尊敬的各位读者:
根据当前疫情防控要求,我馆部分原文传递服务可能会有延期,无法在24小时内提供,给您带来的不便敬请谅解!
国家工程技术图书馆
2022年11月29日
摘要: 针对传统协同过滤推荐(Collaborative Filtering Recommendation,CFR)受数据聚类预处理、评分矩阵稀疏性影响较大和多个评分矩阵之间不能知识迁移的问题,提出一种基于联合聚类和评分矩阵共享的协同过滤推荐方法,以提高推荐系统精度和泛化能力.该方法首... 展开 针对传统协同过滤推荐(Collaborative Filtering Recommendation,CFR)受数据聚类预处理、评分矩阵稀疏性影响较大和多个评分矩阵之间不能知识迁移的问题,提出一种基于联合聚类和评分矩阵共享的协同过滤推荐方法,以提高推荐系统精度和泛化能力.该方法首先通过联合聚类对原始评分矩阵进行用户和项目两个维度的聚类;然后对评分矩阵进行分解并取得共享组级评分矩阵;最后利用共享组级评分矩阵和迁移学习方法进行评分预测.对MovieLents、Book-Crossing两个数据集进行仿真实验,结果表明本方法相比传统方法平均绝对误差减少近8%,有效地提高了协同过滤推荐的预测精度,为协同过滤推荐的应用提供借鉴. 收起
系统维护,暂停服务。
根据《著作权法》“合理使用”原则,您当前的文献传递请求已超限。
如您有科学或教学任务亟需,需我馆提供文献传递服务,可由单位单位签署《图书馆馆际互借协议》说明情况,我馆将根据馆际互借的原则,为您提供更优质的服务。
《图书馆馆际互借协议》扫描件请发送至service@istic.ac.cn邮箱,《图书馆馆际互借协议》模板详见附件。
根据《著作权法》规定, NETL仅提供少量文献资源原文复制件,用户在使用过程中须遵循“合理使用”原则。
您当日的文献传递请求已超限。