没有合适的资源?快使用搜索试试~ 我知道了~
埃及信息学杂志18(2017)105全文一个有效的协同电影推荐系统Rahul KataryaSahara,Om PrakashVerma印度德里德里理工大学计算机科学工程系阿提奇莱因福奥文章历史记录:2015年11月21日收到2016年10月8日修订2016年10月18日接受2016年11月9日关键词:推荐系统协同过滤k均值布谷鸟搜索优化电影A B S T R A C T推荐系统是一种信息过滤工具,旨在预测用户和项目的评级电影推荐系统提供了一种帮助用户对具有相似兴趣的用户进行这使得推荐系统成为网站和电子商务应用的核心部分。本文主要研究电影推荐系统,其主要目标是通过数据聚类和计算智能提出一个推荐系统在这篇研究文章中,一个新的推荐系统已被讨论,它利用k-means聚类,采用布谷鸟搜索优化算法应用于Movielens数据集。我们的方法已被系统地解释,并随后的结果进行了讨论。并与现有方法进行了比较,对结果进行了分析和解释.评价指标,如平均绝对误差(MAE),标准差(SD),均方根误差(RMSE)和t值的电影推荐系统提供了更好的结果,因为我们的方法提供了较小的值的平均绝对误差,标准差,均方根误差。在Movielens数据集上的实验结果表明,该方法在可靠性、效率方面具有较高的性能,与现有方法相比,能够我们提出的系统(K-mean Cuckoo)具有0.68 MAE,优于现有工作(0.78 MAE)[1],也改进了我们以前的工作(0.75 MAE)[2]。©2016制作和主办由Elsevier B.V.代表开罗计算机和信息学院大学这是一篇CC BY-NC-ND许可证下的开放获取文章(http://creativecommons.org/licenses/by-nc-nd/4.0/)。1. 介绍推荐系统已经成为各种电子商务应用中不可缺少的组成部分。推荐系统收集关于用户对不同项目的偏好的信息电影,购物,旅游,电视,出租车)的两种方式,无论是*通讯作者:德里理工大学计算机科学工程系(原德里工程学院),Shabad Daulat-pur,Main,Main Bawana Road,Delhi 110042,India.电子邮件地址:rahulkatarya@dtu.ac.in(R. Katarya)。网 址:http://www.dtu.ac.in/Web/Departments/CSE/faculty/ (R. Katarya ) ,www.dtu.ac.in/Web/Departments/CSE/faculty/(O.P.Verma)。1Department of Computer Science Engineering , Delhi Technological University( Formerly Delhi College of Engineering ) , Shabad Daulatpur , Main , MainBawana Road,Delhi 110042,India.开罗大学计算机和信息系负责同行审查。制作和主办:Elsevier隐式或显式[3用户信息的隐式获取通常涉及观察用户另一方面,信息的直接获取通常涉及收集用户协作过滤(CF)是通过其他人的情绪过滤或计算项目的方式[8它首先收集个人对电影的评分,然后根据过去具有相似品味和兴趣的志同道合的人向目标用户一些推荐系统所基于的附加印象是聚类。聚类是一种流行的无监督数据挖掘工具,用于基于某些相似性或相异性度量将给定数据集划分为同质组[11协作过滤和聚类将在下一节中详细讨论采用聚类和优化相结合的方法来提高电影预测的准确率。这种混合的方法已经被用来克服典型的基于内容和协作推荐系统的局限性。对于聚类,应用k-means算法,对于优化,实现布谷鸟搜索优化K-means算法是一种非常大的聚类算法,http://dx.doi.org/10.1016/j.eij.2016.10.0021110-8665/©2016制作和主办Elsevier B. V.代表开罗大学计算机和信息学院这是一篇基于CC BY-NC-ND许可证的开放获取文章(http://creativecommons.org/licenses/by-nc-nd/4.0/)。可在ScienceDirect上获得目录列表埃及信息学杂志杂志主页:www.sciencedirect.com106R. Katarya,O.P.Verma/ Egyptian Informatics Journal 18(2017)105算法相比,其他聚类方法的时间,复杂性或有效性的关系,为特定数量的集群[12,15]。