为了解决传统的基于用户的协同过滤算法中的数据稀疏性问题，提高推荐的准确率，对推荐算法进行了改进并将改进后的算法应用在美食推荐领域。利用均值中心化方法对实验数据进行处理，减少因个人评分习惯差异造成的推荐误差。通过使用改进的空值填补法降低评分矩阵的稀疏性，在计算相似度时引入了遗忘函数和用户间的信任度，进一步提高了推荐系统的准确性。实验表明，提出的改进算法比传统算法有更高的准确率，并得出了在推荐过程中考虑用户和项目外的其他因素以及针对不同的数据信息采用不同的算法，都有利于提高推荐准确率的重要结论。
2021-10-13 12:44:28
856KB
1
目录
1. 一般最小二乘法 3
1.1. 一次计算最小二乘算法 3
1.2. 递推最小二乘算法 3
2. 遗忘因子最小二乘算法 6
2.1. 一次计算法 6
2.2. 递推算法 6
3. 限定记忆最小二乘递推算法 9
4. 偏差补偿最小二乘法 11
5. 增广最小二乘法 13
6. 广义最小二乘法 15
7. 辅助变量法 17
8. 二步法 19
9. 多级最小二乘法 21
10. Yule-Walker辨识算法 23
Matlab程序附录 24
附录1、最小二乘一次计算法 24
附录2、最小二乘递推算法 25
附录3、遗忘因子最小二乘一次计算法 26
附录4、遗忘因子最小二乘递推算法 27
附录5、限定记忆最小二乘递推算法 29
附录6、偏差补偿最小二乘递推算法 31
附录7、增广最小二乘递推算法 32
附录8、广义最小二乘递推算法 34
附录9、辅助变量法 36
附录10、二步法 38
附录11、多级最小二乘法 39
附录12、Yule-Walker辨识算法 42
2021-10-01 22:16:33
1.06MB
1
二、带遗忘因子的渐消记忆递推最小二乘法
在使用RLS法的实时辨识中,随着k的增大,矩阵P(k)将逐渐趋近于零阵而出现数据饱和,即新数据将逐渐失去对参数估计值的影响力.
此外,许多实际工程和社会系统的模型参数随系统环境和内外扰动而缓慢变化,为能跟踪好这些缓慢时变的参数,需逐步赐除老数据对估计值的影响.
因此上一节的RLS法并不适用于这类具有时变参数的系统的参数估计.
为降低老数据的影响力,增加新数据提供的信息量,下面引入带遗忘因子的渐消记忆RLS法.
2021-09-22 10:17:35
474KB
1
学习不足为奇，但让AI聪明的遗忘却是个问题
安全运营
安全实践
信息安全
安全人才
安全架构
2021-09-06 17:00:19
1.94MB