看| 免费观看人在逋| 久久人妻熟女aⅴ| 国产亚洲精品久久久久5区| 丰满的人妻完整版| 黄片小视频在线播放| 欧美日本亚洲视频在线播放| 波多野结衣高清无吗| 精品国产超薄肉色丝袜足j| 国产亚洲av高清不卡| av免费在线观看网站| 欧美精品亚洲一区二区| 亚洲中文字幕日韩| 亚洲色图av天堂| 91九色精品人成在线观看| 好看av亚洲va欧美ⅴa在| 欧美精品亚洲一区二区| 久久人人97超碰香蕉20202| 日本欧美视频一区| 国产av一区二区精品久久| 女性生殖器流出的白浆| 国产精品免费一区二区三区在线| 国产精品自产拍在线观看55亚洲| 久久精品人人爽人人爽视色| 免费在线观看影片大全网站| 欧美激情久久久久久爽电影 | 亚洲午夜理论影院| 免费在线观看亚洲国产| 国产精品 欧美亚洲| 久久人人爽av亚洲精品天堂| 男人舔女人的私密视频| 少妇裸体淫交视频免费看高清 | av天堂在线播放| 亚洲五月天丁香| 校园春色视频在线观看| 天堂俺去俺来也www色官网| 一二三四社区在线视频社区8| 真人一进一出gif抽搐免费| 99国产精品99久久久久| 国产野战对白在线观看| cao死你这个sao货| 一级毛片女人18水好多| av中文乱码字幕在线| 亚洲七黄色美女视频| 国产精品一区二区在线不卡| 999久久久精品免费观看国产| 久久精品人人爽人人爽视色| 国产人伦9x9x在线观看| 久久久久久人人人人人| 久久99一区二区三区| 亚洲精品国产色婷婷电影| 欧美亚洲日本最大视频资源| 欧美激情高清一区二区三区| 欧美久久黑人一区二区| 亚洲精品一区av在线观看| 亚洲av第一区精品v没综合| 久久午夜综合久久蜜桃| 国产深夜福利视频在线观看| 18美女黄网站色大片免费观看| 免费在线观看日本一区| 在线观看一区二区三区激情| 国产av又大| 午夜91福利影院| 日韩精品免费视频一区二区三区| 国产极品粉嫩免费观看在线| 欧美日韩av久久| 中文字幕人妻丝袜一区二区| 国产成人欧美在线观看| 久久精品91蜜桃| 99国产精品免费福利视频| 日本vs欧美在线观看视频| 激情在线观看视频在线高清| 亚洲熟妇熟女久久| 老司机午夜福利在线观看视频| 在线观看免费视频日本深夜| 久久久久久久午夜电影 | 99热只有精品国产| 中文字幕色久视频| 女同久久另类99精品国产91| 欧美日韩亚洲综合一区二区三区_| 日韩欧美在线二视频| 老汉色∧v一级毛片| 丝袜美腿诱惑在线| 精品一区二区三区av网在线观看| 在线观看免费视频网站a站| tocl精华| 777久久人妻少妇嫩草av网站| bbb黄色大片| 欧美中文日本在线观看视频| 丝袜在线中文字幕| 亚洲一码二码三码区别大吗| 男男h啪啪无遮挡| 日韩 欧美 亚洲 中文字幕| 成人黄色视频免费在线看| 午夜91福利影院| 1024香蕉在线观看| 最新在线观看一区二区三区| 999精品在线视频| 欧美激情高清一区二区三区| 窝窝影院91人妻| 国产xxxxx性猛交| tocl精华| 国产精品亚洲一级av第二区| 国产有黄有色有爽视频| 亚洲 欧美一区二区三区| 在线观看一区二区三区激情| 久久久精品国产亚洲av高清涩受| 亚洲熟女毛片儿| 免费高清在线观看日韩| 制服人妻中文乱码| 日本欧美视频一区| 国产精品美女特级片免费视频播放器 | 欧美人与性动交α欧美精品济南到| 午夜福利影视在线免费观看| 国产一区二区三区综合在线观看| 成人国语在线视频| 亚洲精品中文字幕在线视频| 夜夜爽天天搞| 一本综合久久免费| 十八禁网站免费在线| 中文字幕色久视频| 自线自在国产av| 亚洲aⅴ乱码一区二区在线播放 | 老司机在亚洲福利影院| 国产精品综合久久久久久久免费 | 