基于高維顯性特征的矩陣分解推薦.pdf_第1頁
已閱讀1頁，還剩56頁未讀， 繼續(xù)免費閱讀

下載本文檔

版權說明：本文檔由用戶提供并上傳，收益歸屬內(nèi)容提供方，若內(nèi)容存在侵權，請進行舉報或認領

文檔簡介

1、隱含特征模型是協(xié)同過濾推薦算法中的重要部分。由于它只需利用用戶-條目的打分信息就能達到非常好的預測效果而廣為使用。通過特征分解，算法從簡單的評分矩陣獲得用戶與條目的特征向量。特征向量包含用戶和條目的隱含屬性，能夠對未知的缺失值進行預測。由于該過程是將一個高維二維矩陣分解得到兩個低維特征矩陣，因此這種推薦算法也稱為矩陣分解推薦。矩陣分解推薦需要的信息類型比較單一，只需要用戶-條目的稀疏矩陣，因此適合特征比較少的情況。然而，矩陣分解整個特征

2、化的過程完全是隱含的，用戶或條目特征向量的哪個維度具體代表哪個特征是完全不得而知的。因此，一些已觀測到的顯性特征很難加入到模型中。
　　基于矩陣分解模型，在本文中我們提出了一個能夠將已觀測的顯性特征整合到模型中的算法。該算法通過升維的方式整合顯性特征，從而提高了預測準確性。本文的主要貢獻如下:(1)能夠捕捉到用戶對具有某些特征的條目偏好信息，根據(jù)偏好信息對用戶的特征向量做調(diào)整。(2)模型也適用于條目特征值具有多值的情況。(3)基本

溫馨提示

  • 1. 本站所有資源如無特殊說明，都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
  • 2. 本站的文檔不包含任何第三方提供的附件圖紙等，如果需要附件，請聯(lián)系上傳者。文件的所有權益歸上傳用戶所有。
  • 3. 本站RAR壓縮包中若帶圖紙，網(wǎng)頁內(nèi)容里面會有圖紙預覽，若沒有圖紙預覽就沒有圖紙。
  • 4. 未經(jīng)權益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
  • 5. 眾賞文庫僅提供信息存儲空間，僅對用戶上傳內(nèi)容的表現(xiàn)方式做保護處理，對用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯，并不能對任何下載內(nèi)容負責。
  • 6. 下載文件中如有侵權或不適當內(nèi)容，請與我們聯(lián)系，我們立即糾正。
  • 7. 本站不保證下載資源的準確性、安全性和完整性, 同時也不承擔用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。

評論

0/150

提交評論