傳統(tǒng)移動終端大數(shù)據(jù)推薦算法無法獲取數(shù)據(jù)項目類間與類內(nèi)分布信息熵，樣本標(biāo)記出現(xiàn)偏差，導(dǎo)致推薦精度偏低，用戶滿意度偏低。提出移動終端大數(shù)據(jù)半監(jiān)督推薦算法。結(jié)合項目評分矩陣和屬性矩陣，運算用戶偏好權(quán)值，引入信息熵概念，獲取項目屬性類間與類內(nèi)分布信息熵。構(gòu)建用戶偏好模型，確定聚類目標(biāo)函數(shù)。利用人工蜂群半監(jiān)督算法，通過標(biāo)記與未標(biāo)記樣本，優(yōu)化目標(biāo)函數(shù)；選取最佳聚類中心，使用余弦法計算具有相同偏好用戶間的相似度，確定近鄰數(shù)量。采用加權(quán)平均值實現(xiàn)用戶對所有項目評分，并按從高到低的順序?qū)υu分結(jié)果排序，將得分靠前的項目推薦給用戶。仿真結(jié)果證明，上述方法下大數(shù)據(jù)聚類結(jié)果精確，可避免陷入局部最優(yōu)，且大數(shù)據(jù)推薦誤差低，提高了用戶滿意度。

【文章頁數(shù)】：5 頁

【文章目錄】：
1 引言
2 用戶喜好模型構(gòu)建
3 基于半監(jiān)督推薦的移動終端大數(shù)據(jù)推薦
    3.1 半監(jiān)督人工蜂群用戶聚類
        1)聚類數(shù)學(xué)模型
        2)目標(biāo)函數(shù)優(yōu)化
    3.2 推薦實現(xiàn)
        1)用戶相似度計算與近鄰數(shù)量獲取
        2)評分預(yù)測
        3)推薦結(jié)果生成
4 仿真數(shù)據(jù)分析與研究
5 結(jié)論



本文編號：3951188