• <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)
    一区福利在线观看| 亚洲九九香蕉| 成人黄色视频免费在线看| 十分钟在线观看高清视频www| 国产高清国产精品国产三级| 女性被躁到高潮视频| 国产亚洲一区二区精品| 男人舔女人的私密视频| 久久久久精品人妻al黑| 18在线观看网站| 18禁裸乳无遮挡免费网站照片 | 国产精品免费大片| 国产精品久久久久成人av| 精品国产亚洲在线| 亚洲第一青青草原| 久久亚洲真实| 成人三级做爰电影| 久久精品亚洲熟妇少妇任你| 一二三四在线观看免费中文在| 国产乱人伦免费视频| 国产无遮挡羞羞视频在线观看| 三上悠亚av全集在线观看| 新久久久久国产一级毛片| 日韩欧美国产一区二区入口| 日韩制服丝袜自拍偷拍| 乱人伦中国视频| 三上悠亚av全集在线观看| 嫩草影视91久久| 91成人精品电影| 欧美成人午夜精品| 亚洲中文字幕日韩| 国产亚洲一区二区精品| 一进一出抽搐gif免费好疼 | 曰老女人黄片| 一级毛片高清免费大全| 我的亚洲天堂| 夜夜躁狠狠躁天天躁| xxxhd国产人妻xxx| 怎么达到女性高潮| 亚洲精品久久午夜乱码| 亚洲欧美日韩高清在线视频| 午夜免费鲁丝| 久久 成人 亚洲| 9191精品国产免费久久| 精品久久久精品久久久| 国产精品98久久久久久宅男小说| 日韩成人在线观看一区二区三区| 国产精品av久久久久免费| 一级作爱视频免费观看| 真人做人爱边吃奶动态| 每晚都被弄得嗷嗷叫到高潮| 日本黄色日本黄色录像| 久久香蕉激情| 成人三级做爰电影| 久久久久国产精品人妻aⅴ院 | 国产亚洲欧美精品永久| 两性午夜刺激爽爽歪歪视频在线观看 | 国产成人av激情在线播放| 成年人午夜在线观看视频| 人人妻,人人澡人人爽秒播| 中文字幕人妻丝袜一区二区| 亚洲熟女精品中文字幕| 久久热在线av| 国产99白浆流出| 亚洲精品一二三| 男女免费视频国产| 操美女的视频在线观看| 日日摸夜夜添夜夜添小说| 天堂俺去俺来也www色官网| 久久亚洲精品不卡| 亚洲aⅴ乱码一区二区在线播放 | 麻豆成人av在线观看| 国产又爽黄色视频| 精品免费久久久久久久清纯 | 欧美午夜高清在线| 欧美精品一区二区免费开放| 亚洲在线自拍视频| 成人av一区二区三区在线看| 国产精品九九99| 成年人黄色毛片网站| 黑人欧美特级aaaaaa片| 老汉色∧v一级毛片| 18禁国产床啪视频网站| 男人操女人黄网站| 亚洲色图综合在线观看| 午夜精品国产一区二区电影| 久久国产精品大桥未久av| av福利片在线| 亚洲色图综合在线观看| 伊人久久大香线蕉亚洲五| 99热只有精品国产| 一区在线观看完整版| 多毛熟女@视频| 岛国在线观看网站| 在线观看免费视频网站a站| 天堂中文最新版在线下载| 69精品国产乱码久久久| 一区二区三区国产精品乱码| 色在线成人网| 日韩人妻精品一区2区三区| 亚洲综合色网址| 老司机深夜福利视频在线观看| 免费看a级黄色片| 国产成人精品在线电影| 欧美丝袜亚洲另类 | 男男h啪啪无遮挡| 午夜视频精品福利| 久久国产精品大桥未久av| 热99re8久久精品国产| 精品国产乱子伦一区二区三区| 亚洲专区国产一区二区| 欧美老熟妇乱子伦牲交| 国产成人影院久久av| 在线播放国产精品三级| 精品国产亚洲在线| 国产精品.