文档下载 文档下载导航
设为首页 | 加入收藏
搜索 请输入内容:  
 导航当前位置: 文档下载 > 所有分类 > IT/计算机 > 计算机软件及应用 > 基于KNN_SVM的混合协同过滤推荐算法
侵权投诉

基于KNN_SVM的混合协同过滤推荐算法

基于KNN_SVM的混合协同过滤推荐算法

和本文提出的算法,将多次实验结果进行平均并比较,结果以百分数的形式在表1中给出。

表1

基于项目

评分的分类方法70.21860.35862.34961.867

[3]ROBLESV,LARRANAGAP,MENASALVASE,etal.Improvement

ofnaivebayescollaborativefilteringusingintervalestimation[C]//ProcofIEEE/WICInternationalConferenceonWebIntelligence.2003:168-174.WashingtonDC:IEEEComputerSociety,

[4]BASUC,HIRSHH,COHENW.Recommendationasclassification:

usingsocialandcontent-basedinformationinrecommendation[C]//Procofthe15thNationalConferenceonArtificialIntelligence.Menlo1998:714-720.Park:AAAIPress,

[5]VAPNIKVN.Statisticallearningtheory[M].NewYork:Wiley-Inter-1998:35-53.science,

[6]VAPNIKVN.Thenatureofstatisticallearningtheory[M].2nded.

2000:24-37.Germany:Springer,

[7]XIAZhong-hang,DONGYu-lin,XINGGuang-ming.Supportvector

machinesforcollaborativefiltering[C]//Procofthe44thAnnualSoutheastRegionalConference.NewYork:ACMPress,2006:169-174.

[8]ZHANGTong,IYENGARVS.Recommendersystemsusinglinear

J].JournalofMachineLearningResearch,2002,2:classifiers[313-334.

[9]GRARM,FORTUNAB,

基于KNN_SVM的混合协同过滤推荐算法

MLADENID,etal.KNNversusSVMin

thecollaborativefilteringframework[C]//ProcofDataScienceandClassification.2006:251-260.

[10]SARWARB,KARYPISG,KONSTANJ,etal.Item-basedcollabora-tivefilteringrecommendationalgorithms[C]//Procofthe10thInter-nationalConferenceonWorldWideWeb.NewYork:ACMPress,2001:285-295.

[11]KORENY.Factorintheneighbors:scalableandaccuratecollabora-tivefiltering[J].ACMTransonKnowledgeDiscoveryfromDa-ta,2010,4(1):1-24.

[12]ZIEGLERC,DBISF.Book-crossingdataset[EB/OL].(2006-10-05).http://www.informatik.unl-freiburg.de/~cziegler/BX/[13]GrouplensResearch.Movielensdatasets[EB/OL].(2011-08-24).

http://www.grouplens.org/node/73.

[14]WITTENIH,FRANKE.Datamining:practicalmachinelearning

toolsandtechniques[M].2nded.Massachusetts:MorganKaufmann,2005:56-66.

[15]CHANGCC,LINCJ.LIBSVM:alibraryforsupportvectormachines

[EB/OL].(2001-10-26)[2007-05-12].http://www.csie.ntu.edu.tw/~cjlin/libsvm.

分类正确率比较

本文方法

基于项目

评分的分类方法80.25666.87573.13573.865

基于用户评分的分类方法82.37266.75173.53273.782

基于用户评分的分类方法70.69260.51762.42561.928

/%

标准支持向量机

实验数据集

Book-CrossingTDS100TDS200TDS300

通过分析实验结果可以很明显地看出,本文方法在多组数据中均获得较好的分类精度,平均正确率提升在6%~11%之Crossing数据集上的结果明显地体现了本文方法间。在Book-经过KNN的稀疏数据预填充处理,推荐精度分别提升的优势,

了10%和11%;在MovieLens数据集上,分类精度也得到了提KNN-SVM在TDS100上平均正确率最小,而在TDS300上升,

的平均正确率最大,说明随着样本容量的增加,算法预测的准确性随之小幅提高,使得对评分的预测更加准确,推荐质量也随之提高。

4结束语

本文旨在分析如何提高SVM在高稀疏数据集上进行分类

的精度,在实验部分重点与SVM的结果进行了比较。文献[9]在协同过滤框架下将KNN与SVM进行了对比,实验结果SVM的分类性能优于传统的协同过滤算法,因而本文并表明,

未进行与KNN算法的比较。本文方法增加了数据预处理部分,降低了算法的时间效率,这对于推荐算法的应用来说是一个不利因素,因此本文下一步的工作将集中在填补缺失数据的同时删减恶意数据,从而在保证精度的前提下提高算法效率和健壮性。参考文献:

[1]UNGARLH,FOSTERDP.Clusteringmethodsforcollaborativefilte-C]//ProcofWorkshoponRecommendationSystems.California:ring[

AAAIPress,1998:11-15.

[2]BREESEJS,HECKERMAND,KADIEC.Empiricalanalysisofpre-dictivealgorithmsforcollaborativefiltering[C]//Procof14thConfe-renceonUncertaintyinArtificialIntelligence.1998:43-52.(上接第1675页)

[6]吴亮红,王耀南,周少武,等.采用非固定多段映射罚函数的非线

.系统工程理论与实践,2007,27性约束优化差分进化算法[J](3):128-133.

[7]LIANGXi-ming.ModifiedaugmentedLagrangemultipliermethodsfor

large-scalechemicalprocessoptimization[J].ChineseJournalofChemicalEngineering,2001,9(2):167-172.

[8]龙文.求解优化问题的混合进化算法及其应用[D].长沙:中南大

2011.学,

[9]张铃,.计算机学报,2001,24(9):张钹.佳点集遗传算法[J]

917-922.

[10]RUNARSSONTP,YAOXin.Stochasticrankingforconstrainedevo-lutionaryoptimization[J].IEEETransonEvolutionaryCompu-tation,2000,4(3):284-294.

[11]MALLIPEDDIR,SUGANTHANPN.Ensembleofconstrainthan-dlingtechniques[J].IEEETransonEvolutionaryComputation,2010,10(4):311-338.

参考文献:

[1]STORNR,PRICEK.Differentialevolution:asimpleandefficient

heuristicforglobaloptimizationovercontinuousspaces[J].JournalofGlobalOptimization,1997,11(4):341-359.

[2]WANGYong,CAIZi-xing,ZHANGQing-fu.Differentialevolutionwith

compositetrialvectorgenerationstrategiesandcontrolparameters[J].IEEETransonEvolutionaryComputation,2011,15(1):55-66.[3]阳春华,钱晓山,桂卫华.一种混沌差分进化和粒子群优化混合算

J].计算机应用研究,2011,28(2):439-441.法[

[4]MEZURAME,COELLOCA,MORALESE.Simplefeasibility

rulesanddifferentialevolutionforconstrainedoptimization[C]//Lec-tureNotesinComputerScience.Berlin:Springer,2004:707-716.[5]刘若辰,.焦李成,雷峰,等.一种新的差分进化约束优化算法[J]

2011,38(1):47-53.西安电子科技大学学报,

上一页第3页

你可能喜欢

  • 支持向量机原理
  • 支持向量机算法
  • 算法研究
  • 粒子群优化算法
  • 神经网络

热门文档

相关文档

站点地图 | 文档上传 | 侵权投诉 | 手机版
本站所有资源均来自互联网,本站只负责收集和整理,均不承担任何法律责任,如有侵权等其它行为请联系我们.
文档下载 Copyright 2013 doc.guandang.net All Rights Reserved.  -  email