大數(shù)據(jù)推薦系統(tǒng)的搜索空間較大導(dǎo)致推薦的響應(yīng)時間過長。為權(quán)衡大數(shù)據(jù)推薦系統(tǒng)的時間效率和推薦性能,提出一種基于重引力搜索鏈接預(yù)測和評分傳播的大數(shù)據(jù)推薦系統(tǒng)。采用相對相似性指數(shù)度量用戶的相似性,采用廣義Meta Path模型建立相似圖;引入社區(qū)信息來提高局部鏈接預(yù)測的準(zhǔn)確率,從強(qiáng)社區(qū)提取優(yōu)化的子圖來實(shí)現(xiàn)局部鏈接的預(yù)測,通過重引力搜索對子圖做優(yōu)化處理,從而縮小搜索空間;設(shè)計基于傳染病模型的網(wǎng)絡(luò)傳播策略,根據(jù)已有的模式探索隱藏的模式。基于公開數(shù)據(jù)集的實(shí)驗(yàn)結(jié)果表明,該算法有效地提高了推薦系統(tǒng)的準(zhǔn)確率和覆蓋率,并且響應(yīng)時間在可接受的范圍內(nèi)。

【文章頁數(shù)】：9 頁

【部分圖文】：

圖10 RC的實(shí)驗(yàn)結(jié)果

圖10RC的實(shí)驗(yàn)結(jié)果5.4與其他推薦系統(tǒng)的比較

圖1 推薦系統(tǒng)的主要模塊

圖1所示是推薦系統(tǒng)的主要模塊。本算法主要由3個階段組成:第一階段:計算用戶之間的相似性,該階段結(jié)合RSI和MetaPath來增強(qiáng)用戶間的相似性計算。第二階段:應(yīng)用鏈接預(yù)測算法發(fā)現(xiàn)隱藏的網(wǎng)絡(luò)鏈接,該階段設(shè)計了基于重引力搜索的鏈接預(yù)測算法,發(fā)現(xiàn)隱藏的用戶鏈接來緩解稀疏性問題。第三階....

圖2 一個U-I網(wǎng)絡(luò)的實(shí)例

構(gòu)建一個廣義的用戶-項目網(wǎng)絡(luò)(User-Item,U-I),網(wǎng)絡(luò)的節(jié)點(diǎn)為用戶和項目,邊為加權(quán)的鏈接,表示用戶對于各個項目的評分。圖2所示是一個網(wǎng)絡(luò)的實(shí)例,圖中U表示用戶,I表示項目,網(wǎng)絡(luò)由4個用戶和6個項目組成,鏈接為用戶對于項目的評分。異構(gòu)網(wǎng)絡(luò)中存在不同類型的節(jié)點(diǎn)和鏈接,采用廣....

圖3 評分分級的示意圖

采用“用戶-項目-用戶”的Meta-Path,簡稱為simUIU。simUIU計算加權(quán)Meta-Path的相似性,假設(shè)評分范圍為{1,2,3,4,5},將評分信息分為三個級別:低:{1,2},中:{3,4};高:{5}。圖3是評分分級的示意圖,將Meta-Path細(xì)分為三個加權(quán)的....

本文編號：4031458