具有生物启发算法(如布谷鸟搜索)的聚类算法[16与遗传算法和粒子群优化算法相比,布谷鸟搜索表现出最好的性能。模拟和比较的杜鹃搜索更大的这些现有的多峰目标函数的算法。为了找到最好的结果,我们必须在所有可能的权重中找到最合适的权重布谷鸟搜索也表现良好,并显示出找到适当权重的良好结果[22]。这就是为什么在我们的工作中也使用布谷鸟优化算法来获得优化的权重除了是最有效的算法之一之外,还发现它比应用于同一数据集的其他算法花费更少的时间采用k-means和cuckoo方法对数据集进 行了处理 ,并观 察了平均 绝对误差 ( MAE )、 标准差(SD)、均方根误差(RMSE)和t值等评价指标的结果并对这些参数进行了测试和讨论,以评价电影推荐系统的性能关于准确性和精度,实验结果表明,所提出的方法是能够提供更可靠的电影推荐相比,现有的基于聚类的CF方法。在许多研究中,聚类方法都是对整个维度的数据进行的,这可能会导致一定程度的不准确性,并导致更多的计算时间。总体而言,设计专家推荐系统仍然是一个挑战,在这种情况下,寻找有效的聚类方法是一个关键问题。为了解决上述问题,提出了一种基于混合模型的电影推荐方法,以缓解异常维数和数据稀疏性的问题这就是为什么我们选择了一个cuckoo算法与k-means优化。通过与其它优化算法的比较,发现cuckoo算法的性能优于其它算法.这项研究工作的主要贡献是:我们提出了一种新的推荐系统与K-means布谷鸟搜索优化。到目前为止,我们的系统是创新和高效的,因为它采用了布谷鸟搜索算法,为Movielens数据集提供了出色的推荐。我 们 的 混 合 模 型 有 0.68 MAE , 这 是 优 于 现 有 的 工 作 ( 0.78MAE)。我们的模型也有很好的改进,我们以前的工作(0.75 MAE)。与现有系统相比,时间性能也更好我 们 使 用 众所 周 知 的 Movielens 数 据 集 ( http : //grouplens.org/datasets/movielens/100 k/)来分析我们提出的系统的行为。第二部分简要介绍了协同推荐系统和基于聚类的协同推荐的相关研究工作在第3节中解释了所提出的用于电影推荐系统的称为k均值布谷鸟方法的方法。在第4节中,描述了在Movielens数据集上执行的实验结果,最后在第5节中突出了本文的总结和未来的工作。2. 背景和相关工作推荐系统基于各种方法,例如基于内容的方法[23,24],协作方法[9,25-27],混合方法[23,24][28、29]。目前的电影推荐系统主要集中在协同过滤和聚类上。在电影推荐系统中,要求用户对用户已经看过的电影进行评级,然后通过利用基于类似评级的协作过滤,这些评级被应用于向用户推荐用户尚未感知的其他电影协同过滤[9,10,30协同过滤主要分为基于记忆的协同过滤和基于模型的协同过滤两大类.基于内存的协同过滤[4,5,33]为活跃用户探索用户空间中的最近邻居,并动态推荐电影。这种方法的缺点是计算复杂性和数据稀疏性。许多作者[34]试图减少这种计算复杂性和内存瓶颈问题,例如基于项目的协同过滤技术,其中项目之间的关系是针对目标对象周围的邻域计算的他们在实证研究中表明,基于项目的方法可以减少计算时间基于模型的协作技术[3,4,8,33,35]生成一个预构建的模型,以基于用户和评级数据库收集评级模式,可以处理数据稀疏性和可扩展性问题基于模型的协同过滤是一种耗时且离线的方法。基于聚类的技术被广泛应用于电影推荐系统中,以减少可扩展性问题各种研究人员将基于聚类的方法应用于提供专家建议的推荐系统[36聚类的目的是将对象划分为称为聚类的组,其方式是同一聚类中的两个对象之间具有最小距离,以识别相似的对象,然后离线执行聚类过程以构建模型。当目标用户到达时,在线模块为该用户分配一个具有较大相似度权重的聚类,并基于相同的聚类成员计算指定项目的预测评级,而不是搜索整个用户空间。k-最近邻(kNN)算法是协同过滤推荐过程中的定向算法,应用于推荐过程[42基于kNN的协同过滤推荐系统推荐结果可靠、准确。生物启发的算法,如布谷鸟搜索,具有独特的背景感测能力,并采用特殊的方法,通过以减少的时间生成聚类,来促进连续分辨率演变为新颖和高质量的推荐,如下一节所讨论3. 基于K-means-cuckoo的协同过滤框架为了克服协同推荐系统的局限性,我们提出了一种基于聚类和优化的混合技术来提高电影预测的准确性。我们的目的是设计一个统一的模型解决方案,该解决方案将Movielens数据集的用户评级用于预测。我们使用K-means作为聚类算法,布谷鸟搜索作为优化算法,然后应用于Movielens数据集,以改进高效的推荐系统。