亚洲avbb在线观看| 男女高潮啪啪啪动态图| 丁香六月欧美| 曰老女人黄片| 12—13女人毛片做爰片一| 精品国产一区二区三区四区第35| 欧美老熟妇乱子伦牲交| 啦啦啦 在线观看视频| 黄频高清免费视频| 欧美另类亚洲清纯唯美| 99在线视频只有这里精品首页| 天堂影院成人在线观看| 99国产极品粉嫩在线观看| 久久精品成人免费网站| 日韩免费高清中文字幕av| 午夜福利,免费看| 女人被狂操c到高潮| 国产99白浆流出| 男女之事视频高清在线观看| 男男h啪啪无遮挡| 亚洲精品一二三| 欧美丝袜亚洲另类 | 两个人免费观看高清视频| 一进一出抽搐动态| 在线观看66精品国产| 国产一区二区三区在线臀色熟女 | 十八禁网站免费在线| 高清av免费在线| 黑人巨大精品欧美一区二区蜜桃| 亚洲色图 男人天堂 中文字幕| 757午夜福利合集在线观看| 久久久久久久午夜电影 | 亚洲人成77777在线视频| av天堂久久9| 精品久久久久久,| 波多野结衣一区麻豆| 激情在线观看视频在线高清| 一夜夜www| xxxhd国产人妻xxx| 在线观看免费视频网站a站| 欧美日韩一级在线毛片| 超碰97精品在线观看| 一级片免费观看大全| 91九色精品人成在线观看| 国产成年人精品一区二区 | 人人妻人人爽人人添夜夜欢视频| 国产精品 欧美亚洲| 精品久久久久久,| 日本一区二区免费在线视频| 亚洲国产欧美日韩在线播放| 超色免费av| 国产精品乱码一区二三区的特点 | 免费在线观看亚洲国产| 999久久久国产精品视频| 丝袜人妻中文字幕| 亚洲精品一卡2卡三卡4卡5卡| 久久人妻福利社区极品人妻图片| 成人精品一区二区免费| 国产一区二区在线av高清观看| 久久伊人香网站| 国产亚洲精品第一综合不卡| 97超级碰碰碰精品色视频在线观看| 国产无遮挡羞羞视频在线观看| 免费搜索国产男女视频| 咕卡用的链子| 成在线人永久免费视频| 精品高清国产在线一区| 久久热在线av| 美女午夜性视频免费| 美女 人体艺术 gogo| 一边摸一边做爽爽视频免费| 午夜福利在线观看吧| 免费日韩欧美在线观看| 免费女性裸体啪啪无遮挡网站| 久久 成人 亚洲| 99热只有精品国产| 黑人欧美特级aaaaaa片| 亚洲av美国av| 最近最新中文字幕大全电影3 | 激情在线观看视频在线高清| 大型av网站在线播放| 精品国产国语对白av| 国产精品九九99| 夜夜躁狠狠躁天天躁| 国产蜜桃级精品一区二区三区| www国产在线视频色| www.自偷自拍.com| 精品无人区乱码1区二区| 欧美日韩亚洲高清精品| 69精品国产乱码久久久| 成人av一区二区三区在线看| 波多野结衣一区麻豆| 黄网站色视频无遮挡免费观看| 母亲3免费完整高清在线观看| 热99国产精品久久久久久7| 国产一区二区三区在线臀色熟女 | 亚洲av熟女| 咕卡用的链子| 中文字幕另类日韩欧美亚洲嫩草| 国产免费男女视频| 极品教师在线免费播放| 午夜福利影视在线免费观看| 性色av乱码一区二区三区2| 亚洲国产欧美网| 久久久久久久午夜电影 | 欧美成人性av电影在线观看| 日韩国内少妇激情av| 极品教师在线免费播放| 又黄又粗又硬又大视频| 日日干狠狠操夜夜爽| 咕卡用的链子| 男女之事视频高清在线观看| 老司机亚洲免费影院| 精品免费久久久久久久清纯| 日韩精品中文字幕看吧| 国产精品 国内视频| 色婷婷久久久亚洲欧美| 免费搜索国产男女视频| 一级黄色大片毛片| 国产精品偷伦视频观看了| 在线观看66精品国产| 中亚洲国语对白在线视频| 亚洲一区中文字幕在线| 一级片免费观看大全| 欧美日韩av久久| 交换朋友夫妻互换小说| 九色亚洲精品在线播放| 