久久久| 久9热在线精品视频| 我的亚洲天堂| 国产高清视频在线播放一区| 身体一侧抽搐| 99re6热这里在线精品视频| 国产精品偷伦视频观看了| 久久影院123| 亚洲欧美激情在线| 啦啦啦 在线观看视频| 久久香蕉激情| 欧美人与性动交α欧美软件| 午夜福利乱码中文字幕| 在线观看免费日韩欧美大片| 热re99久久国产66热| 伊人久久大香线蕉亚洲五| 一个人免费在线观看的高清视频| 国产精品亚洲av一区麻豆| 久久精品亚洲精品国产色婷小说| 国产一区有黄有色的免费视频| 国产精品自产拍在线观看55亚洲 | 亚洲少妇的诱惑av| 99国产精品一区二区蜜桃av | www.999成人在线观看| 香蕉国产在线看| 免费观看精品视频网站| 日韩制服丝袜自拍偷拍| 男女下面插进去视频免费观看| 91麻豆av在线| 999久久久精品免费观看国产| 老汉色av国产亚洲站长工具| 欧美丝袜亚洲另类 | 女性被躁到高潮视频| 国产主播在线观看一区二区| 欧美乱妇无乱码| 淫妇啪啪啪对白视频| 久久久久久人人人人人| 天堂中文最新版在线下载| 久久久国产一区二区| 在线观看66精品国产| 免费在线观看完整版高清| 欧美乱妇无乱码| 啦啦啦视频在线资源免费观看| 午夜免费成人在线视频| 69av精品久久久久久| av网站在线播放免费| 美国免费a级毛片| 三上悠亚av全集在线观看| 一个人免费在线观看的高清视频| 成年女人毛片免费观看观看9 | 99精国产麻豆久久婷婷| 91麻豆av在线| 999精品在线视频| 成年人免费黄色播放视频| 日本一区二区免费在线视频| 亚洲自偷自拍图片 自拍| 天天影视国产精品| 超色免费av| 久久热在线av| 极品少妇高潮喷水抽搐| 一级片免费观看大全| 欧美大码av| 国产亚洲精品久久久久久毛片 | 韩国av一区二区三区四区| 亚洲第一av免费看| 久久性视频一级片| 丝袜美足系列| 国产高清激情床上av| 欧美精品一区二区免费开放| 又黄又粗又硬又大视频| 中文字幕人妻丝袜一区二区| 久久久久视频综合| 女同久久另类99精品国产91| 黑丝袜美女国产一区| 国产成人欧美在线观看 | 欧美日韩亚洲综合一区二区三区_| 精品久久久久久电影网| 亚洲精品一卡2卡三卡4卡5卡| 91麻豆精品激情在线观看国产 | 黄色毛片三级朝国网站| 国产主播在线观看一区二区| 精品国产一区二区久久| 岛国在线观看网站| 宅男免费午夜| 成人国语在线视频| 国产精品免费视频内射| 日韩三级视频一区二区三区| 免费不卡黄色视频| 精品卡一卡二卡四卡免费| 国产一区有黄有色的免费视频| 亚洲一区二区三区欧美精品| 99久久99久久久精品蜜桃| 天天影视国产精品| 中文字幕人妻熟女乱码| 国产精品国产高清国产av | 精品国内亚洲2022精品成人 | 国产成人精品无人区| 亚洲欧洲精品一区二区精品久久久| 亚洲欧美精品综合一区二区三区| 视频区欧美日本亚洲| 久久久国产成人精品二区 | 精品乱码久久久久久99久播| 99久久精品国产亚洲精品| 又黄又爽又免费观看的视频| 19禁男女啪啪无遮挡网站| 久久久久视频综合| 12—13女人毛片做爰片一| 欧美日韩乱码在线| 制服人妻中文乱码| 精品亚洲成国产av| 久久九九热精品免费| 在线观看舔阴道视频| 午夜免费成人在线视频| 最新的欧美精品一区二区| 男男h啪啪无遮挡| 国产精品香港三级国产av潘金莲| 黄片大片在线免费观看| 91在线观看av| 另类亚洲欧美激情| 欧美日韩视频精品一区| 欧美人与性动交α欧美软件| 国产精品国产av在线观看| 久久久久久久久久久久大奶| 韩国av一区二区三区四区| av欧美777| 视频在线观看一区二区三区| 丝袜美足系列| 一本一本久久a久久精品综合妖精| 国产极品粉嫩免费观看在线| 一二三四在线观看免费中文在| 国产三级黄色录像| 