本文關(guān)鍵詞： 電子商務(wù) 協(xié)同過濾 條件型游走 二部圖 稀疏性　出處：《計算機應(yīng)用研究》2017年12期 　論文類型：期刊論文

【摘要】：針對擁有少量評分的新用戶采用傳統(tǒng)方法很難找到目標(biāo)用戶的最近鄰居集的問題,提出了一種條件型游走二部圖協(xié)同過濾算法。首先根據(jù)復(fù)雜網(wǎng)絡(luò)理論的二部圖網(wǎng)絡(luò),將用戶—項目評分矩陣轉(zhuǎn)換為用戶—項目二部圖,采用條件型游走計算目標(biāo)用戶與其他用戶之間的相似性;然后根據(jù)協(xié)同過濾算法預(yù)測未評分項目,產(chǎn)生推薦。研究結(jié)果表明,在同樣的數(shù)據(jù)稀疏性情況下,基于條件型游走二部圖協(xié)同過濾算法在MAE和準(zhǔn)確率都要優(yōu)于其他兩種傳統(tǒng)的協(xié)同過濾算法,從而提高了算法的推薦精度;而且當(dāng)訓(xùn)練值的比例很低時,即數(shù)據(jù)稀疏程度越大時,算法推薦質(zhì)量的提高程度越大。
[Abstract]:It is difficult to find the nearest neighbor set of target users by traditional methods for new users with small scores. A conditional walking bipartite graph collaborative filtering algorithm is proposed. Firstly, according to the bipartite graph network of complex network theory, the user-item scoring matrix is transformed into the user-item bipartite graph. The similarity between the target user and other users is calculated by conditional walk. Then the ungraded items are predicted according to the collaborative filtering algorithm and the recommendations are generated. The results show that the same data sparsity is the case. The collaborative filtering algorithm based on conditional walking bipartite graph is superior to the other two traditional collaborative filtering algorithms in MAE and accuracy, so the recommendation accuracy of the algorithm is improved. Moreover, when the ratio of training value is very low, that is, the more sparse the data, the greater the improvement of the algorithm recommendation quality.
【作者單位】： 上海財經(jīng)大學(xué)數(shù)學(xué)學(xué)院;上海財經(jīng)大學(xué)信息管理與工程學(xué)院;上海財經(jīng)大學(xué)實驗中心;
【分類號】：TP391.3
【正文快照】： 0引言近年來,推薦系統(tǒng)技術(shù)中應(yīng)用了很多有關(guān)復(fù)雜網(wǎng)絡(luò)的二部圖,獲得了諸多豐富的科研成果。例如資源分配和熱傳導(dǎo)這兩種算法,兩者主要運用了二部圖網(wǎng)絡(luò)對推薦系統(tǒng)進行詮釋,提高了算法的工作效率,解決了數(shù)據(jù)稀疏性等傳統(tǒng)難題,對提升推薦系統(tǒng)的性能起到了至關(guān)重要的作用[1~3]。在

【相似文獻】

相關(guān)期刊論文 前10條

1 唐敏;關(guān)健;鄧國強;王海剛;;一種求解二部圖最大匹配問題新算法及其應(yīng)用[J];計算機系統(tǒng)應(yīng)用;2012年03期

2 吳堯;應(yīng)用神經(jīng)網(wǎng)絡(luò)判別二部圖的方法[J];上海機械學(xué)院學(xué)報;1992年01期

3 徐鳳生;二部圖所有極大匹配的求解算法[J];福建電腦;2005年08期

4 李晶;王世英;;求二部圖的最大匹配圖的一種算法[J];電子學(xué)報;2010年01期

5 寧宣熙;對張淮中同志的答復(fù)[J];南京航空航天大學(xué)學(xué)報;1990年03期

6 王青松;;新的二部圖判定算法[J];計算機應(yīng)用;2009年S1期

7 王立波;二部圖及匹配算法的描述[J];杭州電子工業(yè)學(xué)院學(xué)報;2002年03期

8 俞經(jīng)善,趙偉東;求二部圖最大匹配的一種算法[J];信息技術(shù);2000年01期

9 任輝;周曉光;申晉;;基于二部圖法的Web知識社群挖掘[J];現(xiàn)代圖書情報技術(shù);2007年04期

10 李洪波;翟金剛;;二部圖最大匹配的快速動態(tài)優(yōu)化算法[J];魯東大學(xué)學(xué)報(自然科學(xué)版);2006年03期

相關(guān)會議論文 前2條

1 吳宏林;劉紹明;;基于二部圖最大匹配的漢日詞對齊[A];內(nèi)容計算的研究與應(yīng)用前沿——第九屆全國計算語言學(xué)學(xué)術(shù)會議論文集[C];2007年

2 趙勇;高鳳榮;邢春曉;;基于用戶權(quán)威的協(xié)作過濾算法[A];第二十三屆中國數(shù)據(jù)庫學(xué)術(shù)會議論文集（技術(shù)報告篇）[C];2006年

相關(guān)碩士學(xué)位論文 前10條

1 王雅靜;基于二部圖網(wǎng)絡(luò)的協(xié)同過濾推薦算法研究[D];燕山大學(xué);2015年

2 李熠;引入信任的二部圖電子商務(wù)個性化推薦算法改進研究[D];電子科技大學(xué);2015年

3 孫曉萌;基于社團劃分和加權(quán)二部圖網(wǎng)絡(luò)的個性化推薦算法研究[D];河北工業(yè)大學(xué);2015年

4 李鎮(zhèn)東;基于二部圖網(wǎng)絡(luò)結(jié)構(gòu)的個性化推薦系統(tǒng)研究[D];南京信息工程大學(xué);2016年

5 蔡小雨;基于群體檢測技術(shù)的推薦系統(tǒng)研究[D];南京郵電大學(xué);2016年

6 柳俊;面向微博平臺的事件關(guān)聯(lián)分析方法研究與實現(xiàn)[D];國防科學(xué)技術(shù)大學(xué);2014年

7 侯婷婷;基于二部圖投影的虛假評論人群組檢測算法研究[D];沈陽理工大學(xué);2016年

8 琚誠誠;基于均線關(guān)系與數(shù)據(jù)挖據(jù)的A股市場態(tài)勢分析[D];華中科技大學(xué);2015年

9 黃豆豆;基于二部圖網(wǎng)絡(luò)結(jié)構(gòu)并融合上下文感知信息的推薦系統(tǒng)研究與實現(xiàn)[D];中北大學(xué);2017年

10 朱高茲;基于協(xié)同過濾和加權(quán)二部圖的推薦算法研究[D];吉林大學(xué);2017年

，

本文編號：1461422