首先随机选择聚类,然后通过计算用户的评级和聚类的质心的差异来逐个检查用户然而,此时不能保证每个用户都被分配到具有最小质心差的真实聚类因此,每个用户●●●●●●R. Katarya,O.P.Verma/ Egyptian Informatics Journal 18(2017)105107~与任何聚类的平均值的最小距离现在,这个迭代重定位将从这个新分区继续,直到不再发生重定位。在一个点之后,如果没有更多的重定位发生,则该点是聚类过程的完成点K-means算法由图1中给出的以下步骤组成[12,15,46,47]。接下来,将布谷鸟搜索优化算法应用于k均值算法的结果以优化结果。集群准备有一个健身功能,有助于提高用户将质心重定位到用户)。然后通过计算最小质心差或再次应用k均值来再次对用户进行分类布谷鸟搜索算法可以使用以下三个理想化规则来描述[16(a) 每只布谷鸟每次产一个蛋,然后把蛋扔到随机选择的巢里。(b) 最好的巢与高质量的蛋将携带到后代。(c) 现有宿主巢的数量是固定的,杜鹃所产的蛋被宿主的出生以概率pa [0,1]暴露对于框架,我们考虑了一个相关性,其中用户被视为鸡蛋。每个巢都可以看作是一个簇。图2示出了显示如何应用布谷鸟搜索算法的逐步过程的流程图。该过程从初始化开始,其中引入n个主机巢的随机种群,并且获得Levy Flights行为方程,然后使用用于获得最优解的适应度函数来获得适应度。Levy flights是一种随机游走,其中步长根据Levy分布分布。步长和Levy稳定分布可以借助于Laplace和Fourier变换来计算。在布谷鸟优化算法中实现了该算法其中0a 2,x是随机变量,N是步长。布谷鸟旅行的距离可以使用上述方程计算每次迭代。为了我们选择一个随机的巢,假设j然后将布谷鸟蛋的适应度(传入的新解)与巢中存在的宿主蛋的适应度进行比较。如果布谷鸟蛋的适应度函数的值小于或等于随机选择的巢的适应度函数的值,则随机选择的巢j被替换为如等式(1)中给出的新分辨率(一).健身功能¼当前最佳解决方案-以前的最佳解决方案随着适应度函数的值趋于零,解之间的偏差随着迭代次数的增加而减小,并且决策是,如果杜鹃蛋与正常蛋相似,则宿主鸟难以区分蛋。适合度是解的差异,并且如果布谷鸟蛋的适合度大于随机选择的巢,则宿主鸟可以区分宿主和布谷鸟蛋。总的来说,我们的方法包括一个先进的k-means聚类技术优化的生物启发算法,布谷鸟搜索。 图 3包含所提出的框架的伪代码。在布谷鸟优化算法中,用于根据兴趣相似性对用户进行分类的聚类类似于宿主鸟巢,每个蛋类似于最初分类的用户被认为是宿主鸟蛋。选择一些随机用户来初始化集群(嵌套)。聚类被初始化,并且如算法中所示,实现k-均值来对初始选择的用户进行未被选中的用户是随机选择的。对于每个随机选择的用户,随机选择一个聚类根据为该用户计算的适应度函数,蛋(用户)可以被宿主鸟检测到,或者它可以保留在巢中。一旦布谷鸟蛋孵化,它会试图随机地把其他的蛋扔到巢外。如果布谷鸟蛋的适应度比已经存在于集群中的用户数量的预定义百分比更好,则在算法图4示出了应用于Movielens数据集的上述方法。通过读取文件记录Movielens数据集,并使用k均值聚类将数据集划分为k个聚类,以便每个聚类具有质心。计算用户和质心之间的距离,并将用户放置在质心距离他最小的簇中。当所有这些用户都被重新定位时,质心被重新定位并计算新的位置最后,计算用户可能给出的评价,并使用布谷鸟搜索算法对框架进行优化。我们已经计算了各种评价指标来预测推荐系统的准确性,如:平均绝对误差,标准偏差,均方根误差和t值,这是令人满意的比较不同的推荐系统与框架。4. 实验结果与分析我们研究了公共Movielens数据集以进行实验,该实验可在线访问,具有943个用户或参与者对1682部电影的100,000个评级,等级为1-5。如前所述,我们提出了一个k-means和cuckoo搜索算法的混合框架来实现一个改进的电影推荐系统。将上一节中提到的框架应用 于 Movielens 数 据 集 , 其 中 数 据 从 u1-u 5 和 Ua-Ub 考 虑 。Movielens数据集分为不同的文件。将数据集分为80%的训练数据和20%的测试数据,以验证结果。电影分为19种类型,即动作,动画,恐怖,喜剧等,这也是在'u.item'文件中提到的有关用户的信息存在于“u.user”文件中。为了检查推荐系统框架的性能,计算了各种度量,包括MAE,SD,均方根误差(RMSE)和t值。 结果已经显示在表格和图表中,以提供对各种参数和集群数量之间关系的增强理解,这有助于我们研究我们的方法的性能。下面给出推荐系统框架的详细分析1. 将K个点放置到被集群的用户专用的空间中。这些点表示初始质心集。2. 将每个用户分配到具有最近质心的组(群集)3. 