18美女黄网站色大片免费观看| 黄色成人免费大全| 一个人观看的视频www高清免费观看 | 精品国内亚洲2022精品成人| 琪琪午夜伦伦电影理论片6080| 免费观看精品视频网站| 色综合站精品国产| 亚洲国产欧美网| 免费高清在线观看日韩| 国产免费男女视频| 欧美在线一区亚洲| 亚洲精品一卡2卡三卡4卡5卡| 亚洲五月天丁香| 在线观看66精品国产| 视频在线观看一区二区三区| 国产亚洲av高清不卡| 一边摸一边抽搐一进一小说| 一区二区三区激情视频| 欧美色视频一区免费| 国产99白浆流出| 国产欧美日韩一区二区精品| 欧美一区二区精品小视频在线| 99香蕉大伊视频| 欧美日韩亚洲高清精品| 日本撒尿小便嘘嘘汇集6| 亚洲伊人色综图| 99久久精品国产亚洲精品| av中文乱码字幕在线| 欧美丝袜亚洲另类 | 交换朋友夫妻互换小说| 国产精品亚洲一级av第二区| 久9热在线精品视频| 午夜视频精品福利| 日本wwww免费看| 国产av在哪里看| 免费不卡黄色视频| 一级a爱片免费观看的视频| 成人亚洲精品av一区二区 | 怎么达到女性高潮| 91成年电影在线观看| av电影中文网址| 免费观看人在逋| 亚洲国产精品合色在线| 丝袜人妻中文字幕| 国产精品综合久久久久久久免费 | 午夜久久久在线观看| 久久精品国产亚洲av香蕉五月| 亚洲精品国产色婷婷电影| 亚洲av美国av| 99国产精品99久久久久| 国产伦人伦偷精品视频| 欧美日韩瑟瑟在线播放| 亚洲人成电影观看| 悠悠久久av| 精品无人区乱码1区二区| 亚洲成人精品中文字幕电影 | 日韩精品青青久久久久久| 极品人妻少妇av视频| 美女大奶头视频| 欧美日韩亚洲国产一区二区在线观看| 国产精品久久久人人做人人爽| 日韩欧美在线二视频| 欧美激情 高清一区二区三区| xxxhd国产人妻xxx| 国产av精品麻豆| 欧美人与性动交α欧美软件| 1024视频免费在线观看| 少妇粗大呻吟视频| 久久久精品国产亚洲av高清涩受| 国产xxxxx性猛交| 在线播放国产精品三级| 天堂动漫精品| 亚洲av片天天在线观看| 18禁美女被吸乳视频| 九色亚洲精品在线播放| 久9热在线精品视频| 乱人伦中国视频| 亚洲一区高清亚洲精品| 国产精品久久久人人做人人爽| 久久久久久久久免费视频了| 91成年电影在线观看| 99香蕉大伊视频| 国产成人av激情在线播放| 在线天堂中文资源库| 亚洲中文日韩欧美视频| 日本a在线网址| 国产精品一区二区精品视频观看| 一区二区三区精品91| 久久婷婷成人综合色麻豆| 国产成人av教育| 成人三级黄色视频| 色尼玛亚洲综合影院| 精品乱码久久久久久99久播| 在线国产一区二区在线| 日韩av在线大香蕉| 国产精品98久久久久久宅男小说| 久久久国产成人免费| 最好的美女福利视频网| 校园春色视频在线观看| 99国产精品免费福利视频| 亚洲av成人一区二区三| 日韩av在线大香蕉| 老汉色∧v一级毛片| 免费不卡黄色视频| 国产免费av片在线观看野外av| 午夜免费鲁丝| 国内毛片毛片毛片毛片毛片| 午夜激情av网站| 欧美成狂野欧美在线观看| 午夜精品国产一区二区电影| 色综合欧美亚洲国产小说| 在线观看免费视频网站a站| 国产成人av激情在线播放| 亚洲人成77777在线视频| 美女国产高潮福利片在线看| 亚洲色图 男人天堂 中文字幕| 婷婷精品国产亚洲av在线| 熟女少妇亚洲综合色aaa.