CN111523038B - 应用于推荐系统中的自然噪声模糊管理方法及存储介质 - Google Patents

应用于推荐系统中的自然噪声模糊管理方法及存储介质 Download PDF

Info

Publication number
CN111523038B
CN111523038B CN202010344456.5A CN202010344456A CN111523038B CN 111523038 B CN111523038 B CN 111523038B CN 202010344456 A CN202010344456 A CN 202010344456A CN 111523038 B CN111523038 B CN 111523038B
Authority
CN
China
Prior art keywords
score
noise
medium
fuzzy set
low
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202010344456.5A
Other languages
English (en)
Other versions
CN111523038A (zh
Inventor
王永
王鹏宇
赵旭辉
陈霜
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Chongqing University of Post and Telecommunications
Original Assignee
Chongqing University of Post and Telecommunications
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Chongqing University of Post and Telecommunications filed Critical Chongqing University of Post and Telecommunications
Priority to CN202010344456.5A priority Critical patent/CN111523038B/zh
Publication of CN111523038A publication Critical patent/CN111523038A/zh
Application granted granted Critical
Publication of CN111523038B publication Critical patent/CN111523038B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/953—Querying, e.g. by the use of web search engines
    • G06F16/9535—Search customisation based on user profiles and personalisation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/906—Clustering; Classification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/953—Querying, e.g. by the use of web search engines
    • G06F16/9536—Search customisation based on social or collaborative filtering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis

Landscapes

  • Engineering & Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Educational Administration (AREA)
  • Development Economics (AREA)
  • Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Strategic Management (AREA)
  • Game Theory and Decision Science (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明请求保护一种应用于推荐系统中的自然噪声模糊管理方法及存储介质，属于推荐技术领域，具体包括步骤：获取推荐系统的评分数据，并利用三分法对推荐系统中的评分进行分类，建立每个类别的隶属度函数，得到评分的模糊集表示；根据评分的模糊集表示分别建立用户和项目的模糊集表示，所述模糊集表示用户或项目分别在低分、中分、高分的倾向；根据用户和项目的模糊集表示预估任意用户u对项目i的评分的模糊集表示，并进行归一化处理；根据噪声检测规则进行自然噪声检测；自然噪声修正：根据最大隶属度原则，对已经检测出的噪声数据进行修正，对所有噪声修正完成后形成新的数据集。本发明方法可以高效的对推荐系统自然噪声数据进行管理。