当所有用户都被分配后,重新计算每个簇的K个质心的位置4. 重复第二步和第三步,直到质心不再移动。这将用户分成一个组(集群),从中可以计算要最小化的度量。Fig. 1. K-means算法108R. Katarya,O.P.Verma/ Egyptian Informatics Journal 18(2017)105开始介绍一个随机n寄主种群,Xi通过征税行为随机获得一只布谷鸟,在宿主巢中随机选择一个巢,j并计算其适应度Fj计算它的适应度函数Fi菲·菲用新的解决方案设j为解保持当前的最佳嵌套通过在新的地点建造新的巢穴来离开最差巢穴的Pa部分j j j- J没T MI是停找到最好的巢穴是图二. 布谷鸟搜索算法应用过程的流程图。4.1. 平均绝对误差(MAE)其中M是预期电影的总数,Pij表示用户i在项目j上的预测值,并且rij是真实评级。计算Movielens数据集的平均绝对误差。MAE/AEð3ÞMAE¼P.Pei;j-Mri;j.ð2Þnω me if iyi,其中fi是预测值,yi是真值。R. Katarya,O.P.Verma/ Egyptian Informatics Journal 18(2017)1051094i <$1 j <$1 l <$1m参数k=集群数量,n=用户数量,m=电影数量,itr=迭代次数,remaining_pool[n]= bool值,remaining_pool[i]表示第i个用户是否被分配到任何集群;no_of_elements_in_clus[i]-群集i中存在的用户数no_of_users_in_remaining_pool=没有分配给任何群集的1. 开始2. 随机选择一些用户3. 用剩下4. 初始化嵌套(集群)5. 对于先前选择的min_diff=INT_MAX中的每个用户i,对于每个群集jdiff =用户和集群之间的欧几里德距离min_diff=diffmin_index=j将群集min_index分配给i6. 当ITR>0时对于每个群集i对于每一部我被j对于属于i的计算每部电影7. 对于每个用户,对于每个聚类j计算diff(i,j)将用户分配到具有最小差异的更新分配集群Itr--8. 从remaining_pool中的每个用户中随机选择一个用户,随机选择一个群集j计算用户在该集群如果fitness(i,j)>no_of_elements_in_clus(j)* 包含因子,则以概率p以概率(1-p)将用户添加到该组,而不替换no_of_users_in_remaining_pool--;9. 计算每个用户对每个用户的预测评级10. 将评级与实际评级进行11. 计算效率比较的要素图三. kmeans的伪代码-布谷鸟搜索框架。针对不同的k值(簇数)计算了MAE,结果如表1所示。发现MAE值随着我们的增加SD¼XK . X编号:i中的元素。Xmqexpectl-meanKnl2数量:i中的元素集群的数量从4到68。当聚类数为4时,MAE为0.825169,当簇数增加64时,MAE下降到15%因此,我们可以说,MAE随着集群数量的增加而对这种行为的可能描述是,当我们增加聚类时,进入聚类的对象之间的接近度增加。接近的元素保持在同一个簇中,预测变得越来越准确。随着集群数量的增加,每个用户得到更多的选择来分配给集群,并且由于用户数量是固定的,因此随着集群数量的增加,每个集群可以得到更少的分配给它的用户数量用户与分配给它的聚类的接近度随着聚类数量的增加而增加因此,计算值和实际值之间的差异减小,从而减小平均绝对误差。4.2. 标准差(SD)获得Movielens数据集的标准差。在表2中,随着聚类数的增加,标准偏差也会降低。在k = 4时,标准偏差的值为0.235333,当簇的数量增加64时,标准偏差的值大约减半。当标准差随着聚类从28增加到32而增加时,这种行为归因于Movielens数据集的非均匀性随着集群数量的增加,每个用户都有更多的选择被分配到一个集群。由于用户数量是固定的,因此随着集群数量的增加,每个集群可以得到分配给它的用户数量较少4.3. 均方根误差均方根误差(RMSE)是一种常用的测量方法,用于测量模型预测值与从建模环境中观察到的值之间的偏差计算值和观测值之间的差值为平方110R. Katarya,O.P.Verma/ Egyptian Informatics Journal 18(2017)105数据集开始M1M2M3M4M5MnU1124145U2415233U3544112联合132545S. 