融合多因素的专家组评分协同过滤推荐算法 collaborative filtering recommendation algorithm based on multifactor expert group scoring.pdfVIP

下载本文档

11
0
约2.44万字
约 6页
2017-10-14 发布于上海
举报
版权申诉

融合多因素的专家组评分协同过滤推荐算法 collaborative filtering recommendation algorithm based on multifactor expert group scoring.pdf

1、原创力文档（book118）网站文档一经付费（服务费），不意味着购买了该文档的版权，仅供个人/单位学习、研究之用，不得用于商业用途，未经授权，严禁复制、发行、汇编、翻译或者网络传播等，侵权必究。。
2、本站所有内容均由合作方或网友上传，本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺！文档内容仅供研究参考，付费前请自行鉴别。如您付费，意味着您自己接受本站规则且自行承担风险，本站不退款、不进行额外附加服务；查看《如何避免下载的几个坑》。如果您已付费下载过本站文档，您可以点击这里二次下载。
3、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等，请点击“版权申诉”（推荐），也可以打举报电话：400-050-0827(电话支持时间：9:00-18:30)。
4、该文档为VIP文档，如果想要下载，成为VIP会员后，下载免费。
5、成为VIP后，下载本文档将扣除1次下载权益。下载后，不支持退款、换文档。如有疑问请联系我们。
6、成为VIP后，您将拥有八大权益，权益包括：VIP文档下载权益、阅读免打扰、文档格式转换、高级专利检索、专属身份标志、高级客服、多端互通、版权登记。
7、VIP文档为合作方或网友上传，每下载1次，网站将根据用户上传文档的质量评分、类型等，对文档贡献者给予高额补贴、流量扶持。如果你也想贡献VIP文档。上传文档

融合多因素的专家组评分协同过滤推荐算法 collaborative filtering recommendation algorithm based on multifactor expert group scoring

计算机与现代化　 2015年第7期 JISUANJI YU XIANDAIHUA 总第239期文章编号:1006-2475(2015)07-0025-06 融合多因素的专家组评分协同过滤推荐算法赖锦辉 (广东石油化工学院实验教学部计算机中心,广东茂名 525000) 摘要:针对传统协同过滤推荐算法的不足,提出一种新的推荐算法,该算法重新诠释专家与用户的关系。首先,结合全局专业指数和局部活跃指数定义专家的条件,再选取合适的比例组成专家组,然后按照专家的判断力以及与目标用户的相异度分配评分权重,最后定义预测评分选出最佳推荐,同时,专家组成员是动态变化的,其评分也各有权重,推荐的结果更贴近目标用户。因此,本算法推荐的信息利用率高,推荐的结果清晰明了,在公开数据集GroupLens和Netflix上的实验结果表明,本算法预测用户评分的准确率明显优于传统算法。关键词:全局专业指数;局部活跃指数;相异度;判断力;协同过滤推荐算法中图分类号:TP391　　　文献标识码:A　　　 doi:10.3969/ j.issn.1006-2475.2015.07.006 Collaborative Filtering Recommendation Algorithm Based on Multifactor Expert Group Scoring LAI Jin-hui (Computer Center,Department of Experiment Teaching,Guangdong University of Petrochemical Technology,Maoming525000,China) Abstract:In view of the limitationsof traditional collaborativefilteringrecommendation algorithm,thispaper putsforward anew collaborative filteringrecommendationalgorithm. Firstly,thepaperusestheglobalprofessionalindexandlocalactiveindextode- fine the requirement of experts;secondly,selects appropriate proportions users to constitute experts group, and then assigns weightsfor each expert according to the expert’sjudgment and dissimilarities between experts and target users,finally,defines the predictivescores. Meanwhile,membersofthegrouparedynamic,expertshavedifferentweights,sotherecommendedresults areclosertothetargetuser. Becausetheinformationutilizationishigh,itcangetaclearresult. Theexperimentalresultsonopen dataset named GroupLens and Netflix show that,the algorithm in prediction success rates is superior to the traditional method. Key words:global professional index;local activeindex;dissimilarities;judgment;coll