基于数据降维与精确欧氏局部敏感哈希的k近邻推荐方法

文档名：基于数据降维与精确欧氏局部敏感哈希的k近邻推荐方法
针对基于k近邻的协同过滤推荐算法中存在的评分特征数据维度过高、k近邻查找速度慢,以及评分冷启动等问题,提出基于数据降维与精确欧氏局部敏感哈希(E2LSH)的k近邻协同过滤推荐算法.首先,融合评分数据、用户属性数据以及项目类别数据,将融合后的数据作为输入对堆叠降噪自编码(SDA)神经网络进行训练,取神经网络编码部分最后一个隐层的值作为输入数据的特征编码,完成非线性降维.然后,利用精确欧氏局部敏感哈希算法对降维后的数据建立索引,通过检索得到目标用户或目标项目的相似近邻.最后,计算目标与近邻之间的相似度,利用相似度对近邻的评分记录加权得到目标用户对目标项目的预测评分.在标准数据集上的实验结果表明,在冷启动场景下,均方根误差比基于局部敏感哈希的推荐算法(LSH-ICF)平均降低了约7.2％,平均运行时间和LSH-ICF相当.表明该方法在保证推荐效率的前提下,缓解了评分冷启动问题.
作者：郭喻栋郭志刚陈刚魏晗
作者单位：信息工程大学信息系统工程学院,郑州450002
母体文献：第十七届中国Rough集与软计算学术会议、第十一届中国Web智能学术研讨会、第十一届中国粒计算研讨会及第五届三支决策学术会议联合会议(CRSSC-CWI-CGrC-3WD2017)论文集
会议名称：第十七届中国Rough集与软计算学术会议、第十一届中国Web智能学术研讨会、第十一届中国粒计算研讨会及第五届三支决策学术会议联合会议(CRSSC-CWI-CGrC-3WD2017)  
会议时间：2017年5月26日
会议地点：合肥
主办单位：中国计算机学会,中国人工智能学会
语种：chi
分类号：
关键词：k近邻推荐算法  特征编码  数据降维  精确欧氏局部敏感哈希
在线出版日期：2018年7月24日
基金项目：
相似文献
相关博文

2024-12-10 15:42 上传 基于数据降维与精确欧氏局部敏感哈希的k近邻推荐方法.pdf

文件大小:

1.86 MB

下载次数:

60

高速下载