男女高潮啪啪啪动态图| 乱人伦中国视频| 久久天躁狠狠躁夜夜2o2o| 国产99久久九九免费精品| 久久国产乱子伦精品免费另类| 中亚洲国语对白在线视频| 精品国内亚洲2022精品成人 | 亚洲欧美激情综合另类| 午夜两性在线视频| 天堂中文最新版在线下载| 国产精品免费大片| 老熟女久久久| 久久精品亚洲av国产电影网| 热99国产精品久久久久久7| 亚洲第一青青草原| 亚洲精品国产一区二区精华液| 亚洲精品中文字幕在线视频| 亚洲五月天丁香| 国产激情欧美一区二区| 久热这里只有精品99| 无人区码免费观看不卡| 国产精品亚洲一级av第二区| 99精国产麻豆久久婷婷| 精品国内亚洲2022精品成人 | 免费在线观看亚洲国产| 欧美亚洲日本最大视频资源| 亚洲av欧美aⅴ国产| 国产精品永久免费网站| 亚洲专区中文字幕在线| 在线观看午夜福利视频| 在线十欧美十亚洲十日本专区| a级片在线免费高清观看视频| 精品久久久久久电影网| 中文亚洲av片在线观看爽 | 变态另类成人亚洲欧美熟女 | 亚洲久久久国产精品| 女人精品久久久久毛片| 欧美成人午夜精品| 亚洲aⅴ乱码一区二区在线播放 | 国产真人三级小视频在线观看| 69精品国产乱码久久久| 九色亚洲精品在线播放| 中文字幕另类日韩欧美亚洲嫩草| 免费在线观看日本一区| 久久狼人影院| 日韩一卡2卡3卡4卡2021年| 老司机亚洲免费影院| 国产欧美日韩精品亚洲av| 大码成人一级视频| 日韩制服丝袜自拍偷拍| 波多野结衣一区麻豆| 色婷婷久久久亚洲欧美| 叶爱在线成人免费视频播放| 国产1区2区3区精品| 亚洲精品久久成人aⅴ小说| 美女 人体艺术 gogo| 在线观看66精品国产| 丝袜美腿诱惑在线| 午夜免费鲁丝| 宅男免费午夜| 一级片'在线观看视频| 久久久久久人人人人人| 中文欧美无线码| 国产精品久久久久成人av| 男女床上黄色一级片免费看| 夫妻午夜视频| 欧美av亚洲av综合av国产av| 欧美日韩福利视频一区二区| 午夜激情av网站| 成人亚洲精品一区在线观看| 中文字幕最新亚洲高清| 国产一区在线观看成人免费| 日本vs欧美在线观看视频| 妹子高潮喷水视频| 午夜福利在线观看吧| 亚洲欧美一区二区三区久久| 国产一区二区激情短视频| 欧美国产精品一级二级三级| 久久久国产欧美日韩av| 无人区码免费观看不卡| 久久久久久人人人人人| 欧美成狂野欧美在线观看| 久久久久国产精品人妻aⅴ院 | 精品福利观看| 香蕉丝袜av| xxxhd国产人妻xxx| 一本一本久久a久久精品综合妖精| 免费久久久久久久精品成人欧美视频| 亚洲欧美色中文字幕在线| 18禁黄网站禁片午夜丰满| 天堂俺去俺来也www色官网| 男女下面插进去视频免费观看| 精品国产国语对白av| 精品人妻熟女毛片av久久网站| 国产精品久久电影中文字幕 | 欧美精品一区二区免费开放| 国产精品亚洲一级av第二区| 狠狠狠狠99中文字幕| av国产精品久久久久影院| 久久精品国产亚洲av香蕉五月 | 欧美午夜高清在线| 欧洲精品卡2卡3卡4卡5卡区| 日韩成人在线观看一区二区三区| 亚洲成a人片在线一区二区| 国产精品久久久久久精品古装| 男女下面插进去视频免费观看| 在线观看舔阴道视频| 99在线人妻在线中文字幕 | 精品久久久久久久毛片微露脸| 亚洲欧美日韩高清在线视频| 欧美黑人欧美精品刺激| 久久久久精品国产欧美久久久| 亚洲成人免费av在线播放| 欧美人与性动交α欧美精品济南到| 精品少妇一区二区三区视频日本电影| 亚洲精品中文字幕一二三四区| 在线国产一区二区在线| 国产免费现黄频在线看| 在线观看免费高清a一片| 在线免费观看的www视频| 多毛熟女@视频| 国产又爽黄色视频| 大码成人一级视频| 亚洲第一av免费看| 欧美一级毛片孕妇| 日本欧美视频一区| 777米奇影视久久| 日韩免费av在线播放| 99riav亚洲国产免费| 午夜激情av网站| 男女免费视频国产| 免费日韩欧美在线观看| 91精品三级在线观看| 制服人妻中文乱码| 亚洲,欧美精品.