08信息過濾(參考版)
2024-08-03 14:10本頁面
【正文】 即對活動用戶 ua ，獲取按照相關度大小排列的相似“近鄰”集U={u1,u2…un} ? 用戶之間的近鄰關系具備兩種特征，即非對稱性和非傳遞性 ? 非對稱性和非傳遞性產(chǎn)生的原因在于用戶之間共同評價過的項目過少，從而造成對稱關系和傳遞關系的置信度很低 近鄰集的規(guī)模 ? 近鄰選擇步驟中，過濾系統(tǒng)需要預先設置近鄰集 的規(guī)模 ? 通常近鄰用戶數(shù)量的設置采用閾值設置或定值設置兩種方法 ? 閾值設置：系統(tǒng)選擇相關性大于閾值的用戶作為活動用戶的近鄰 ? 定值設置：預先確定近鄰集 的規(guī)模 活動用戶與項目的關系 ? 活動用戶 ua 對項目 ti 的評價定義為近鄰集 U 中所有用戶對項目 ti評價指標的加權和 ? 基于用戶的協(xié)作過濾方法中最主要的問題是如何獲取最近鄰用戶，因此活動用戶與其他用戶之間的相似度計算成為決定協(xié)作過濾系統(tǒng)性能的一個主要方面 ? ? ??? nk jikkaaia uRtuRuuwuRtuP 1 ))(),()(,()(),( ?用戶之間的相似度 ? 基于用戶的協(xié)作過濾方法中最主要的問題是如何獲取最近鄰用戶 ? 常用的用戶間相似度評價方法 ? 余弦相似度計算法 ? 相關相似性計算法 babababauuuuuuuus i m???? ),c o s (),(?? ? ?? ? ?????ni bibni aiani bibaiabas i muRtuRuRtuRuRtuRuRtuRuuC12121))(),(())(),(())(),()()(),((),(相似度計算 ? 相似性計算法主要從用戶興趣是否相似的角度選擇活動用戶的近鄰 ? 優(yōu)點 ? 提高了協(xié)作過濾系統(tǒng)推薦項目的準確性 ? 缺點 ? 過分相似的用戶共有的項目集規(guī)模相對很大，削弱了用戶間可以互相推薦的未知項目空間 反流行度 ? 通常協(xié)作過濾系統(tǒng)可以采用項目的反流行度為候選用戶賦予權值，反流行度公式如下： ? 一個項目的流行程度越大，則其反流行度 越小，從而包含該項目的候選用戶獲得的權值越低；反之，候選用戶的權值則得到加強 ? 活動用戶可以簡化地選擇經(jīng)過反流行度加權后權值相對較高的用戶作為鄰居 ? 優(yōu)點在于最近鄰居可以向活動用戶推薦更多新穎的項目 mtniI n v P o p i )(1)( ??參與評價的用戶總數(shù) 基于用戶的協(xié)作過濾優(yōu)缺點 ? 基于用戶的協(xié)作過濾系統(tǒng)在實驗環(huán)境下可以獲得較高的性能，但在實際應用中的效果卻普遍偏低 ? 主要原因 ? 在于評分機制的稀疏性 ? 實際應用中的用戶很少主動提供項目的評價，從而造成“用戶”與“評分”對應的二元關系相對稀疏，導致協(xié)作過濾系統(tǒng)無法有效識別相似用戶 基于模型的協(xié)作過濾 ? 基于模型的協(xié)作過濾方法，通過挖掘數(shù)據(jù)之間的相互關系建立需求模型，并利用該模型過濾后續(xù)的信息資源 ? 基于模型的方法需要預先分析大量數(shù)據(jù)，使模型的建立需要花費大量的時間 ? 模型生成后，后續(xù)協(xié)作過濾的效率和準確率都可以得到顯著的提高 隱含語義索引 ? 基于模型的協(xié)作過濾研究中最重要的方法是隱含語義索引 ? Sarwar等學者將 LSI引入?yún)f(xié)作過濾領域 ? 關系矩陣由活動用戶和項目組成；語義關系由用戶與用戶之間、項目與項目之間、用戶與項目之間的相關性組成 LSI協(xié)作過濾的流程 ? 建立用戶 項目關系矩陣 R ； ? 采用奇異值分解技術將矩陣 R 分解為 U ,S 和 V ? 將 V 降維成維數(shù)為 k的矩陣 VK k r），并采用相同方法簡化矩陣 U和 S 為 Uk 和 Sk ； ? 計算矩陣 Vk 的平方根 ，并相應計算 和 ? 預測用戶 a 對項目 i 的評分，公式如下： )()(, iVSaSURP TkkTkkaia ???kk SU ? Tkk VS ?優(yōu)缺點 ? 重要的用戶 項目關系結構
職業(yè)教育相關推薦
鄂ICP備17016276號-1