Description

应用于推荐系统中的自然噪声模糊管理方法及存储介质
技术领域
本发明属于推荐技术领域，具体的说是一种应用于推荐系统数据中的自然噪声模糊管理方法。
背景技术
推荐系统(Recommender System,RS)主要用于缓解信息过载问题，其思想原理是通过分析用户历史行为，挖掘用户偏好并为其提供可能感兴趣的产品和服务。其中，协同过滤(Collaborative Filtering,CF)作为广泛流行的推荐算法之一，对提升RS的性能和加速RS的发展具有重大贡献。近年来，有研究表明，RS的质量除了与推荐算法的设计息息相关，更是与历史数据质量密不可分。
推荐系统搜集到的用户数据中存在两类噪声数据：恶意噪声和自然噪声，这两类噪声对推荐算法产生了较大的负面影响，阻碍了推荐算法性能的进一步提升。恶意噪声是由恶意的用户处于商业目的故意向RS注入错误的数据，误导RS的推荐结果。自然噪声是非恶意的用户因为外部环境或偶然的错误导致的，影响着推荐系统的推荐质量。后者往往难以被检测而被忽视。自然噪声主要通过影响CF的邻居选择过程进而影响算法的整体性能，如图1所示。
目前的自然噪声管理方式主要通过重新预测方式检测和修正噪声，实验证明该类方法能够在一定程度上提升RS数据集的质量，进一步提升推荐性能。但同时也表明该类方法去噪效果并不显著，且由于涉及再预测过程时间复杂度大，阻碍了其进一步的发展。除此之外，关于自然噪声的管理相关研究文献较少，需要进一步研究。
而本发明提出了一种有效且高效的推荐系统自然噪声模糊控制方法。该方法包括噪声等级检测和噪声等级校正两部分。在检测过程中，我们首先采用模糊数学中的三分法来确定三个模糊类别(即低分，中分和高分)的隶属度函数，用于评分的模糊集表示。然后根据评分的模糊集表示，计算出用户和项目的模糊集表示。紧接着本发明预估出任意用户对任意项目的评分模糊集，和原始评分作比较得出自然噪声的检测准则。在校正过程中，根据最大隶属度原理，用均值代替噪声评级。提出的方案在两个不同的标准数据集中进行实验。实验结果表明，该方法显著提高了推荐精度，具有较高的预测效率。
发明内容
本发明旨在解决以上现有技术的问题。提出了一种应用于推荐系统中的自然噪声模糊管理方法。本发明的技术方案如下：
一种应用于推荐系统中的自然噪声模糊管理方法，其包括以下步骤：
步骤1.、获取推荐系统的评分数据，并利用三分法对推荐系统中的评分进行分类，建立每个类别的隶属度函数，得到评分的模糊集表示；
步骤2、根据评分的模糊集表示分别建立用户和项目的模糊集表示，所述模糊集表示用户或项目分别在低分、中分、高分的倾向；
步骤3、根据用户和项目的模糊集表示预估任意用户u对项目i的评分的模糊集表示，并进行归一化处理；
步骤4、根据噪声检测规则进行自然噪声检测；
步骤5、自然噪声修正：根据最大隶属度原则，对已经检测出的噪声数据进行修正，对所有噪声修正完成后形成新的数据集。
进一步的，所述步骤1.利用三分法对推荐系统中评分进行分类，并建立每个类别的隶属度函数，并得到评分的模糊集表示，具体包括：
评分预划分为三个类别：低分(low)，中分(medium)，高分(high)，低分隶属度函数为A1,中分隶属度函数为A2，高分隶属度函数为A3，根据三分法有：
Figure BDA0002469644890000021
a、b分别表示低分-中分(low-medium)分界点所满足的正态分布的均值和中分-高分(medium-high)分界点所满足的正态分布的均值，σ1、σ2分别表示低分-中分(low-medium)分界点所满足的正态分布的方差和中分-高分(medium-high)分界点所满足的正态分布的方差。其中
Figure BDA0002469644890000022
Figure BDA0002469644890000031
R代表推荐系统的评分范围集合，minR和maxR分别为最小值和最大值运算，round为取整运算；
根据低分(low)，中分(medium)，高分(high)的隶属度函数，任意一个评分的模糊集表示为：Fr＝(A1(r),A2(r),A3(r))。
进一步的，所述步骤2根据评分的模糊集表示分别建立用户和项目的模糊集表示，该模糊集表示用户或项目分别在低分(low)，中分(medium)，高分(high)的倾向，具体为：
用户模糊集(Fu)：
Figure BDA0002469644890000032
项目模糊集(Fi)：
Figure BDA0002469644890000033
其中，Ru表示用户提供的历史评分集合，
Figure BDA0002469644890000034
分别表示用户u在低分，中分和高分上的倾向，
Figure BDA0002469644890000035
分别表示项目i在低分，中分和高分的倾向。r表示一个特定的评分值。Ri表示项目获得的历史评分集合，函数|g|返回一个集合的大小。
进一步的，所述步骤3根据用户和项目的模糊集表示预估任意用户u对项目i的评分的模糊集表示，并进行归一化处理，具体包括：