| 国产欧美日韩综合在线一区二区| 老汉色∧v一级毛片| 欧美日韩成人在线一区二区| 又紧又爽又黄一区二区| 男女免费视频国产| 亚洲一区中文字幕在线| 欧美在线一区亚洲| 午夜激情av网站| 大型av网站在线播放| 日日摸夜夜添夜夜添小说| 亚洲精品美女久久久久99蜜臀| 久久热在线av| 18禁国产床啪视频网站| 久久人妻av系列| 久久精品国产清高在天天线| 国内久久婷婷六月综合欲色啪| 久久久久久久国产电影| 在线看a的网站| 免费在线观看视频国产中文字幕亚洲| 国内毛片毛片毛片毛片毛片| 久久ye,这里只有精品| 久久狼人影院| av网站在线播放免费| 天天影视国产精品| 老司机福利观看| 色在线成人网| 中出人妻视频一区二区| 99re在线观看精品视频| 日韩有码中文字幕| 日韩欧美国产一区二区入口| 操美女的视频在线观看| 久久久国产欧美日韩av| 欧美一级毛片孕妇| 在线观看免费视频网站a站| 校园春色视频在线观看| 两个人免费观看高清视频| 欧美成人免费av一区二区三区 | 欧美乱妇无乱码| 精品国产超薄肉色丝袜足j| 男人的好看免费观看在线视频 | 1024香蕉在线观看| 人妻一区二区av| 最近最新中文字幕大全电影3 | 国产精品欧美亚洲77777| 美女午夜性视频免费| 777米奇影视久久| 巨乳人妻的诱惑在线观看| 国产国语露脸激情在线看| 91字幕亚洲| 国产成人一区二区三区免费视频网站| 国产欧美日韩一区二区三区在线| 国产成人av教育| 老熟女久久久| 国产精品亚洲av一区麻豆| 欧美av亚洲av综合av国产av| 国产亚洲欧美精品永久| 国产av一区二区精品久久| 成人18禁在线播放| 久久中文看片网| 99久久综合精品五月天人人| 免费少妇av软件| 欧美另类亚洲清纯唯美| 一级a爱片免费观看的视频| 成人三级做爰电影| av视频免费观看在线观看| 身体一侧抽搐| 电影成人av| 在线观看66精品国产| 最近最新中文字幕大全免费视频| 国产乱人伦免费视频| 午夜福利在线观看吧| 一边摸一边抽搐一进一出视频| 一级片免费观看大全| 在线观看免费视频日本深夜| 香蕉丝袜av| 在线十欧美十亚洲十日本专区| 90打野战视频偷拍视频| 国产免费男女视频| 夜夜爽天天搞| 欧美不卡视频在线免费观看 | 国产精品永久免费网站| 亚洲av美国av| 日日爽夜夜爽网站| 大陆偷拍与自拍| 怎么达到女性高潮| 91成年电影在线观看| 色播在线永久视频| 亚洲精品中文字幕一二三四区| 亚洲一区中文字幕在线| 99riav亚洲国产免费| 在线观看免费视频日本深夜| 麻豆国产av国片精品| 12—13女人毛片做爰片一| 精品国产一区二区久久| 亚洲国产精品sss在线观看 | 少妇猛男粗大的猛烈进出视频| 中文字幕人妻丝袜一区二区| 美女福利国产在线| 黑丝袜美女国产一区| 香蕉久久夜色| 国产精品久久久久久人妻精品电影| 一级黄色大片毛片| 免费观看a级毛片全部| 黑人巨大精品欧美一区二区蜜桃| 可以免费在线观看a视频的电影网站| 一a级毛片在线观看| 黄色丝袜av网址大全| 亚洲久久久国产精品| 91精品国产国语对白视频| 99国产综合亚洲精品| 亚洲午夜理论影院| 高清黄色对白视频在线免费看| 