已閱讀1頁，還剩57頁未讀， 繼續(xù)免費閱讀
版權(quán)說明：本文檔由用戶提供并上傳，收益歸屬內(nèi)容提供方，若內(nèi)容存在侵權(quán)，請進行舉報或認領(lǐng)
文檔簡介
1、協(xié)同過濾推薦是推薦系統(tǒng)中運用成功的一種推薦技術(shù)，然而面對托攻擊時，已有協(xié)同過濾算法存在一些問題：首先，傳統(tǒng)的基于矩陣分解的協(xié)同過濾算法對離群點的容忍性弱，用戶和項目特征矩陣易受攻擊概貌的影響，因而模型的抗攻擊力較弱；其次，大多數(shù)算法不僅存在抗稀疏性問題而且算法的魯棒性也較弱。為了保證推薦質(zhì)量，本文在現(xiàn)有的研究現(xiàn)狀基礎(chǔ)上，從推薦算法的魯棒模型進行了研究，旨在同時提高算法的精度和魯棒性。主要研究工作如下：
首先，本文提出了一種基于
2、核矩陣分解的魯棒協(xié)同過濾算法。然后利用評分矩陣的核映射和核距離誘導(dǎo)出了魯棒的核矩陣分解模型，并用尺度因子對模型中的殘差進行調(diào)整，增強了模型的抗攻擊能力，實現(xiàn)對用戶特征矩陣和項目特征矩陣魯棒性的估計。最后提出了用核空間距離的方法計算用戶間的相似度，提高了相似度計算的可信性，進而降低攻擊概貌對預(yù)測評分結(jié)果的影響。
其次，本文提出了一種基于核正則化和加權(quán)的M-估計量的魯棒推薦算法。在矩陣分解模型中，首先引入高斯核函數(shù)作為加權(quán)M-估計
溫馨提示
- 1. 本站所有資源如無特殊說明，都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
- 2. 本站的文檔不包含任何第三方提供的附件圖紙等，如果需要附件，請聯(lián)系上傳者。文件的所有權(quán)益歸上傳用戶所有。
- 3. 本站RAR壓縮包中若帶圖紙，網(wǎng)頁內(nèi)容里面會有圖紙預(yù)覽，若沒有圖紙預(yù)覽就沒有圖紙。
- 4. 未經(jīng)權(quán)益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
- 5. 眾賞文庫僅提供信息存儲空間，僅對用戶上傳內(nèi)容的表現(xiàn)方式做保護處理，對用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯，并不能對任何下載內(nèi)容負責(zé)。
- 6. 下載文件中如有侵權(quán)或不適當(dāng)內(nèi)容，請與我們聯(lián)系，我們立即糾正。
- 7. 本站不保證下載資源的準(zhǔn)確性、安全性和完整性, 同時也不承擔(dān)用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。
最新文檔
- 基于矩陣分解的協(xié)同過濾推薦算法研究.pdf
- 基于協(xié)同過濾和矩陣分解的推薦算法的研究與改進.pdf
- 基于矩陣分解及其圖模型的協(xié)同過濾推薦算法研究.pdf
- 基于矩陣分解的并行協(xié)同過濾算法研究.pdf
- 基于奇異值和重組信任矩陣的協(xié)同過濾推薦算法的研究.pdf
- 推薦系統(tǒng)的協(xié)同過濾、矩陣分解和k近鄰方法及其優(yōu)化.pdf
- 基于用戶協(xié)同過濾推薦算法的研究.pdf
- 基于協(xié)同過濾技術(shù)的推薦算法研究.pdf
- 基于雙邊匹配的協(xié)同過濾推薦算法.pdf
- 基于協(xié)同過濾的圖書推薦算法研究.pdf
- 基于圖構(gòu)建與矩陣分解聯(lián)合學(xué)習(xí)的協(xié)同過濾算法研究.pdf
- 基于協(xié)同過濾技術(shù)的推薦算法研究
- 基于用戶行為協(xié)同過濾推薦算法.pdf
- 基于SVD的協(xié)同過濾推薦算法研究.pdf
- 基于協(xié)同過濾的器件推薦算法研究.pdf
- 協(xié)同過濾推薦算法研究.pdf
- 基于協(xié)同過濾算法的電影推薦系統(tǒng)
- 基于協(xié)同過濾的圖書推薦算法研究
- 基于托攻擊檢測的魯棒非負矩陣分解推薦算法.pdf
- 基于MapReduce的協(xié)同過濾推薦算法研究.pdf
評論
0/150
提交評論