分享打开微信,点击底部的“发现”,使用 “扫一扫” 即可将网页分享到我的朋友圈
之前有关协同排序算法的研究没有充分利用数据集中信息的问题,要么只侧重于研究显式评分数据,要么只侧重于研究隐式评分数据,目前还没有人运用排序学习的思想把二者结合起来进行研究.针对之前研究的不足,在最新的扩展的少即是好协同过滤(xCLiMF)模型和最经典的变形的奇异值分解(SVD++)算法的基础上,提出了一种融合显/隐式反馈的协同排序算法MERR_SVD++来直接优化排序学习的评价指标ERR.在实际数据集上实验验证,与经典的xCLiMF、Cofi排序(CofiRank)、PopRec、Random算法相比,MERR_SVD++算法在归一化折损累积增益(NDCG)和预期的相关性排序(ERR)这两个评价指标下性能均提高了25.9%以上,而且算法运算时间与评分点个数线性相关.由于MERR_SVD ++算法推荐精度高、可扩展性好,因此适用于处理大数据,在互联网信息推荐领域具有广泛的应用前景.
推荐系统、协同过滤、协同排序、隐式反馈、显式反馈
35
TP3(计算技术、计算机技术)
国家自然科学基金资助项目61003140,61033010;2011年度高校基本科研业务费中山大学青年教师培育项目理工科111gpy58;佛山市产学研专项资金项目2012HC100303;广东省高等职业教育教学改革2014年度项目201401294;广东省高等职业教育教学改革2013年度项目20130201109;广东省高等职业教育教学改革2012年度项目20120302050;顺德职业技术学院2013年度校级教学改革与研究重点项目2013-SZJGXM13
2015-07-13(万方平台首次上网日期,不代表论文的发表时间)
共6页
1328-1332,1341