關聯規則推薦算法分析及評估
大?。?/span>0.89 MB 人氣： 2018-01-09 需要積分：1
標簽：推薦算法(9953)
現有的關聯規則推薦技術在數據提取時主要側重于關聯規則的提取效率，缺乏對冷、熱門數據推薦平衡性的考慮和有效處理。為了提高個性化推薦效率和推薦質量，平衡冷門與熱門數據推薦權重，對關聯規則的Apriori算法頻繁項集挖掘問題進行了重新評估和分析，定義了新的測評指標推薦非空率以及七前項頻繁項集關聯規則的概念，設計了基于K前項頻繁項集的剪枝方法，提出了優化Apriori算法且適合不同測評標準值的七前項頻繁項集挖掘算法，降低頻繁項集提取的時問復雜度。理論分析比較與實驗表明，七前項剪枝方法提高了頻繁項集的提取效率，擁有較高的推薦非空率、調和平均值和推薦準確率，有效地平衡了冷、熱門數據的推薦權重。
非常好我支持^.^
(0) 0%
不好我反對
(0) 0%
下載地址
關聯規則推薦算法分析及評估下載
相關電子資料下載
- TikTok將開發獨立版推薦算法，以滿足美國用戶需求？ 426
- 快手的短視頻推薦算法（1） 782
- 詳解推薦算法的架構流程 2871
- 《麻省理工科技評論》發布了最新的2021年10大突破性技術的概念 2814
- top-N推薦算法評測的影響有哪些？ 1846
- 基于賽靈思FPGA的廣告推薦算法Wide and deep硬件加速案例 2775
- 互聯網廣告推薦迎來變革，雪湖科技聯合賽靈思發布推薦算法解決方案 1614
- 基于阿里云FPGA云的廣告推薦算法加速器 985
- 基于深度學習的推薦算法大部分都存在不同程度的數據集缺失和源碼缺失 3690
- 基于標簽的推薦算法應用場景、基于標簽的推薦算法原理介紹 16714