根据用户和项目的模糊集表示预估任意用户u对项目i的评分的模糊集Fr p表示：
Figure BDA0002469644890000036
其中
Figure BDA0002469644890000037
分别表示预估评分在低分，中分和高分上隶属度。对上式进行归一化处理，
Figure BDA0002469644890000038
进一步的，所述步骤4根据噪声检测规则进行自然噪声检测，具体包括：
自然噪声检测：任意用户u对项目i的原始评分令为
Figure BDA0002469644890000039
d为原始评分和预估评分之间的误差，公式为：
Figure BDA00024696448900000310
其中函数|g|2表示L2范氏；
将误差d映射到[0,1]空间，为：
Figure BDA00024696448900000311
s代表原始评分
Figure BDA00024696448900000312
和预估评分
Figure BDA00024696448900000313
的相似性，通过实验设置合适的阈值δ控制数据集含噪程度，据此建立噪声检测规则；
噪声检测规则：当s<δ，原始评分
Figure BDA0002469644890000045
被认为是自然噪声。
进一步的，所述步骤5.自然噪声修正：根据最大隶属度原则，对已经检测出的噪声数据进行修正，规则如下：
当
Figure BDA0002469644890000041
自然噪声用a代替，
当
Figure BDA0002469644890000042
自然噪声用(a+b)/2代替，
当
Figure BDA0002469644890000043
自然噪声用b代替。
其中，a、b分别表示低分-中分(low-medium)分界点所满足的正态分布的均值和中分-高分(medium-high)分界点所满足的正态分布的均值，
Figure BDA0002469644890000044
对所有噪声修正完成后形成新的数据集。
一种存储介质，该存储介质内部存储计算机程序，其所述计算机程序被处理器读取时，执行上述权利要求任一项的方法。
本发明的优点及有益效果如下：
本发明的创新点主要在于步骤1，3和5.步骤1主要执行评分分类操作。传统的做法是三等分评分区间，每个区间对应于低分，中分和高分类别。该方法并不准确，不能体现不同评分之间的差异性。之后研究者认为一个评分并不是严格属于某一类，应该不同程度地隶属多个类别。于是，借助模糊集工具完成了评分类别的化分，但是之前的模糊分类方法中类别的隶属度函数由个人经验所决定，具有强烈的主观性。步骤1使用模糊数学中的三分法确定各评分类别的隶属度函数，使分类更准确。步骤3主要执行的是预估任意用户对任意项目的评分操作。传统的做法是通过再预测方法来完成该操作，但再预测的事件复杂度高，运行时间较长，限制了其性能。本发明直接通过分析用户和项目的倾向性特征，预估出评分，时间复杂度为O(1),用时显著减少，具有一定的高效性，如表12。步骤5主要执行的是噪声修正操作。传统的做法是利用皮尔逊相关系数(Pearson correlation coefficient，PCC)再预测的评分值替代原始评分值。由于PCC受共同评分项的限制，因此预测精度不高。实验结果也反应该方法去噪效果并不显著，对提升CF的性能程度较小，如表9-11。本发明提供的根据最大隶属度原则用分界点满足的正态分布均值修正噪声方法实验表现突出，避开再预测方式，该方法在MAE，RMSE，F1指标上优胜于其它噪声管理方法，较大程度地提升了CF的性能，如表9-11。
附图说明
图1是现有的推荐系统中自然噪声影响CF的过程示意图；
图2是本发明提供优选实施例方法流程图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、详细地描述。所描述的实施例仅仅是本发明的一部分实施例。
本发明解决上述技术问题的技术方案是：
本发明的一种应用于推荐系统中的自然噪声模糊管理方法，按照如下步骤进：
步骤1.利用三分法对推荐系统中评分进行分类，并建立每个类别的隶属度函数，并得到评分的模糊集表示.
以五星评级系统为例，评分范围为：{1，2，3，4，5}.因此，
Figure BDA0002469644890000051
Figure BDA0002469644890000052
低分，中分，高分的隶属度函数分别为：
A1(x)＝1-Φ(x-2)，A2(x)＝＝Φ(x-2)-Φ(x-4)，A3(x)＝Φ(x-4)
其中，
Figure BDA0002469644890000061
于是任意评分的模糊集如表1所示。
表1:评分的模糊集表示
Figure BDA0002469644890000062
步骤2.根据评分的模糊集表示分别建立用户和项目的模糊集表示。
示例包含10个用户对10项目的历史评分数据，如表2所示。
表2:原始含噪评分矩阵
Figure BDA0002469644890000063
其中，？代表的单元格表示该用户对该项目未评分。
根据历史评分，用户和项目的模糊集如表3和表4所示。
