基于多维度上下文和双聚类的个性化推荐算法

来源 :计算机应用与软件 | 被引量 : 1次 | 上传用户:netease
下载到本地 , 更方便阅读
声明 : 本文档内容版权归属内容提供方 , 如果您对本文有版权争议 , 可与客服联系进行内容授权或下架
论文部分内容阅读
随着数据的爆炸式增长,推荐系统中传统的协同过滤推荐算法出现了难以处理稀疏数据和准确率降低的问题。对此,提出一种基于多维度上下文和双聚类的个性化推荐算法(MCB)。该算法采用K-means聚类方法分别对用户和项目进行双聚类,并在传统的项目评分预测算法上进行改进,提出一种多维度的个性化评分预测(MPRP)算法。MPRP算法利用上下文维度间的相关性对用户评分进行修正,并考虑用户评分的权重问题,引入基于统计学习的系统误差因子,提高了评分预测的准确性。实验结果表明,MCB算法具有预测误差更小、推荐结果的覆盖率
其他文献
针对Word2vec等静态词向量模型对于每个词只有唯一的词向量表示,无法学习在不同上下文中的词汇多义性问题,提出一种基于动态词向量和注意力机制的文本情感分类方法。在大型语料库上利用深度双向语言模型预训练通用词向量;在情感分类任务的训练语料上对向量模型进行微调,得到最终的上下文相关的动态词向量作为输入特征;搭建双向长短期记忆网络模型,并引入注意力机制以提高特征提取的准确性。实验结果表明,该方法在IM
以往的情感分类大多集中在单模态上,然而多模态的情感信息之间往往具有互补性,针对目前使用单模态做情感分类不能全面捕捉情感语义且存在忽视具有重要特征的情感信息等问题,提出一种基于注意力机制的TAI-CNN图文跨模态情感分类方法。构建TCNN文本情感分类模型和ICNN图像情感分类模型,采用最大值图文决策级融合方法来构建图文跨模态情感分类模型。实验证明,图文跨模态情感分类方法能够充分利用图像和文本的情感互
专利的功能信息对专利规避及创新具有重要意义。为了完成对专利基于功能的聚类,提出一种面向功能信息的相似专利动态聚类混合模型。该模型筛选功能信息句,运用双向长短期记忆网络联合注意力机制、卷积神经网络、改进的权值主题模型抽取专利文本的序列特征、文本嵌入特征、主题特征,同时加入功能词语关注部分,采用并行融合的方式提取特征。将所有特征表示作为聚类的输入,聚类结果作为反馈信息实现动态聚类。选取无机化学类方面的
分析在线课程评论中蕴含的情感对理解学习者状态变化、改进课程质量具有重要意义。依据课程评论的特征,提出一种激活-池化增强的BERT情感分析模型。构建BERT情感分析预训练模型来编码评论文本中分句内词语上下文语义和分句间逻辑关系;设计激活函数层和最大-平均池化层解决BERT模型在课程评论情感分析中存在的过拟合问题;通过新增的情感分类层对在线课程评论进行情感正负极性分类。实验结果表明,激活-池化增强的B
在幼儿园教学中开展绘本阅读,有效促进了幼儿语言表达能力.同时,还有利于幼儿认知能力的提高.绘本阅读,激发了幼儿的阅读情感的培养,是幼儿人生的第一本书.文章围绕幼儿园教
话说宋国农夫自从捡到一只撞死在树桩上的兔子后,便放下农活不干,成天守在树桩旁边的一棵树下,期盼好运再来。可是一连几天过去了,农夫一无所获。  失望之余,农夫发现,一只蜘蛛居然也是成天守在树上,坐等飞虫撞到蜘蛛网上。只是,这小家伙比自己幸运多了,经常会有苍蝇、蚊子等送上门来。农夫愤愤不平地说:“为什么你守在树上就收获多多,我守在树下却一无所获?这太不公平了!”  “沒有什么不公平。”蜘蛛告诉农夫说,
为实现中英文民航陆空通话语音识别,提出一种基于深度学习的跨语种民航陆空通话语音识别方法。基于共享隐层的卷积深度神经网络(CDNN)建立一个跨语种声学模型;将中文音素和英文音素(CMU)融合用于构建混合语言模型;在此基础上将CMU标准英文音素映射为TIMIT标准英文音素重构语言模型用于识别;为了缩短训练和解码的时间,在提取特征阶段加入低帧率。实验结果表明,卷积深度神经网络声学模型可较好地应用于民航陆
局部区域特征的重要程度对三维CAD模型的分类有很大影响。针对现有聚类算法未能有效利用此关键特征实现聚类,提出一种基于局部区域的加权谱聚类算法。该算法按局部区域在模型库中出现的频次计算权重,提高出现频次低但区分能力强的局部区域的重要程度,从而降低常见局部区域的重要程度;并将上述表达与严重依赖模型间相似度的加权谱聚类算法相结合作为权重信息。实验结果显示,该方法能较好地完成三维CAD模型聚类任务,最终得
充分考虑水下环境和水下成像的特点,将多尺度融合的图像增强算法应用于水下配准算法的预处理图像中,修复深水域偏色严重的图像。用改进SIFT算法进行特征提取,采用自适应阈值法筛选关键点,扩大关键点提取范围;用Canny算法计算关键点的梯度和大小,平滑噪声的同时也可以保留图像更多细节;使用平均Hausdorff距离和BBF最邻近查询法对关键点进行粗匹配,再用RANSAC进行进一步提纯;计算得到变换矩阵后输