号聚类数(k)平均绝对误差140.825169280.8066303100.7953714120.7904615160.7814656200.7762067280.7680388320.7613069360.75450710400.74467711440.73892112480.73292713520.72621214560.71677815600.71240016640.68422417680.697293表1MAE用于4和68之间的不同k值(簇数)表2Movielens数据集与标准差和聚类数。S. 号聚类数(k)标准偏差140.235333280.2114603100.1840734120.1842895160.1509966200.1266887280.1210208320.1279009360.12631910400.13340111440.12735512480.13008313520.11902414560.12166315600.11284716640.10944717680.119283表3Movielens数据集的RMSE与聚类数。S. 号聚类数(k)RMSE141.30652281.297503101.293944121.288995161.285226201.280707281.276938321.271109361.2665010401.2580211441.2534512481.2515013521.2457614561.2416215601.2392116641.2363917681.23104见图4。 电影推荐系统框架。然后求和n次。n除以结果,然后提高到幂的一半。模型预测对估计变量X模型的RMSE其中Xobs具有检测值,Xmodel是时间i处的建模值。测试用例中每个元素的RMSE我的天ffiffiXffiffiffiffiffiffiffiðffiffipffiffiffirffiffieffiffidffiffiffiiffifficffiffitffiffieffiffidffiffiffiffirffiffiaffiffitffiffiiffiffinffiffiffigffiffiffi-ffiffiffiffiaffifficffiffiffitffiuffiffiffiaffiffiffilffiffirffiffiaffiffiffitffiiffiffinffiffiffigffiffiÞffiffiðffiffipffiffiffirffiffieffiffidffiffiffiifficffiffitffiffieffiffidffiffiffiffirffiaffiffiffitffiffiiffinffiffiffigffiffiffi-ffiffiffiffiaffiffifficffiffitffiffiuffiffiaffiffiffilffiffirffiffiaffiffiffitffiiffiffinffiffigffiffiffiÞffiffi=nÞð5Þ在表3中,可以观察到RMSE的值随着聚类数的增加而逐渐减小。在k = 4时,RMSE的值为1.3062,其减小约6%。观察到这样的行为是因为增加集群的数量增加了用户和分配给他们的集群之间K-Means聚类算法最近聚类选择计算估计额定值对用户进行重新分类,进行多次迭代布谷鸟搜索停Top-N列表建议R. Katarya,O.P.Verma/ Egyptian Informatics Journal 18(2017)105111@qSD2iSD2jA6表4Movielens数据集的具有多个聚类的t值S. 号聚类数(k)t值表5[1]。在64个聚类上评估所有方法:在PCA-SOM中,平均值为0.98。主成分分析(PCA)是一种将相关变量转换为12484.125833.99549转化成一个更小数量的不相关变量,称为本金件. 自组织映射(SOM)定义了一个映射3103.36057从高维输入空间到低维输入空间地图空间SOM聚类的平均值为0.75。UPCC的平均值为0.81。Kmeans-聚类方法具有平均16 642.8169317 682.81693观察到K-means-cuckoo框架的误差最小,与其他方法相比。在这里,使用了一些集群,表5是64的每一个方法,是在英特尔i5处理器计算机与4 GB RAM的评估因此,目前的框架可表5不同方法评价指标的比较方法是说标准偏差PCA-SOM0.980.07SOM-CLUSTER0.750.06UPCC0.810.11KMEANS-聚类0.690.10PCA-KMEANS0.930.12GAKM-集群0.760.05PCA-GAKM0.980.17K-means-cuckoo(建议)0.680.104.4. t值电影推荐系统的t值如下获得XK XK0BXi-Xj1C联系我们þ用于在向用户推荐电影时提供更好的性能与其他方法相比,t值和RMSE值显著较低,从而证明k均值和cuckoo搜索算法的混合算法与Movielens数据集上的其他方法相比具有更好的性能和准确性[1]。