排序方式: 共有4条查询结果,搜索用时 46 毫秒
1
1.
经典的协作式过滤算法基于记忆的非参数局部模型,该模型应用最近邻算法(K-nearest neighbors,KNN)技术,把目标用户近邻对于目标推荐项的喜好,作为向该用户进行有效推荐的标准。该方法在预测时需要较长的运算时间,并且在特定参数的限制下,不能保证对所有的用户进行有效预测。为了解决以上问题,介绍1种基于聚类模式的新的推荐方法。该算法首先假设目标用户和推荐项均能以一定的概率划归于不同的用户模式和推荐项模式中;通过计算各个用户模式对于各个推荐项模式的评分,以及用户属于不同用户模式的概率,推荐项属于不同项目模式的概率;从而产生目标用户对于具体推荐项的预测评分。通过与经典的协作式过滤推荐算法结果的对比,该方案可以在较短的时间预测所有用户对于所有推荐项的评分,并且其推荐效果与其他方法对比有了很好的改进。 相似文献
2.
将过采样闭环结构与贝叶斯变分法相结合,推导出基于过采样闭环结构的递推贝叶斯变分法,并且通过分析过采样闭环结构估计模型的渐近方差表达式,得出过采样结构可以利用超出模型频带之外的高频信息减小辨识模型的误差。仿真结果表明:基于过采样结构的贝叶斯变分法在输出噪声仅为白噪声情况下,相较于传统辨识方法具有更高的辨识精度。当输出噪声受到尖峰噪声或脉冲噪声污染时,笔者方法能够利用外加噪声中含有的高频信息提高辨识精度。 相似文献
3.
在实际工业过程中,异常值的干扰是不可避免的,现有的处理异常值方法会导致模型估计有偏差,并且没有考虑潜在异常值的影响。针对上述缺点,利用学生分布噪声来处理潜在异常值,提出一种适用于学生分布噪声情况的贝叶斯鲁棒辨识方法,并且将其与过采样结构相结合,推出了基于过采样结构的贝叶斯鲁棒辨识方法。仿真实验表明:本文提出的算法,随着异常值影响的增加,仍然保持较小的辨识误差,而传统辨识方法已不再适用,同时,还克服了传统结构需添加额外测试信号所带来的巨额成本。因此,本文的算法更适合于实际工业过程辨识。 相似文献
4.
1