计算机工程与应用
計算機工程與應用
계산궤공정여응용
COMPUTER ENGINEERING AND APPLICATIONS
2011年
10期
1-4
,共4页
个性化推荐%集成学习%弱学习器%协同过滤
箇性化推薦%集成學習%弱學習器%協同過濾
개성화추천%집성학습%약학습기%협동과려
在2009年结束的Netflix推荐大赛中,由于顶级参赛小组均使用集成学习算法,使得基于Bagging和Stacking的Ensemble方法得到了广泛的关注,而基于Boosting的集成学习方法相对来说却无人问津.首先分析了基于Boosting的集成学习算法在分类问题中的优势,以及在推荐问题上的缺陷.通过对用户评分矩阵的简化和分解,将问题转换为简单的分类问题,使得Boosting的集成学习算法能够应用到推荐问题中,提出了基于KNN的集成学习推荐算法,通过集成多个不同的相似度计算方法来提高最终的推荐准确率.在大规模真实数据集上的实验说明,基于Boosting的学习框架可以较大提升单个推荐算法的性能.
在2009年結束的Netflix推薦大賽中,由于頂級參賽小組均使用集成學習算法,使得基于Bagging和Stacking的Ensemble方法得到瞭廣汎的關註,而基于Boosting的集成學習方法相對來說卻無人問津.首先分析瞭基于Boosting的集成學習算法在分類問題中的優勢,以及在推薦問題上的缺陷.通過對用戶評分矩陣的簡化和分解,將問題轉換為簡單的分類問題,使得Boosting的集成學習算法能夠應用到推薦問題中,提齣瞭基于KNN的集成學習推薦算法,通過集成多箇不同的相似度計算方法來提高最終的推薦準確率.在大規模真實數據集上的實驗說明,基于Boosting的學習框架可以較大提升單箇推薦算法的性能.
재2009년결속적Netflix추천대새중,유우정급삼새소조균사용집성학습산법,사득기우Bagging화Stacking적Ensemble방법득도료엄범적관주,이기우Boosting적집성학습방법상대래설각무인문진.수선분석료기우Boosting적집성학습산법재분류문제중적우세,이급재추천문제상적결함.통과대용호평분구진적간화화분해,장문제전환위간단적분류문제,사득Boosting적집성학습산법능구응용도추천문제중,제출료기우KNN적집성학습추천산법,통과집성다개불동적상사도계산방법래제고최종적추천준학솔.재대규모진실수거집상적실험설명,기우Boosting적학습광가가이교대제승단개추천산법적성능.