表6显示了通过不同方法获得的平均绝对误差值以及不同的k值(聚类数),表7显示了各种方法的完成时间。5. 结论和今后的工作本文将k-means和cuckoo搜索相结合,应用于Movielens数据集,实现了一个改进的电影检索系统。我们测量了我们的方法在MAE,RMSE,SD和t值方面的性能。在Movielens数据集上的实验结果表明,我们讨论的方法在准确性方面提供了高性能,并且能够提供可靠和个性化的电影记录。具有特定数量的集群的注释系统评估指标(对于给定数量的群集)起源于阿基诺:of 元素中的元素 编号:of j中的元素低于其他方法。我们的一些局限性亲-t值取决于不同聚类的平均值及其标准差,如表4所示。对这些因素的数值变化进行了解释。由于同样的原因,t值下降。然而,在固定数量的簇之后,观察到它或多或少是恒定的。文中给出了与现有方法比较的实验结果。提出的方法是,如果初始划分不出现为了工作得好,效率可能会降低。供今后工作使用可以使用各种其它自然启发的算法来代替布谷鸟搜索算法。最有前途的方法是其中用于聚类和优化的算法提供关于准确性和速度的最佳呈现的方法。表6对于不同的k值(聚类数),不同方法的MAE值集群数量(k)平均绝对误差(MAE)PCA-GAKMPCA-SOMSOM-CLUSTERUPCCKMEANS-聚类主成分分析-K均值GAKM-集群K-MEANS CUCKOO80.941.30.780.820.800.920.850.80160.941.10.800.820.770.920.850.78320.940.980.780.800.750.940.860.76640.980.980.750.810.690.930.760.68表7比较Movielens数据集的不同方法的速度。方法PCA-GAKMPCA-SOMSOM-CLUSTERUPCCk-means-Cluster主成分分析-K均值GAKM集群K-Means杜鹃速度(秒)29.32147.7386.92179.3421.2565.56325.7163.22T值¼4123.393195163.393196202.814897282.791380.69。PCA与K-means组合作为PCA-K-Means具有8322.79138平均值为0.93。遗传算法(GA)是一种自适应的遗传算法。9362.81693基于自然进化概念的tic搜索程序1011124044482.816932.816932.81693选择和遗传GAKM-聚类组合的平均值为0.76,类似地PCA-GA-KM的平均值为0.98。13522.81693然而,K-means-cuckoo提供了最好的平均值为0.68,当com-14562.81693对其他方法。15602.81693如表5所示,观察到平均绝对值112R. Katarya,O.P.Verma/ Egyptian Informatics Journal 18(2017)105引用[1] 王志,余X,冯N,王志.一种改进的基于计算智能的协同电影推荐系统。J VisLangComput 2014;25:667-75.[2] 杨文,王文,等.基于粒子群优化的协同推荐系统.北京:计算机科学出版社,2000,24(1):119 - 119. Multimed Tools Appl 2016;75:1-15.[3] 陆 军 , 吴 丹 , 毛 明 , 王 伟 , 张 刚 . 推 荐 系 统 应 用 发 展 综 述 。 Decis SupportSyst2015;74:12-32.[4] Bobadilla J,Ortega F,Hernando a,Gutiérrez a.推荐系统调查。基于知识的系统2013;46:109-32。[5] 陈玲,陈刚,王芳.基于用户评论的推荐系统:最新技术水平。用户模型。User-Adapt Interact2015;25:99-154.[6] Konstan Ja,Riedl J.推荐系统:从算法到用户体验。用户模型。 User-AdaptInteract 2012;22:101-23.[7] Katarya R,Verma OP. Recent developments in affective recommender systems.Phys A Stat Mech Appl 2016;461:182[8] Isinkaye FO,Folajimi YO,Ojokoh Ba.