传统的协同过滤算法广泛应用于推荐系统领域,但该算法仍存在用户冷启动和数据稀疏性问题,造成算法的推荐质量较差。对此,提出一种基于用户多属性与兴趣的协同过滤算法AICF(attributes and interests collaborative filtering)。首先通...传统的协同过滤算法广泛应用于推荐系统领域,但该算法仍存在用户冷启动和数据稀疏性问题,造成算法的推荐质量较差。对此,提出一种基于用户多属性与兴趣的协同过滤算法AICF(attributes and interests collaborative filtering)。首先通过对多种用户属性分配权重计算出用户多属性相似度。其次利用改进的Slope One算法填充用户—项目评分矩阵,然后计算基于隐性标签的用户兴趣相似度。最后基于两种相似度的组合进行推荐。实验结果表明,AICF算法不仅明显提高了推荐结果的准确性,同时也改善了用户冷启动和数据稀疏性问题。展开更多
在研究了多用户 MIMO 线性处理技术和多用户选择方法的基础上,提出了多用户分组的思想。为了降低分组过程的复杂度,提出了基于最小奇异值和信道向量的内积的分组评价准则,并且给出了一种低复杂度的快速分组算法。仿真结果显示所提出的...在研究了多用户 MIMO 线性处理技术和多用户选择方法的基础上,提出了多用户分组的思想。为了降低分组过程的复杂度,提出了基于最小奇异值和信道向量的内积的分组评价准则,并且给出了一种低复杂度的快速分组算法。仿真结果显示所提出的算法可以明显提升系统性能:随着系统中激活用户数量的增加,逐渐接近单用户点对点 MI-MO 通信系统的性能;在一个具有4个发射天线的基站的系统中,当发射信噪比达到15dB,分组数量达到10时,采用了快速分组策略后,块对角化和规格化反转方法的各态历经性信道容量分别提升4bits/Hz 和3bits/Hz 以上。展开更多