基于平行因子分解PARAFAC的協同聚類推薦算法
大小：0.90 MB 人氣： 2017-12-17 需要積分：2
標簽：推薦算法(9953)
針對三元組數據內在關聯性復雜的特點，提出了基于平行因子分解（ PARAFAC）的協同聚類推薦算法。該算法利用PARAFAC算法對張量進行分解，挖掘多維數據實體之間的相關聯系和潛在主題。首先，利用PARAFAC分解算法對三元組張量數據進行聚類；然后，基于協同聚類算法提出了三種不同方案的推薦模型，并通過實驗對三種方案進行了比較，得到了最優的推薦模型；最后，將提出的協同聚類模型與基于高階奇異值分解（ HOSVD）的推薦模型進行比較。在last．fm數據集上，PARAFAC協同聚類算法比HOSVD張量分解算法在召回率和精確度上平均提高了9.8個百分點和3.7個百分點，在delicious數據集上平均提高了11.6個百分點和3.9個百分點。實驗結果表明所提算法能更有效地挖掘出張量中的潛在信息和內在聯系，實現高準確率和高召回率的推薦。
非常好我支持^.^
(0) 0%
不好我反對
(0) 0%
下載地址
基于平行因子分解PARAFAC的協同聚類推薦算法下載
相關電子資料下載
- TikTok將開發獨立版推薦算法，以滿足美國用戶需求？ 426
- 快手的短視頻推薦算法（1） 782
- 詳解推薦算法的架構流程 2871
- 《麻省理工科技評論》發布了最新的2021年10大突破性技術的概念 2813
- top-N推薦算法評測的影響有哪些？ 1846
- 基于賽靈思FPGA的廣告推薦算法Wide and deep硬件加速案例 2775
- 互聯網廣告推薦迎來變革，雪湖科技聯合賽靈思發布推薦算法解決方案 1614
- 基于阿里云FPGA云的廣告推薦算法加速器 985
- 基于深度學習的推薦算法大部分都存在不同程度的數據集缺失和源碼缺失 3690
- 基于標簽的推薦算法應用場景、基于標簽的推薦算法原理介紹 16714