为提高个性化推荐技术的准确率,首先在多维半马氏过程的状态空间中定义'空状态',得到扩展多维半马氏过程,将其与社会网络分析理论结合,得到社会网络信息流模型,该模型描述了社会网络成员间的信息流动过程。然后基于社会网络信...为提高个性化推荐技术的准确率,首先在多维半马氏过程的状态空间中定义'空状态',得到扩展多维半马氏过程,将其与社会网络分析理论结合,得到社会网络信息流模型,该模型描述了社会网络成员间的信息流动过程。然后基于社会网络信息流模型,提出协同过滤算法SMRR(Semi-Markov and reward renewal)。实验表明,由于综合考虑用户自身偏好和社会网络中其他成员的影响,SMRR的预测准确率明显高于原有算法。展开更多
文摘为提高个性化推荐技术的准确率,首先在多维半马氏过程的状态空间中定义'空状态',得到扩展多维半马氏过程,将其与社会网络分析理论结合,得到社会网络信息流模型,该模型描述了社会网络成员间的信息流动过程。然后基于社会网络信息流模型,提出协同过滤算法SMRR(Semi-Markov and reward renewal)。实验表明,由于综合考虑用户自身偏好和社会网络中其他成员的影响,SMRR的预测准确率明显高于原有算法。