| 99精品欧美一区二区三区四区| 色综合婷婷激情| 51午夜福利影视在线观看| 中文亚洲av片在线观看爽| 三级毛片av免费| 一级a爱片免费观看的视频| 成人影院久久| 五月开心婷婷网| 国产亚洲精品一区二区www| 91成年电影在线观看| 亚洲午夜精品一区,二区,三区| 男人的好看免费观看在线视频 | 可以免费在线观看a视频的电影网站| 丰满的人妻完整版| 亚洲色图综合在线观看| 亚洲国产精品一区二区三区在线| 欧美日韩黄片免| 久久久久久亚洲精品国产蜜桃av| 精品人妻在线不人妻| 精品国内亚洲2022精品成人| 亚洲av第一区精品v没综合| 天堂俺去俺来也www色官网| 老司机午夜十八禁免费视频| 另类亚洲欧美激情| 一区二区三区国产精品乱码| 亚洲国产欧美一区二区综合| 欧美一区二区精品小视频在线| 精品欧美一区二区三区在线| www.999成人在线观看| 久久精品亚洲精品国产色婷小说| 超色免费av| 亚洲少妇的诱惑av| 男女高潮啪啪啪动态图| 露出奶头的视频| 曰老女人黄片| 日本一区二区免费在线视频| 欧美黑人精品巨大| 可以在线观看毛片的网站| 精品久久久久久久毛片微露脸| 国产精品1区2区在线观看.| 欧美人与性动交α欧美精品济南到| 国产精品久久久av美女十八| 高潮久久久久久久久久久不卡| 日本免费a在线| 成人特级黄色片久久久久久久| 两人在一起打扑克的视频| 一进一出好大好爽视频| 9191精品国产免费久久| 十八禁人妻一区二区| 神马国产精品三级电影在线观看 | 视频区欧美日本亚洲| 9热在线视频观看99| 99在线视频只有这里精品首页| 女同久久另类99精品国产91| 91成年电影在线观看| 国产乱人伦免费视频| 国产国语露脸激情在线看| 精品一区二区三卡| 可以在线观看毛片的网站| 人成视频在线观看免费观看| 大型黄色视频在线免费观看| 亚洲avbb在线观看| 亚洲av日韩精品久久久久久密| 美女国产高潮福利片在线看| 欧美日韩一级在线毛片| av欧美777| 亚洲色图综合在线观看| 电影成人av| 亚洲伊人色综图| 91大片在线观看| 成在线人永久免费视频| 日韩中文字幕欧美一区二区| 国产区一区二久久| www.999成人在线观看| 又黄又爽又免费观看的视频| 在线观看免费午夜福利视频| 两个人免费观看高清视频| 99久久99久久久精品蜜桃| 丝袜人妻中文字幕| 久久国产乱子伦精品免费另类| 久久热在线av| 高清黄色对白视频在线免费看| ponron亚洲| 男女高潮啪啪啪动态图| 亚洲九九香蕉| 亚洲精品国产区一区二| 精品久久蜜臀av无| 女生性感内裤真人,穿戴方法视频| 老司机在亚洲福利影院| aaaaa片日本免费| 午夜免费观看网址| 两性午夜刺激爽爽歪歪视频在线观看 | 午夜91福利影院| 成人手机av| 国产精品久久久av美女十八| 啦啦啦在线免费观看视频4| 亚洲精华国产精华精| 天天躁夜夜躁狠狠躁躁| 色尼玛亚洲综合影院| 丝袜美腿诱惑在线| 免费在线观看影片大全网站| 午夜成年电影在线免费观看| 99精国产麻豆久久婷婷| 久久婷婷成人综合色麻豆| 日韩欧美在线二视频| 黄色视频,在线免费观看| 欧美日韩黄片免| 欧美中文综合在线视频| 久久久国产精品麻豆| 成人特级黄色片久久久久久久| 精品午夜福利视频在线观看一区| 欧美日韩中文字幕国产精品一区二区三区 | 无限看片的www在线观看| 如日韩欧美国产精品一区二区三区| 天天影视国产精品| 一区二区三区国产精品乱码| 桃红色精品国产亚洲av| 久久狼人影院| 国产成人精品久久二区二区免费| www.www免费av| 亚洲欧美日韩无卡精品| 黄色毛片三级朝国网站| 午夜福利在线观看吧| 国产成人系列免费观看| 亚洲 欧美一区二区三区| 国产黄色免费在线视频| 日本欧美视频一区| 午夜日韩欧美国产| 真人一进一出gif抽搐免费| 80岁老熟妇乱子伦牲交| 高清欧美精品videossex| 别揉我奶头~嗯~啊~动态视频| 男女做爰动态图高潮gif福利片 |