資源描述：
《基于多目標(biāo)優(yōu)化雙聚類(lèi)的數(shù)字圖書(shū)館協(xié)同過(guò)濾推薦系統(tǒng)new》由會(huì)員上傳分享，免費(fèi)在線(xiàn)閱讀，更多相關(guān)內(nèi)容在教育資源-天天文庫(kù)。
1、>>第55卷第7期2011年4月基于多目標(biāo)優(yōu)化雙聚類(lèi)的數(shù)字圖書(shū)館協(xié)同過(guò)濾推薦系統(tǒng)劉飛飛中南林業(yè)科技大學(xué)圖書(shū)館長(zhǎng)沙4100041摘要2針對(duì)數(shù)字圖書(shū)館推薦系統(tǒng),提出一種能夠同時(shí)考慮用戶(hù)和項(xiàng)之間的相似性的協(xié)同過(guò)濾(CF)方法,即應(yīng)用多目標(biāo)優(yōu)化計(jì)算雙聚類(lèi)技術(shù)對(duì)行和列同時(shí)進(jìn)行聚類(lèi),完成對(duì)用戶(hù)和項(xiàng)相似性同時(shí)分組。為評(píng)估算法的效率,應(yīng)用MovieLens數(shù)據(jù)集進(jìn)行實(shí)驗(yàn),結(jié)果表明該方法能夠?yàn)橛脩?hù)提供有用的推薦意見(jiàn),其性能優(yōu)于其他CF方法。1關(guān)鍵詞2數(shù)字圖書(shū)館推薦系統(tǒng)個(gè)性化服務(wù)協(xié)同過(guò)濾多目標(biāo)雙聚類(lèi)1分類(lèi)號(hào)2TP3
2、93DigitalLibraryCollaborativeFilteringRecommendationSystemBasedonMult-iobjectiveEvolutionaryB-iclusteringLiuFeifeiLibraryofCentralSouthForestryUniversity,Changsha4100041Abstract2Personalizedservicetechnologyhasbecometheresearchfocusofdigitallibrary.T
3、hispaperproposesamult-iobjectiveevo-lutionarybiclusteringtechniquetocarryoutclusteringofrowsandcolumnsatthesametime,andthealgorithmisabletogroupsimilar-itiesbetweenusersanditems.Inordertoevaluatetheproposedmethodology,thepaperappliedittoMovieLensdata
4、setwhichcontainsuser.sratingstoalargesetofmovies.Theresultsindicatethattheproposalisabletoprovideusefulrecommendationsfortheusers,outperformingothermethodologiesforCFreportedintheliterature.1Keywords2digitallibraryrecommendationsystempersonalizedserv
5、icecollaborativefilteringmult-iobjectivebiclustering[7]概念,2000年Cheng和Church把雙聚類(lèi)的概念引入1數(shù)字圖書(shū)館協(xié)同過(guò)濾推薦系統(tǒng)[8-9][10]到微陣列數(shù)據(jù)分析中,Yang和Wang將雙聚類(lèi)技術(shù)應(yīng)用到MovieLens數(shù)據(jù)集上,數(shù)據(jù)集由943個(gè)顧客[11]數(shù)字圖書(shū)館推薦系統(tǒng)能收集用戶(hù)感興趣的資料,(行)對(duì)1682部電影的評(píng)價(jià)數(shù)據(jù)組成。Castro應(yīng)用[12]并根據(jù)其興趣偏好主動(dòng)為用戶(hù)做出個(gè)性化推薦,其主到MovieLens數(shù)據(jù)
6、集上,提出方法BIC-aiNet,Ungar[13]要功能包括發(fā)現(xiàn)用戶(hù)興趣偏好、發(fā)現(xiàn)用戶(hù)需求的內(nèi)容對(duì)EachMovie數(shù)據(jù)集,Hofmann對(duì)觀眾是否觀看某偏好及實(shí)現(xiàn)個(gè)性化服務(wù)。目前,數(shù)字圖書(shū)館推薦系統(tǒng)電影的數(shù)據(jù)采用雙聚類(lèi)技術(shù)進(jìn)行協(xié)同過(guò)濾分析。Ah-[14]采用的主要方法包括基于內(nèi)容的推薦、基于協(xié)同過(guò)濾mad應(yīng)用基于二部圖交叉最小化的雙聚類(lèi)構(gòu)建隱私[15]的推薦、基于用戶(hù)統(tǒng)計(jì)信息的推薦、基于知識(shí)的推薦、保護(hù)協(xié)同過(guò)濾的框架。Vozalis利用公共可用的數(shù)據(jù)[16]基于關(guān)聯(lián)規(guī)則的推薦及其混合推薦系統(tǒng)
7、。GroupLens進(jìn)行電影推薦。Herlocker利用MovieLens協(xié)同過(guò)濾是基于具有相似興趣的其他用戶(hù)的意見(jiàn)數(shù)據(jù)集,包括943個(gè)用戶(hù)對(duì)1682部電影進(jìn)行評(píng)價(jià)的為新用戶(hù)自動(dòng)提供建議的方法,被廣泛應(yīng)用于數(shù)字圖100000個(gè)打分值,每個(gè)用戶(hù)至少對(duì)20部進(jìn)行評(píng)分,評(píng)書(shū)館、電子商務(wù)等領(lǐng)域的個(gè)性化服務(wù)系統(tǒng),包括基于用分值為從1(最壞)-5(最好)的數(shù)字。[1][2]戶(hù)的協(xié)同過(guò)濾、基于項(xiàng)目的協(xié)同過(guò)濾、基于關(guān)聯(lián)規(guī)[3][4][5]則、基于Horting圖和基于聚類(lèi)的協(xié)同過(guò)濾等。3多目標(biāo)優(yōu)化雙聚類(lèi)圖書(shū)推薦
8、算法2雙聚類(lèi)協(xié)同過(guò)濾算法我們應(yīng)用多目標(biāo)優(yōu)化雙聚類(lèi)算法求解數(shù)字圖書(shū)館協(xié)同過(guò)濾推薦,提出多目標(biāo)優(yōu)化雙聚類(lèi)圖書(shū)推薦[6]1972年Hartigan提出了雙聚類(lèi)(biclustering)的MOEA-AS算法,具體描述如下:收稿日期:2010-10-18修回日期:2011-01-22本文起止頁(yè)碼:111-113本文責(zé)任編輯:易飛111<<信息技術(shù)3.1雙聚類(lèi)及適應(yīng)度函數(shù)Repeat動(dòng)態(tài)調(diào)整值算法中每個(gè)雙聚類(lèi)編碼成固定長(zhǎng)度n+m的二進(jìn)更新群體的E-Pareto集制的位串,這里n和m是評(píng)分矩陣數(shù)據(jù)集中用戶(hù)和
