一种新的融合情景的美食推荐算法 a food recommendation algorithm with context.pdfVIP

下载本文档

39
0
约2.49万字
约 6页
2017-10-14 发布于上海
举报
版权申诉

一种新的融合情景的美食推荐算法 a food recommendation algorithm with context.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

一种新的融合情景的美食推荐算法 a food recommendation algorithm with context

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)07-0020-05 一种新的融合情景的美食推荐算法 1 2 1 赵雪美 ,郭林锋 ,卞雪雯 (1.南京理工大学计算机科学与工程学院,江苏南京 210094;2.上海理工大学环境与建筑学院,上海 200093) 摘要:针对传统协同过滤推荐算法不适用于情景因素,严重影响用户行为的这类场景,提出一种融合情景的推荐算法,并将该算法应用于美食推荐。首先,运用由情景属性构造向量表示情景,将情景信息作为一个重要因素添加到兴趣模型中,从而产生U-I-C兴趣模型。根据用户在不同情景下使用方式的不同,重新创建当前用户与各情景相对应的子用户,得到以情景作为标识的用户-项目评分矩阵。针对融合情景的兴趣模型易产生数据稀疏问题,设计利用改进的W-SlopeOne 算法对未知评分进行填充;并通过对相似度公式进行优化,进而更加准确地找到当前用户的近邻,为用户提供更加有效的推荐服务。最后,通过实验验证该算法的有效性。关键词:兴趣模型;推荐算法;协同过滤;情景信息;相似度公式中图分类号:TP311　　　文献标识码:A　　　 doi:10.3969/ j.issn.1006-2475.2015.07.005 A Food Recommendation Algorithm with Context 1 2 1 ZHAO Xue-mei ,GUO Lin-feng ,BIAN Xue-wen (1. School of Computer Science and Engineering,Nanjing University of Science Technology,Nanjing210094,China; 2. School of Environment and Architecture,Shanghai University of Science and Technology,Shanghai200093,China) Abstract:As thetraditionalcollaborativefilteringrecommendationalgorithmdidn’tconsiderthesituationthatcontextinformation affected the users’behavior seriously,arecommendationalgorithmwithcontextwasputforwardandthealgorithmwasappliedto food recommendation. First of all,the context was added to the traditional user-item model expressed as an attributes vector, resulting in a U-I-C interest model. Then Sub-Users were created according to different context from one user,thus obtaining a new user-item ratings matrix in a certain context. Because the data sparseness problem was easy to generate in this approach, W-SlopeOne algorithmwasdesignedtopredictunknownratings. Basedonoptimizedsimilarityformu