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,

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,
一种属性和评分的协同过滤混合推荐算法_信息与通信_工程科技_专业资料 暂无评价
· 协同过滤系统项目冷启动的混合推荐算法郭艳红,邓贵仕 (大连理工大学系统工程研究所,大连 116023) 摘要:研究协同过滤推荐系统中的冷启动问题,运用基于内容预测的...
基于领域最近邻的协同过... 9页 免费 基于混合算法的推荐系统... 60页 ...(1)协同过滤研究中,很多采用kNN方法〔2J1’15〕 来为预测的目标选择推荐对象,...
基于快速社区检测的协同过滤推荐算法_互联网_IT/计算机_专业资料 暂无评价
基于领域知识的协同过滤推荐算法_专业资料。传统协同过滤推荐算法中项目相似度的计算建立在用户评分项目交集之上,没有考虑不同项目之间所存在的语义关系,致使推荐准确...
基于项目和信任的协同过滤推荐算法_机械/仪表_工程科技_专业资料。第3 9卷 第1期 、,01-39 ? 计 算 机 工 程 201 3年1月 January 2013 NO.1 Co...
基于时序行为的协同过滤推荐算法_互联网_IT/计算机_专业资料。软件 学报ISSN 1000—9825,CODEN RUXUEW Journal ofSoftware,20 软件 学报ISSN 1000—9825,CODEN ...
基于单分类的协同过滤推荐算法_专业资料。随着电子商务推荐系统中用户和商品数目的增加,用户商品评分数据集的稀疏性会导致协同过滤推荐算法的推荐质量下降。针对该问题...
Al Mamunur Rashid[3]提出了一种基于模型和内存的协同过滤混合推荐算法 CLUSKNN, 先用简单直接的聚类方法建立模型, 再通过 KNN 算法寻找最近邻居集快速地产生推荐。...
热门文档