推荐系统:原则、方法与评价。埃及通知J2015.[9] Su X,Khoshgoftaar TM.协同过滤技术综述Adv Artif Intell 2009;2009:1, [2013年5月21日访问]。[10] 放大图片作者:Shi YUE,Larson M,Hanjalic A.超越用户项目矩阵的协同过滤:对最新技术和未来挑战的调查。ACM ComputSurv 2014;47:1-45.[11] Fahad a,Alshatri N,Tari Z,Alamri a,Khalil I,Zomaya a,et al. A surveyofclustering algorithms for big data : taxonomy& empirical analysis. IEEETransEmerg Top Comput 2014;2.一比一[12] 哈提甘·贾,王妈。K-means聚类算法J R Stat Soc1979;28:100-8.[13] Jain aK,Murty MN,Flynn PJ.数据聚类:综述。ACM Comput Surv1999;31:264-323.[14] Mukhopadhyay A,Maulik U,Bandyopadhyay S.多目标进化聚类研究综述。47.第47章大结局[15] Kanungo T,Mount DM,Netanyahu NS,Piatko CD,Silverman R,Wu aY.一种有效的k-means聚类算法的分析与实现。IEEETransPattern Anal Mach Intell2002;24:881-92.[16] 杨XS,Deb S. 多目标布谷鸟搜索设计优化。 ComputOper Res 2013;40:1616-24.[17] Walton S,Hassan O,Morgan K,Brown MR. Modified cuckoo search:anewgradientfreeoptimizationalgorithm.Chaos , SolitonsFractals2011;44:710-8.[18] 作者:Yang X-S,Deb S.布谷鸟通过levy航班搜索,;2010.[19] 作者:Yang X-S,Deb S.布谷鸟搜寻:最新进展与应用。神经计算应用2014;24:169-74.[20] 作 者 : Yang X-S , Deb S. 布 谷 鸟 搜 索 通 过 利 维 航 班 。 Chaos , SolitonsFractals2013;44:1561-6.[21] Gandomi AH,Yang X-S,Alavi AH.布谷鸟搜索算法:一种求解结构优化问题的元启发式方法。Eng Comput2013;29:17-35.[22] HatamiM,Pashazadeh S. 利用布谷鸟最佳化演算法改善协同过滤推荐系统之结果与效能。 Int J Comput Appl 2014;88:46-51.[23] Lops P , De Gemmis M , Semeraro G. 基 于 内 容 的 推 荐 系 统 : 现 状 与 趋 势 。RecommSystHandb2011:1-33..[24] PazzaniMJ,Billsus D. 基 于 内容的推荐系统2007:325-41.[25] 黄志,曾栋,陈宏.电子商务协同过滤算法比较。IEEE Intell Syst2007;22:68-78.[26] Ekstrand MD 协同过滤推荐系统。 发现趋势®Human-Comput Interact 2010;4:81[27] Adomavicius G,Tuzhilin A.走向下一代推荐系统:最先进的和可能的扩展的调查。Adapt Web2005;69:253-60.[28] 伯 克 河 混 合 网 络 推 荐 系 统 。 AdaptWeb2007 : 377-408.doi :http://dx.doi.org/10.1007/978-3-540-72079-9_12网站。[29] KimBM. 混合推荐系统的聚类方法In:Proc IEEE/WIC Int Conf Web Intell(WI 2003). p.33比8[30] Krzywicki a,Wobcke W,Kim YS,Cai X,Bain M,Mahidadia a,et al. 基于协同过滤的人对人推荐在线约会:数据分析和用户试验。 Int J Comput Stud2015;76:50-66.[31] Xu Y,Yin J.与用户生成内容的协作推荐。 