表3:用户的模糊集表示
Figure BDA0002469644890000064
Figure BDA0002469644890000071
表4：项目的模糊集表示
Figure BDA0002469644890000072
步骤3.根据用户和项目的模糊集表示预估任意用户u对项目i的评分的模糊集表示，对模糊集进行归一化后结果如表5所示。
表5:用户u对项目i的评分模糊集预估矩阵
Figure BDA0002469644890000073
Figure BDA0002469644890000081
Figure BDA0002469644890000091
步骤4.自然噪声检测
以u1和i1为例，根据表1，u1对i1的原始评分模糊集
Figure BDA0002469644890000092
根据表5，预估模糊集为
Figure BDA0002469644890000093
原始评分
Figure BDA0002469644890000094
和预估评分
Figure BDA0002469644890000095
的相似性：
Figure BDA0002469644890000096
针对该示例，通过实验确定噪声阈值δ＝0.7。由于s>δ,故该评分不是噪声。
同理，可以对原始含噪评分矩阵中的值依次进行检测，检测结果如表6所示：
表6:噪声检测结果矩阵
Figure BDA0002469644890000097
Figure BDA0002469644890000101
其中，带圈的单元格内评分为自然噪声，噪声比例为31.25％。
步骤5.自然噪声修正：根据最大隶属度原则，对已经检测出的噪声数据进行修正，修正结果如表7所示。
表7:噪声修正结果矩阵
Figure BDA0002469644890000102
实验：
1)数据集
本发明采用Movielens1M和Yahoo Music两个标准数据集。其中Movielens1M是包含6040个用户对3900个项目的1000209个电影评分数据集。Yahoo Music是包含8089个用户对1000个项目的270121个音乐评分数据集。评分范围为：1-5。本实验将数据集按照80％:20％分为两部分，80％的数据作为训练集,20％的数据作为测试集。
2)评价指标
实验将去噪后的新数据集应用于经典的推荐算法中，从预测误差和推荐质量两个方面探究改噪音管理方式对算法的影响。其中，度量预测误差采用的指标是MAE和RMSE，公式如下：
Figure BDA0002469644890000111
Figure BDA0002469644890000112
其中，T表示有效预测评分集。MAE和RMSE值越低，代表预测误差越小。
度量推荐质量采用的指标是精确率(Precision),召回率(Recall)和F1值。公式如下：
Figure BDA0002469644890000113
Figure BDA0002469644890000114
Figure BDA0002469644890000115
其中，Ip表示为用户u推荐的项目集合，Ia表示用户u真正喜欢的项目的集合。我们设置阈值为用户u历史评分的均值，当分值大于均值意味着用户u喜欢该项目；反之，不喜欢该项目。F1值是同时考虑了精确率(Precision)和召回率(Recall)的综合指标。F1值越大代表推荐质量越高。
3)实验结果
对比算法：
UCF：基于用户的协同过滤；
ICF：基于项目的协同过滤；
RP(Re-predicting)：利用再预测方式管理噪声；
FRP(Fuzzy re-predicting)：模糊再预测方式管理噪声。
因此，本发明对比算法如表8所示。
表8:对比算法
Figure BDA0002469644890000121
预测误差和推荐质量结果如表9-11所示。其中表9是所有算法在Movielens1M和Yahoo Music中不同邻居数(20，40,60,80,100)下的MAE结果，表10是所有算法的RMSE结果，表11是所有算法的F1值结果。
表9:MAE
Figure BDA0002469644890000122
Figure BDA0002469644890000131
表10:RMSE
Figure BDA0002469644890000132
Figure BDA0002469644890000141
表11:F1值
Figure BDA0002469644890000142
根据表9-11，本发明相比RP和FRP具有较好的去噪效果，能显著提升推荐系统的性能，具有一定的有效性。
在运行时间上，结果如表12所示.可见本发明运行时间较短，在保证有效性的同时也具有一定的高效性。
Table 12:运行时间
Figure BDA0002469644890000151
以上这些实施例应理解为仅用于说明本发明而不用于限制本发明的保护范围。在阅读了本发明的记载的内容之后，技术人员可以对本发明作各种改动或修改，这些等效变化和修饰同样落入本发明权利要求所限定的范围。

