计算机科学
計算機科學
계산궤과학
Computer Science
2015年
10期
256-261
,共6页
推荐系统%近似近邻%协同过滤%相似性度量%局部敏感哈希
推薦繫統%近似近鄰%協同過濾%相似性度量%跼部敏感哈希
추천계통%근사근린%협동과려%상사성도량%국부민감합희
Recommendation system%Approximate nearest neighbor%Collaborative filtering%Similarity measuring%Locality-sensitive hashing
协同过滤是个性化推荐系统中应用较为成功与广泛的技术之一,影响协同过滤推荐质量的关键在于获取目标用户的k近邻用户,然后基于k近邻对其未评价的项目进行评分预测与推荐.针对用户评分数据的规模大、维度高、高度稀疏以及直接进行相似性度量的实时性差等对推荐性能的影响,提出一种基于LSH的协同过滤推荐算法,并对其进行改进.该算法基于p稳态分布的局部敏感哈希对用户评分数据进行降维与索引,并采用多探寻的机制对其进行改进,缓解多个哈希表对内存的压力,快速获取目标用户的近邻用户集合,然后采用加权方法来预测用户评分并产生推荐.标准数据集上的实验结果表明,该方法能有效克服评分数据的高维稀疏,并在保证一定推荐精度的前提下,大幅度提高推荐效率和降低内存消耗.
協同過濾是箇性化推薦繫統中應用較為成功與廣汎的技術之一,影響協同過濾推薦質量的關鍵在于穫取目標用戶的k近鄰用戶,然後基于k近鄰對其未評價的項目進行評分預測與推薦.針對用戶評分數據的規模大、維度高、高度稀疏以及直接進行相似性度量的實時性差等對推薦性能的影響,提齣一種基于LSH的協同過濾推薦算法,併對其進行改進.該算法基于p穩態分佈的跼部敏感哈希對用戶評分數據進行降維與索引,併採用多探尋的機製對其進行改進,緩解多箇哈希錶對內存的壓力,快速穫取目標用戶的近鄰用戶集閤,然後採用加權方法來預測用戶評分併產生推薦.標準數據集上的實驗結果錶明,該方法能有效剋服評分數據的高維稀疏,併在保證一定推薦精度的前提下,大幅度提高推薦效率和降低內存消耗.
협동과려시개성화추천계통중응용교위성공여엄범적기술지일,영향협동과려추천질량적관건재우획취목표용호적k근린용호,연후기우k근린대기미평개적항목진행평분예측여추천.침대용호평분수거적규모대、유도고、고도희소이급직접진행상사성도량적실시성차등대추천성능적영향,제출일충기우LSH적협동과려추천산법,병대기진행개진.해산법기우p은태분포적국부민감합희대용호평분수거진행강유여색인,병채용다탐심적궤제대기진행개진,완해다개합희표대내존적압력,쾌속획취목표용호적근린용호집합,연후채용가권방법래예측용호평분병산생추천.표준수거집상적실험결과표명,해방법능유효극복평분수거적고유희소,병재보증일정추천정도적전제하,대폭도제고추천효솔화강저내존소모.