激情在线观看视频在线高清 | 一二三四在线观看免费中文在| 欧美日韩亚洲综合一区二区三区_| 国产亚洲精品一区二区www | 不卡av一区二区三区| 日韩欧美三级三区| 看片在线看免费视频| 久久香蕉国产精品| 欧美人与性动交α欧美软件| 久久精品91无色码中文字幕| 丝袜在线中文字幕| 亚洲一区二区三区欧美精品| 手机成人av网站| 久久国产精品大桥未久av| 国产1区2区3区精品| 久久久久精品人妻al黑| 国产精品一区二区免费欧美| 精品国产美女av久久久久小说| 无人区码免费观看不卡| 亚洲欧美精品综合一区二区三区| 少妇裸体淫交视频免费看高清 | 天天操日日干夜夜撸| 搡老熟女国产l中国老女人| 亚洲人成77777在线视频| 免费久久久久久久精品成人欧美视频| 日韩欧美国产一区二区入口| 视频区图区小说| 亚洲全国av大片| 香蕉国产在线看| 国产99白浆流出| 波多野结衣一区麻豆| 婷婷成人精品国产| 中文字幕另类日韩欧美亚洲嫩草| 国产精品一区二区免费欧美| 欧美老熟妇乱子伦牲交| 9色porny在线观看| 亚洲成人国产一区在线观看| 午夜老司机福利片| 嫩草影视91久久| 黄片大片在线免费观看| 激情视频va一区二区三区| 久久精品成人免费网站| 两性午夜刺激爽爽歪歪视频在线观看 | 黄色成人免费大全| 亚洲av第一区精品v没综合| 亚洲国产精品合色在线| 天天操日日干夜夜撸| 老司机在亚洲福利影院| 色94色欧美一区二区| 免费一级毛片在线播放高清视频 | 丰满饥渴人妻一区二区三| 久久久久久久精品吃奶| 又黄又粗又硬又大视频| 狠狠婷婷综合久久久久久88av| av电影中文网址| 国产亚洲精品久久久久5区| 亚洲va日本ⅴa欧美va伊人久久| 在线天堂中文资源库| 欧美精品av麻豆av| 91麻豆精品激情在线观看国产 | 超碰成人久久| 中文字幕人妻丝袜制服| 欧美 亚洲 国产 日韩一| 大型av网站在线播放| 手机成人av网站| av超薄肉色丝袜交足视频| 在线观看免费视频日本深夜| 欧美乱妇无乱码| 成人av一区二区三区在线看| 后天国语完整版免费观看| 亚洲国产欧美日韩在线播放| 无人区码免费观看不卡| 涩涩av久久男人的天堂| 国产单亲对白刺激| 久久亚洲精品不卡| 精品第一国产精品| 亚洲精品国产精品久久久不卡| 亚洲精品av麻豆狂野| 亚洲精品国产精品久久久不卡| 亚洲精品久久午夜乱码| 亚洲av电影在线进入| 老司机深夜福利视频在线观看| 成年动漫av网址| 大码成人一级视频| 在线观看一区二区三区激情| av网站在线播放免费| 99re在线观看精品视频| 成人手机av| 中文亚洲av片在线观看爽 | 久久久久久人人人人人| 免费不卡黄色视频| 亚洲国产看品久久| 国产精品 欧美亚洲| 久久天堂一区二区三区四区| 国产精品一区二区在线不卡| 亚洲国产看品久久| 欧美精品av麻豆av| 亚洲熟妇熟女久久| 亚洲午夜理论影院| 国产成人精品久久二区二区91| 黑人巨大精品欧美一区二区mp4| 欧美色视频一区免费| 亚洲精品在线观看二区| av网站在线播放免费| 国产91精品成人一区二区三区| 制服人妻中文乱码| 在线天堂中文资源库| 国产亚洲精品一区二区www | 久久国产精品影院| 欧美色视频一区免费| 精品人妻1区二区| 成年女人毛片免费观看观看9 | 99热国产这里只有精品6| 无遮挡黄片免费观看| www.熟女人妻精品国产| 亚洲av成人av| 日日摸夜夜添夜夜添小说| 精品国产乱码久久久久久男人| 国产免费男女视频| 一边摸一边抽搐一进一小说 | 日本wwww免费看| 日韩制服丝袜自拍偷拍|