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

第29卷第5期2012年5月计算机应用研究

ApplicationResearchofComputersVol.29No.5May2012

*

KNN-SVM基于的混合协同过滤推荐算法

1a1b2

吕成戍,王维国,丁永健

(1.东北财经大学a.管理科学与工程学院;b.数学与数量经济学院,辽宁大连116025;2.大连理工大学管理与经济学部,辽宁大连116024)摘

要:数据稀疏性问题对协同过滤推荐系统的推荐精度有很大影响,为此,融合缺失数据平衡方法,提出了一

SVM的混合协同过滤推荐算法。利用K-个基于KNN-最近邻法对训练集中的缺失数据进行填补,然后通过支持向量机交叉验证进行分类,综合两者优点,从而克服数据质量对推荐算法的影响。在标杆数据集上进行了仿真实验,数值结果证明了方法的有效性。

关键词:数据稀疏性;支持向量机;K-最近邻;协同过滤中图分类号:TP311

文献标志码:A

文章编号:1001-3695(2012)05-1707-03

doi:10.3969/j.issn.1001-3695.2012.05.027

HybridcollaborativefilteringalgorithmbasedonKNN-SVM

LVCheng-shu1a,WANGWei-guo1b,DINGYong-jian2

(1.a.SchoolofManagementScience&Engineering,b.SchoolofMathematics&QuantitativeEconomics,DongbeiUniversityofFinance&Eco-China;2.FacultyofManagement&Economics,DalianUniversityofTechnology,DalianLiaoning116024,nomics,DalianLiaoning116025,China)

Abstract:Theproblemofdatasparsenesshasgreatinfluenceoncollaborativefilteringrecommendationsystem’saccuracy,balanceforthismissingdatafusionmethod,thispaperproposedahybridcollaborativefilteringalgorithmsbasedonKNN-SVM.K-nearestneighbormethodusedthetrainingsettofillthemissingdata,andthencross-validatedbySVMclassification.Com-prehendadvantagesbothKNNandSVMinordertoovercomeimpactofdataqualityontherecommendedalgorithm.Thepro-posedapproachwasappliedtobenchmarkproblems,andthesimulationresultsshowitisvalid.Keywords:datasparsity;supportvectormachine(SVM);K-nearestneighbor;collaborativefiltering

基于模型的协同过滤算法是目前个性化推荐系统的研究热点,其核心思想是利用数据挖掘与人工智能技术来改进传统的协同过滤算法

[1~3]

降低用户—项目矩阵的稀疏性;然后在得到的稠密矩阵上建立模型,以SVM算法进行推荐。

。分类算法是基于模型的协同过滤算法

[4]

6]

。其中,Vapnik[5,根据统计学习理

常采用的一种建模方法

1

1.1

理论基础

K-最近邻法

[10]

K-最近邻法是最近邻的一个推广。其工作原理是利用

论提出的支持向量机方法具有诸多的优良特性,近年来引起了广泛的关注,已在文本分类、图像分类、人脸识别等领域取得了良好的应用效果。推荐系统和文本分类具有很多共同特征

[7]

,支持向量机在文本分类领域取得的成功促使其被运用

[8]

评分相似度来构造用户或者项目的K个最近邻,再使用K-最近邻集合进行推荐。K-最近邻法具备较高的灵活性,易与其他模型整合,推荐结果直观,容易解释1.2

[11]

到推荐系统中。Zhang等人将标准的SVM分类器直接应用

SVM分到推荐系统中,但由于推荐系统中数据的极端稀疏性,类器的分类精度受到很大影响,不能取得令人满意的的分类效果。Grcar等人

[9]

。因此,在实际应用中可以

将K-最近邻法与其他推荐技术相结合以取得更好的实际效果。

支持向量机支持向量机

[5,6]

将KNN与SVM在协同过滤框架下的性能进

SVM处理高维度、行了对比,实验结果表明,高稀疏数据集的性能优于传统的协同过滤算法,但其推荐精度与数据质量高度相关。

针对存在的问题,本文结合KNN和SVM算法的功能特SVM的协同过滤推荐算法。算法首点,提出了一个基于KNN-先采用K-最近邻法找出具有缺失值样本点的K个最近邻,用K个最近邻的相关属性值来对用户—项目矩阵中的缺失数据使用户之间拥有更多的共同评分项目,从而进行预测和填补,

收稿日期:2011-10-07;修回日期:2011-11-14助项目(DUT10RW302)

基于结构风险最小化原理,通过核映射解

决高维空间的学习问题,并具有更好的推广能力,能够克服局部极小、维数灾难和过学习等问题。支持向量机算法的原始形式为

min

s.t.

l1

‖w‖2+CΣξi2i=1

yi(w×xi+b)≥1-ξi

i=1,2,…,l(1)

w是超平面的法向其中:w×xi+b=0是所要求解的超平面,

基金项目:辽宁省社会科学规划基金资助项目(L10BJL035);中央高校专项科研基金资

作者简介:吕成戍(1979-),女,硕士,主要研究方向为机器学习、电子商务(lvcs@163.com);王维国(1963-),男,教授,博导,主要研究方向为数据挖掘;丁永健(1977-),男,副教授,博士研究生,主要研究方向为个性化推荐系统.

第1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