计算机应用
計算機應用
계산궤응용
COMPUTER APPLICATION
2011年
11期
3060-3062,3067
,共4页
协同过滤%符号数据分析%奇异值分解%稀疏性%推荐系统
協同過濾%符號數據分析%奇異值分解%稀疏性%推薦繫統
협동과려%부호수거분석%기이치분해%희소성%추천계통
随着用户和资源种类的不断增加,评价矩阵的稀疏性问题越来越突出,严重影响了推荐系统的推荐质量.奇异值分解(SVD)是一种对数据进行降维处理的方法,符号数据分析(SDA)是一种处理海量数据的全新数据分析思路.提出一种改进的基于符号数据的协同过滤推荐算法,即将奇异值分解和符号数据分析方法结合起来运用到推荐系统中.在EachMovie数据库集上的实验结果表明该算法在数据稀疏时的推荐质量明显优于传统的推荐算法.
隨著用戶和資源種類的不斷增加,評價矩陣的稀疏性問題越來越突齣,嚴重影響瞭推薦繫統的推薦質量.奇異值分解(SVD)是一種對數據進行降維處理的方法,符號數據分析(SDA)是一種處理海量數據的全新數據分析思路.提齣一種改進的基于符號數據的協同過濾推薦算法,即將奇異值分解和符號數據分析方法結閤起來運用到推薦繫統中.在EachMovie數據庫集上的實驗結果錶明該算法在數據稀疏時的推薦質量明顯優于傳統的推薦算法.
수착용호화자원충류적불단증가,평개구진적희소성문제월래월돌출,엄중영향료추천계통적추천질량.기이치분해(SVD)시일충대수거진행강유처리적방법,부호수거분석(SDA)시일충처리해량수거적전신수거분석사로.제출일충개진적기우부호수거적협동과려추천산법,즉장기이치분해화부호수거분석방법결합기래운용도추천계통중.재EachMovie수거고집상적실험결과표명해산법재수거희소시적추천질량명현우우전통적추천산법.