Claims (6)

1.一种应用于推荐系统中的自然噪声模糊管理方法，其特征在于，包括以下步骤：
步骤1、获取推荐系统的评分数据，并利用三分法对推荐系统中的评分进行分类，建立每个类别的隶属度函数，得到评分的模糊集表示；
步骤2、根据评分的模糊集表示分别建立用户和项目的模糊集表示，所述模糊集表示用户或项目分别在低分、中分、高分的倾向；
步骤3、根据用户和项目的模糊集表示预估任意用户u对项目i的评分的模糊集表示，并进行归一化处理；
步骤4、根据噪声检测规则进行自然噪声检测；
步骤5、自然噪声修正：根据最大隶属度原则，对已经检测出的噪声数据进行修正，对所有噪声修正完成后形成新的数据集；
所述步骤1利用三分法对推荐系统中评分进行分类，并建立每个类别的隶属度函数，并得到评分的模糊集表示，具体包括：
评分预划分为三个类别：低分(low)，中分(medium)，高分(high)，低分隶属度函数为A1,中分隶属度函数为A2，高分隶属度函数为A3，根据三分法有：
Figure FDA0003896047390000011
a、b分别表示低分-中分(low-medium)分界点所满足的正态分布的均值和中分-高分(medium-high)分界点所满足的正态分布的均值，σ1、σ2分别表示低分-中分(low-medium)分界点所满足的正态分布的方差和中分-高分(medium-high)分界点所满足的正态分布的方差，其中
Figure DEST_PATH_IMAGE002
Figure FDA0003896047390000013
R代表推荐系统的评分范围集合，minR和maxR分别为最小值和最大值运算，round为取整运算；
根据低分(low)，中分(medium)，高分(high)的隶属度函数，任意一个评分的模糊集表示为：Fr＝(A1(r),A2(r),A3(r))。
2.根据权利要求1所述的一种应用于推荐系统中的自然噪声模糊管理方法，其特征在于，所述步骤2根据评分的模糊集表示分别建立用户和项目的模糊集表示，该模糊集表示用户或项目分别在低分(low)，中分(medium)，高分(high)的倾向，具体为：
用户模糊集(Fu)：
Figure FDA0003896047390000021
项目模糊集(Fi)：
Figure FDA0003896047390000022
其中，Ru表示用户提供的历史评分集合，
Figure FDA0003896047390000023
分别表示用户u在低分，中分和高分上的倾向，
Figure FDA0003896047390000024
分别表示项目i在低分，中分和高分的倾向，r表示一个特定的评分值，Ri表示项目获得的历史评分集合，函数|·|返回一个集合的大小。
3.根据权利要求2所述的一种应用于推荐系统中的自然噪声模糊管理方法，其特征在于，所述步骤3根据用户和项目的模糊集表示预估任意用户u对项目i的评分的模糊集表示，并进行归一化处理，具体包括：
根据用户和项目的模糊集表示预估任意用户u对项目i的评分的模糊集Fr p表示：
Figure FDA0003896047390000025
其中
Figure FDA0003896047390000026
分别表示预估评分在低分，中分和高分上隶属度；
对上式进行归一化处理，
Figure FDA0003896047390000027
4.根据权利要求3所述的一种应用于推荐系统中的自然噪声模糊管理方法，其特征在于，所述步骤4根据噪声检测规则进行自然噪声检测，具体包括：
自然噪声检测：任意用户u对项目i的原始评分令为
Figure FDA0003896047390000028
d为原始评分和预估评分之间的误差，公式为：
Figure FDA0003896047390000029
其中函数|·|2表示L2范氏；
将误差d映射到[0,1]空间，为：
Figure FDA00038960473900000210
s代表原始评分
Figure FDA00038960473900000211
和预估评分
Figure FDA00038960473900000212
的相似性，通过实验设置合适的阈值δ控制数据集含噪程度，据此建立噪声检测规则；
噪声检测规则：当s＜δ，原始评分
Figure FDA0003896047390000031
被认为是自然噪声。
5.根据权利要求4所述的一种应用于推荐系统中的自然噪声模糊管理方法，其特征在于，所述步骤5.自然噪声修正：根据最大隶属度原则，对已经检测出的噪声数据进行修正，规则如下：
当
Figure FDA0003896047390000032
自然噪声用a代替，
当
Figure FDA0003896047390000033
自然噪声用(a+b)/2代替，
当
Figure FDA0003896047390000034
自然噪声用b代替；
其中，a、b分别表示低分-中分(low-medium)分界点所满足的正态分布的均值和中分-高分(medium-high)分解点所满足的正态分布的均值，
Figure FDA0003896047390000035
对所有噪声修正完成后形成新的数据集。
6.一种存储介质，该存储介质内部存储计算机程序，其特征在于，所述计算机程序被处理器读取时，执行上述权利要求1～5任一项的方法。
CN202010344456.5A 2020-04-27 2020-04-27 应用于推荐系统中的自然噪声模糊管理方法及存储介质 Active CN111523038B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010344456.5A CN111523038B (zh) 2020-04-27 2020-04-27 应用于推荐系统中的自然噪声模糊管理方法及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010344456.5A CN111523038B (zh) 2020-04-27 2020-04-27 应用于推荐系统中的自然噪声模糊管理方法及存储介质

Publications (2)

Publication Number Publication Date
CN111523038A CN111523038A (zh) 2020-08-11
CN111523038B true CN111523038B (zh) 2022-12-27

Family

ID=71906175

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010344456.5A Active CN111523038B (zh) 2020-04-27 2020-04-27 应用于推荐系统中的自然噪声模糊管理方法及存储介质

Country Status (1)