Eng Appl Artif Intell 2015;45:281-94.doi:http://dx.doi.org/10.1016/j网站。 engappai.2015.07.012。[32] Adomavicius G,Tuzhilin a.走向下一代推荐系统:最先进的和可能的扩展的调查。IEEE跨知识数据工程2005;17:734-49.[33] [10] 张 玉 春 , 张 志 康 , 周 涛 , 吕 丽 , 梅 多 梅 , 杨 春 春 . 第 97 章 . ,[2014年8月[34] Sarwar B,Karypis G,Konstan J,Riedl J.基于项目的协同过滤推荐算法。第10 届 万 维 网 国 际 会 议 论 文 集 ACM; 2001 年 。 第 285- 295 页 。 doi :http://dx.doi.org/10.1145/371920.372071。[35] 张荣,包华,孙华,王英,刘翔. 基于排序性能优化的推荐系统。 Front Comput SciChina 2015;1-11.[36] Nilashi M,Jannach D,Bin Ibrahim O,Ithnin N.基于聚类和回归的增量更新多准则协同过滤。Inf Sci(Ny)2014;293:235-50.[37] 郭G,张J,Yorke-Smith N.利用信任度和相似度的多视图增强基于聚类的推荐系统。基于知识的系统2014.[38] Thong NT,Son LH. HIFCF:一个有效的图像模糊聚类和直觉模糊推荐系统的混合模型,用于医疗诊断。专家系统应用2015;42:3682-701。[39] Kohrs A,Merialdo B.协同过滤应用程序的聚类计算机输入模型控制自动化。IOS Press; 1999., .[40] 薛国荣,林春,杨强,Xi W,曾宏杰,于勇,等。基于聚类平滑的可扩展协同过滤。2005:114 .第114章:我是你的女人[41] GeorgiouO,Tsapatsoulis N. 利用遗传算法聚类提高推荐系统的可扩展性。 Lect NotesComput Sci 2010;6352:442-9.[42] Z. Lu,H.沈,一个安全保证的准确性最大化隐私保护协同过滤推荐算法,(2015)1-9。http://arxiv. org/abs/1506.0001。[43] Borràs J,Moreno A,Valls A. 智能旅游推荐系统研究综述。Expert Syst Appl2014.[44] SoaresM , VianaP.Tuningmetadataforbettermoviecontent-basedrecommendation systems. Multimed Tools Appl2014:1-22.[45] Borràs J , Moreno A , Valls A. 智 能 旅 游 推 荐 系 统 研 究 综 述 。 专 家 系 统 应 用2014;41:7370-89。[46] 艾哈迈德混合数值型与分类型资料之k-均值分群演算法。Data K
下载后可阅读完整内容,剩余1页未读,立即下载
cpongm
- 粉丝: 4
- 资源: 2万+
上传资源 快速赚钱
- 我的内容管理 收起
- 我的资源 快来上传第一个资源
- 我的收益 登录查看自己的收益
- 我的积分 登录查看自己的积分
- 我的C币 登录后查看C币余额
- 我的收藏
- 我的下载
- 下载帮助
会员权益专享
最新资源
- 京瓷TASKalfa系列维修手册:安全与操作指南
- 小波变换在视频压缩中的应用
- Microsoft OfficeXP详解:WordXP、ExcelXP和PowerPointXP
- 雀巢在线媒介投放策划:门户网站与广告效果分析
- 用友NC-V56供应链功能升级详解(84页)
- 计算机病毒与防御策略探索
- 企业网NAT技术实践:2022年部署互联网出口策略
- 软件测试面试必备:概念、原则与常见问题解析
- 2022年Windows IIS服务器内外网配置详解与Serv-U FTP服务器安装
- 中国联通:企业级ICT转型与创新实践
- C#图形图像编程深入解析:GDI+与多媒体应用
- Xilinx AXI Interconnect v2.1用户指南
- DIY编程电缆全攻略:接口类型与自制指南
- 电脑维护与硬盘数据恢复指南
- 计算机网络技术专业剖析:人才培养与改革
- 量化多因子指数增强策略:微观视角的实证分析
资源上传下载、课程学习等过程中有任何疑问或建议,欢迎提出宝贵意见哦~我们会及时处理!
点击此处反馈
安全验证
文档复制为VIP权益,开通VIP直接复制
信息提交成功