Country Link
CN (1) CN111523038B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103065307A (zh) * 2012-12-25 2013-04-24 上海交通大学 非精确配准下sar/spot图像的区域融合检测方法
CN105843829A (zh) * 2015-09-30 2016-08-10 华北电力大学（保定） 一种基于分层模型的大数据可信性度量方法
CN106302680A (zh) * 2016-08-06 2017-01-04 内蒙古大学 一种基于物联网的数据显示后台系统
CN107633444A (zh) * 2017-08-29 2018-01-26 南京理工大学紫金学院 基于信息熵与模糊c均值聚类的推荐系统噪声过滤方法
CN108538393A (zh) * 2018-04-02 2018-09-14 重庆邮电大学 基于大数据的骨质质量评估专家系统及预测模型建立方法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7921071B2 (en) * 2007-11-16 2011-04-05 Amazon Technologies, Inc. Processes for improving the utility of personalized recommendations generated by a recommendation engine
US20150339672A1 (en) * 2014-08-08 2015-11-26 Brighterion, Inc. Automation tool development method for building computer fraud management applications
WO2016109884A1 (en) * 2015-01-05 2016-07-14 Valorbec Limited Partnership Automated recommendation and virtualization systems and methods for e-commerce

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103065307A (zh) * 2012-12-25 2013-04-24 上海交通大学 非精确配准下sar/spot图像的区域融合检测方法
CN105843829A (zh) * 2015-09-30 2016-08-10 华北电力大学（保定） 一种基于分层模型的大数据可信性度量方法
CN106302680A (zh) * 2016-08-06 2017-01-04 内蒙古大学 一种基于物联网的数据显示后台系统
CN107633444A (zh) * 2017-08-29 2018-01-26 南京理工大学紫金学院 基于信息熵与模糊c均值聚类的推荐系统噪声过滤方法
CN108538393A (zh) * 2018-04-02 2018-09-14 重庆邮电大学 基于大数据的骨质质量评估专家系统及预测模型建立方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
"A Research on Fuzzy Formal Concept Analysis Based Collaborative Filtering Recommendation System";Peici Fang 等;《2009 Second International Symposium on Knowledge Acquisition and Modeling》;20091228;第352-355页 *
"考虑非对称用户偏好的推荐算法";王永 等;《计算机工程与应用》;20181231;第1-13页 *

Also Published As

Publication number Publication date
CN111523038A (zh) 2020-08-11

Similar Documents

Publication Publication Date Title
Vargas et al. Explicit relevance models in intent-oriented information retrieval diversification
WO2017133492A1 (zh) 一种风险评估方法和系统
Liang et al. An equivalent measure of partial correlation coefficients for high-dimensional gaussian graphical models
JP4920023B2 (ja) オブジェクト間競合指標計算方法およびシステム
US20150161139A1 (en) Data search processing
CN109034562B (zh) 一种社交网络节点重要性评估方法及系统
WO2018157625A1 (zh) 基于强化学习的排序学习方法及服务器
US20090157720A1 (en) Raising the baseline for high-precision text classifiers
US20190007432A1 (en) Comparing unsupervised algorithms for anomaly detection
WO2022179384A1 (zh) 一种社交群体的划分方法、划分系统及相关装置
US10599998B2 (en) Feature selection using a large deviation principle
KR20190128246A (ko) 검색 방법 및 장치 및 비-일시적 컴퓨터-판독가능 저장 매체
Wu et al. Decision‐making support for the evaluation of clustering algorithms based on MCDM
WO2020147259A1 (zh) 一种用户画像方法、装置、可读存储介质及终端设备
CN109344176A (zh) 基于双循环图的虚假评论检测方法
CN111523038B (zh) 应用于推荐系统中的自然噪声模糊管理方法及存储介质
Wang et al. A collaborative filtering algorithm fusing user-based, item-based and social networks
WO2018044955A1 (en) Systems and methods for measuring collected content significance
CN116703533A (zh) 一种商业管理数据优化存储分析方法
CN117056761A (zh) 一种基于x-dbscan算法的客户细分方法
CN116701772A (zh) 数据推荐方法和装置、计算机可读存储介质、电子设备
CN111128292A (zh) 一种基于蛋白质成簇特性和活性共表达的关键蛋白质识别方法
CN110825965A (zh) 一种基于信任机制和时间加权的改进协同过滤推荐方法
CN113852629B (zh) 基于自然邻的自适应加权核密度的网络连接异常识别方法及计算机存储介质
CN113515704B (zh) 推荐效果评价方法、装置、系统及计算机程序产品

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant