检索结果-南通市图书馆

维普期刊数据库

同方期刊数据库评论

在线全文

学校读者我要写书评

暂无评论

性别对同伴互评中用户评分偏好的影响研究

性别对同伴互评中用户评分偏好的影响研究

作者：梁立涛哈尔滨工业大学

学位级别：硕士

评论和评分数据是同伴互评中为学习者和系统平台提供参考的重要信息之一,用户在同伴互评的过程中通过发表评论和评分对他人的作业和评论进行评价,用户在发表评论和评分的过程中面临着很多不确定性,为了降低这种不确定性,对用户评分评论... 详细信息

评论和评分数据是同伴互评中为学习者和系统平台提供参考的重要信息之一,用户在同伴互评的过程中通过发表评论和评分对他人的作业和评论进行评价,用户在发表评论和评分的过程中面临着很多不确定性,为了降低这种不确定性,对用户评分评论数据的研究显得更加重要。因此,本文利用面向教育情境的编程同伴互评信息系统(EduPCR)中的共183名哈尔滨工业大学学生的真实的作业评论和评分数据,研究在同伴互评中性别因素中对用户评分偏好的影响,丰富该领域的研究。本文通过对相关文献进行整理和总结归纳,采用实证研究方法,从同伴互评的复查和回评两个角度,分别研究性别因素对用户评分偏好的影响,利用EduPCR系统的学生作业的评论和评分数据,通过构建多元回归方程,探究性别因素对用户评分偏好的直接和间接影响,主要内容和创新点如下:(1)研究在复查中性别因素对用户评分偏好的影响,这部分研究以复查者的评分作为因变量,复查者的性别、评论次数、评论长度以及主动评价率等因素为自变量研究了性别因素对复查者评分偏好的直接影响和通过调节复查者参与态度从而对复查者评分偏好产生的间接影响。研究证明,性别因素会对用户的评分偏好产生直接影响,相比于女性用户来说,男性用户在复查过程中对他人作业的评分更低;性别因素会调节用户参与态度与评分偏好的关系,男性性别削弱评论次数与评分偏好之间的负向关系,男性性别增强了主观评论率与评分偏好之间的正向关系。(2)研究在回评中性别因素对用户评分偏好的影响,以回评者对复查者发表评论的综合评分作为因变量,回评者的性别、复查者的评论次数、评论长度、主动评价率以及复查者给出的评论的情感消极程度等为自变量研究了性别因素对回评者评分偏好的直接影响和通过调节复查者参与态度从而对回评者评分偏好产生的间接影响。结果表明,性别因素对同伴互评回评中用户的评分偏好没有直接影响,但是性别因素对用户参与态度与回评者的评分偏好存在调节作用。男性回评者更愿意认可复查者主动发表的评论,而女性回评者更愿意认可系统已经设定的标签评论这类规范性和客观性的更好的评论;同时相对于女性回评者来说,男性回评者对复查者评论的消极情感反应更强烈,复查者给出评论的消极情感态度越强烈,男性回评者给出评分越低。

关键词：同伴互评性别差异参与态度评分偏好

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

结合对象属性与近似检索的协同过滤算法

小型微型计算机系统 2021年第5期42卷 972-976页

作者：陈乐余粟上海工程技术大学电子电气工程学院上海201620 上海工程技术大学图文信息中心上海201620

为解决传统协同过滤算法中评分数据高维稀疏、用户评分偏好属性和物品类别偏好属性缺失,而导致推荐效率较低和推荐质量较差的问题,本文提出一种结合对象属性和近似检索的协同过滤算法.首先,算法基于物品和用户的自有属性分别建立物品类... 详细信息

为解决传统协同过滤算法中评分数据高维稀疏、用户评分偏好属性和物品类别偏好属性缺失,而导致推荐效率较低和推荐质量较差的问题,本文提出一种结合对象属性和近似检索的协同过滤算法.首先,算法基于物品和用户的自有属性分别建立物品类别偏好模型和用户评分偏好模型,并将两种模型线性融合,用以修正原始评分数据.其次,算法采用基于p稳态分布的局部敏感哈希对修正评分数据进行降维与索引,以快速获取目标用户的近邻用户集合.最后,算法通过用户相似性度量计算最近邻用户集合,并基于最近邻用户集合计算目标用户的预测评分.实验结果表明,在不同近邻用户数下,所提算法的准确率和召回率均优于传统的协同过滤算法,且运行效率更高.因此所提算法具有更好的推荐质量和更高效的运行效率.

关键词：推荐系统协同过滤类别偏好评分偏好局部敏感哈希近似最近邻检索

基于用户反馈及其时效性改进的协同过滤推荐算法

维普期刊数据库

同方期刊数据库评论

在线全文

学校读者我要写书评

暂无评论

基于用户反馈及其时效性改进的协同过滤推荐算法

作者：王勋上海师范大学

学位级别：硕士

个性化信息高效获取问题在如今信息爆炸的时代日益凸显,该问题已经引起了社会各界的广泛关注。用户对信息的偏好以及时效性因人而异,其中用户行为的隐式反馈能够更准确的反馈出用户的喜好,并且呈现出一定的相关性,故而对用户的不同兴趣... 详细信息

个性化信息高效获取问题在如今信息爆炸的时代日益凸显,该问题已经引起了社会各界的广泛关注。用户对信息的偏好以及时效性因人而异,其中用户行为的隐式反馈能够更准确的反馈出用户的喜好,并且呈现出一定的相关性,故而对用户的不同兴趣偏好构建以及训练针对性的模型,对用户感兴趣的信息做出预测,对于用户高效获取个性化的偏好信息是具有现实意义的。而协同过滤推荐又是当今社会应用与研究最广泛的推荐算法之一,故本文的目标为基于用户兴趣和评分偏好差异自适应结合,构建出一个相对优秀的协同过滤推荐算法模型,对如何为用户精准推荐个性化偏好信息进行研究。传统的基于内容、混合推荐的推荐算法虽然能够在一定程度上提升预测推荐的精度,但是由于其本身的局限性,在处理数据较稀疏、用户的显示反馈较少的情况时,上述方法在预测精度方面的表还现是不够优越。而协同过滤推荐算法在处理稀疏数据时,能够对用户的隐式反馈及关联进行更深度的挖掘,从而达到更精准地预测效果。但是当前的协同过滤推荐算法大多只针对了用户共评分项等反馈对用户画像及关联进行建模,忽略了用户非共评分项及用户行为时效性等隐式反馈信息,在对用户的评分偏好建模时,也没有考虑到用户评分习惯参照系的选取对建模的影响,没有对用户有限的信息反馈做出最大化的发掘及利用从而为用户提供更精准的推荐预测。所以当前的协同过滤推荐算法研究依然存在以下不足:(1)没有充分考虑用户非共评分项对用户的隐式反馈信息进行更充分地挖掘,不能够缓解数据稀疏性;(2)没有充分考虑用户行为的时效性,在对用户兴趣进行建模的时候,应将伴随时间的流逝产生的用户兴趣漂移及项目流行度的衰减纳入考虑,提升推荐的精度;(3)在对用户兴趣建模的时候,应该考虑到不同用户的评分偏好及尺度的不同,相较于官方给出的标准的评分区间,应针对用户个人评分记录进行可信度更高的个性化建模。根据上述的研究情况,本文根据用户行为隐式反馈的特性,在计算用户相似的时,除了考虑用户共评分项的同时,结合用户的全部项目评分,将用户非共评分项引入相似度计算,缓解了数据稀疏性对预测精度的影响;还融合了时间因素,缓解了随时间流逝产生的用户兴趣漂移及项目流行度的衰减对预测精度的影响;结合用户评分的变异系数对用户评分行为偏好差异进行更精准地建模;在此基础上,最后将改进的用户相似度与用户评分行为偏好差异自适应整合为最终的用户相似性,并根据它生成预测结果。本文的主要贡献如下:(1)提出了一种改进的PCC相似性度量(ITPCR)方法,在考虑用户项目评分上下文信息的同时,融入时间因素,缓解了数据稀疏性、用户兴趣的漂移和项目流行度的衰减的影响;(2)提出了一种基于变异系数的方法来对用户评分偏好差异(URP)建模,利用用户历史评分行为作为量纲的来对用户评分偏好进行建模,提升模型的可信度;将改进后的ITPCR相似度与用户评分偏好差异URP进行加权自适应结合为ITPCR全局相似度,并据此生成更精确的预测结果;(3)提出了用户项目评分行为差异系数RD与TD,从结合用户信息与项目信息对PCC相关系数进行改进;利用SIGMOD函数对RD与TD进行指数归一化,构建出改进系数P,并与传统PCC相关系数结合为IMPCC全局性相似度,并据此来提升最终的预测精度。

关键词：协同过滤评分偏好兴趣偏好偏好差异

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于度量学习的推荐模型研究

基于度量学习的推荐模型研究

作者：王彦钧西南大学

学位级别：硕士

推荐系统在互联网的数据海洋中主动搜寻用户需要的信息,推荐系统的核心是推荐模型,研究推荐模型具有重大的工程意义。矩阵分解推荐模型具有较高推荐精度和容易实现等优点,至今被广泛应用。但矩阵式分解推荐模型使用点积预测用户偏好,点... 详细信息

推荐系统在互联网的数据海洋中主动搜寻用户需要的信息,推荐系统的核心是推荐模型,研究推荐模型具有重大的工程意义。矩阵分解推荐模型具有较高推荐精度和容易实现等优点,至今被广泛应用。但矩阵式分解推荐模型使用点积预测用户偏好,点积只是简单的线性乘积,且不满足三角形不等式,这些限制了矩阵分解推荐模型的推荐效果。有研究者提出基于度量学习的推荐模型,使用满足三角形不等式的距离度量代替矩阵分解中的点积度量,训练低维空间中用户与项目之间的度量距离。满足三角不等式的距离度量可以更充分地表示用户与项目之间的非线性交互关系,构建用户和项目的相似传递链,实现相似性传递,度量学习推荐模型具有可解释性强、易理解、训练费用低等优势。现有基于度量学习的推荐模型存在以下不足:1.不能充分抵消用户评分偏好对推荐结果造成的不利影响。用户评分偏好指用户的评分习惯,极端的评分偏好会极大降低推荐模型的准确度,已有度量学习推荐模型通常用偏置项表达用户的评分偏好,没有考虑项目差异性。2.无共评数据的用户之间的相似性常常被误判。共评数据指两个用户对相同项目的评分数据,对于没有共评数据的用户,度量学习推荐模型通过相似传递链衡量用户的相似关系,但相似传递链过长时,相似用户之间的距离过远,影响度量学习推荐模型对相似用户的判断。基于以上分析,本文从以下两个方面展开研究:（1）已有相关推荐模型不能充分抵消用户评分偏好对推荐结果造成的不利影响,对此,提出基于用户喜好度的度量学习推荐模型（MLUP）。使用项目标签数据区分项目差异性,同时考虑项目差异性和用户评分偏好,设计一种计算用户对项目喜好程度（以下称为喜好度）的方法,喜好度越高,表示用户对项目的喜好程度越强;使用用户喜好度替代用户评分数据,训练度量空间,缓解用户评分偏好对推荐模型的不利影响;计算度量空间中用户与未交互项目之间的距离,将距离转换为评分,完成评分预测推荐任务。在三个推荐常用的真实数据集上进行对比实验和参数分析实验,实验结果表明,MLUP推荐模型能有效降低用户评分偏好的不利影响,提供更准确的评分预测结果。（2）当用户间无共评数据时,已有的相关推荐模型对用户间的相似性容易产生误判。对此,提出结合用户标签和评分分布的度量学习推荐模型（MLTD）。设计一种不依赖共评数据的用户相似度计算方法,用项目标签数据计算用户标签相似性,用Wasserstein距离计算用户评分分布相似性,分别从两个不同的方面刻画用户相似关系,既考虑项目差异性,也利用用户的全部历史评分数据,结合这两种相似性计算没有共评数据的用户之间的相似度;根据用户相似度大小,确定度量空间中用户之间的距离远近关系,在度量空间中构建用户关系网络,避免用户相似传递链过长,降低用户相似度误判率。在三个推荐常用的真实数据集上进行对比实验和参数分析实验,实验结果表明,MLTD推荐模型能有效提高TopN推荐和评分预测两个推荐任务的精准率。

关键词：度量学习项目标签评分偏好共评数据用户相似度

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于用户贡献权重的推荐系统研究

基于用户贡献权重的推荐系统研究

作者：臧雪峰东北师范大学

学位级别：硕士

为了满足大数据时代用户的信息需求,个性化推荐系统得到了广泛的应用。推荐系统是用户发现感兴趣信息的重要工具,也是克服信息过载问题的重要方法。推荐系统的主要思想是通过分析用户的历史行为来进行推荐。协同过滤是一种简单有效的个... 详细信息

为了满足大数据时代用户的信息需求,个性化推荐系统得到了广泛的应用。推荐系统是用户发现感兴趣信息的重要工具,也是克服信息过载问题的重要方法。推荐系统的主要思想是通过分析用户的历史行为来进行推荐。协同过滤是一种简单有效的个性化推荐算法,是目前最为成功和广泛使用的一种方法,关键点是通过用户项目评分矩阵查找相似的用户或物品。然而,大多数传统的相似性方法是建立在用户共同评分物品信息基础之上,在稀疏的数据环境中表现效果并不是很好。本文提出了两种新方法来解决这个问题。由于传统相似度得到的是对称的用户贡献权重,事实上,用户之间的推荐贡献是不同的。所以我们第一种方法是在传统的相似度方法上考虑了邻域用户评过分而目标用户没评分的物品信息,获得用户之间的不对称贡献权重,同时考虑了用户共同评分的比例,因为共同评分的物品数越多就意味着两个用户之间越相近。第二种是基于Bhattacharyya系数的新的相似度方法,它使用了所有用户对项目的所有评分信息,不仅可以通过用户的评分行为获得用户的相似兴趣特征,而且可以获得用户已评分物品之间的相关性。同时新方法也考虑了用户有不同的评分习惯,这将更加准确预测用户的评分偏好。通过考虑影响用户之间相似性的多方面因素,可以为目标用户选择更恰当的邻域用户,从而可以更有效地改进推荐性能。这两种新方法在两个通用数据集上的实验结果显示推荐效果优于当前其它的相似度方法。

关键词：协同过滤用户贡献权重 Bhattacharyya系数项目相关性评分偏好

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

融合属性特征的深度矩阵分解推荐模型

融合属性特征的深度矩阵分解推荐模型

作者：龙光梅华中科技大学

学位级别：硕士

随着互联网和信息技术的快速发展,网络上衍生了海量的数据,人们在享受高新技术带来红利的同时,获取价值信息的成本越来越高,引发了数据过载。推荐系统是解决数据过载的有效方法之一,实现了从“人找数据”到“数据找人”过程的转换,通过... 详细信息

随着互联网和信息技术的快速发展,网络上衍生了海量的数据,人们在享受高新技术带来红利的同时,获取价值信息的成本越来越高,引发了数据过载。推荐系统是解决数据过载的有效方法之一,实现了从“人找数据”到“数据找人”过程的转换,通过分析用户资料、历史行为、社交网络等信息构建模型,充分挖掘用户的潜在兴趣,向用户推荐可能偏好的内容,极大地提升了信息分发的效率和精准度。矩阵分解作为一种典型的协同过滤推荐方法,可扩展性较好且易于实现,在个性化推荐领域得到了广泛的应用。矩阵分解的核心思路是将交互矩阵映射到基于用户和基于项目的潜在空间,通过潜在空间的向量乘积预测评分,但由于模型只考虑交互矩阵信息,存在数据稀疏、冷启动、评分偏好等问题。基于推荐冷启动和评分偏好问题,本文提出融合属性特征的深度矩阵分解模型(Biased Feature Singular Value Decomposition,BFSVD),首先基于用户属性和项目属性建立深度神经网络模型预测评分,并将预测评分与全局均分的偏差作为偏置项融入矩阵分解,缓解冷启动和评分偏好问题,提高推荐精度。本文在真实的电影评分数据集上进行了大量实验,并将矩阵分解和偏置矩阵分解作为实验对照组,验证BFSVD模型的有效性。实验结果表明,BFSVD在均方根误差和绝对值误差上的表现均优于两个实验对照组。

关键词：矩阵分解冷启动评分偏好偏置深度神经网络

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

融合评分的深度学习推荐算法

融合评分的深度学习推荐算法

作者：詹明臻广东工业大学

学位级别：硕士

随着分布式计算、人工智能、云计算等技术的迅速发展,各类网络服务的应用使数据规模与信息体量呈现指数级增长,推荐系统及其相关技术逐渐成为处理“信息过载”的重要工具。推荐系统需要记录用户交互行为中的显式行为或隐式行为,发掘出... 详细信息

随着分布式计算、人工智能、云计算等技术的迅速发展,各类网络服务的应用使数据规模与信息体量呈现指数级增长,推荐系统及其相关技术逐渐成为处理“信息过载”的重要工具。推荐系统需要记录用户交互行为中的显式行为或隐式行为,发掘出用户的偏好特征,然后产生符合用户偏好的物品推荐列表。由于传统的推荐系统主要通过人工或浅层模型提取用户或者物品的特征,因此传统方法难以获取用户或者物品的深层次表达。此外,传统的推荐系统在分析用户的偏好特征时,忽略了用户偏好会因时间而发生动态变化。针对以上问题,本文进行的研究工作如下:首先,本文采用Word2Vec模型对输入序列中的物品进行表征,并使用循环神经网络预测用户下一时刻交互的物品,提出W-LSTM的推荐模型。由于用户的历史行为之间具有上下文关系,可以使用Word2Vec框架对具有前后联系的用户行为进行建模,生成低维、稠密的物品词向量,并获取用户行为之间隐藏的语义关系,使循环神经网络在预测用户下一时刻点击的物品时有更好的表现。其次,在电影推荐任务中,为了使循环神经网络关注用户偏好的流派特征和部分重要的行为,本文构建了基于评分注意力机制并融合流派特征的GE-RA-LSTM模型。为了关注用户偏好的流派信息,模型在输入部分将电影的流派特征与电影词向量拼接。此外,为了关注用户的部分重要行为,模型将评分-逆物品频率与注意力机制相结合,使模型注重用户历史序列中的高分电影和冷门电影,挖掘出用户的独特偏好。GE-RA-LSTM模型不仅实现了挖掘用户的动态偏好,还可以为用户推荐更感兴趣的电影,同时增大了冷门电影的推荐力度。最后,本文将上述模型在Movie Lens-10M数据集中进行验证。实验结果表明,W-LSTM模型由于使用Word2Vec对用户历史序列的电影进行表征,在准确性和覆盖率等推荐指标上比随机初始化电影词向量的模型有一定的提升,并大幅度缩短模型的训练时间;在模型的输入部分引入一定数目的流派个数,可以使推荐的准确性进一步提升;使用评分注意力机制的GE-RA-LSTM模型在覆盖率指标上比使用注意力机制的推荐模型有较大提升。与传统推荐算法相比,本文提出的W-LSTM和GE-RA-LSTM模型都具有更好的推荐效果。综上所述,Word2Vec通过提取用户行为的上下文联系,可以对物品进行更好的表征。如果模型考虑用户偏好流派的影响,可以提升推荐结果的准确性。此外,在模型中引入评分注意力机制,可以使模型关注用户部分重要行为,挖掘用户独特偏好,从而提升推荐性能。

关键词：推荐算法 Word2Vec模型评分偏好注意力机制流派特征

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于循环神经网络的推荐算法研究

基于循环神经网络的推荐算法研究

作者：李玲华侨大学

学位级别：硕士

随着云计算、大数据等技术的高速发展,互联网中越来越多的各类应用使得数据规模呈爆炸式增长。推荐系统作为解决信息过载问题的有效方法,在很多领域得到了广泛应用。但传统的推荐算法主要利用浅层模型或者人工提取特征的方式学习特征,... 详细信息

随着云计算、大数据等技术的高速发展,互联网中越来越多的各类应用使得数据规模呈爆炸式增长。推荐系统作为解决信息过载问题的有效方法,在很多领域得到了广泛应用。但传统的推荐算法主要利用浅层模型或者人工提取特征的方式学习特征,导致算法无法获得用户和项目更深层次的特征表达。而且传统的推荐算法大多认为用户的属性是固定的,忽略了在用户行为的序列数据中用户兴趣爱好的动态变化对推荐结果造成的影响。近年来,深度学习在计算机视觉、语音识别等领域取得了巨大成就,同时也给推荐系统带来了新的机遇。深度学习可以通过其深层次的非线性网络结构从海量用户行为数据中学习到用户和项目更本质的特征表达。其中循环神经网络可以通过对用户行为的序列数据进行建模,从而学习到用户的动态兴趣变化,提高下一时刻的推荐精度。因此,本文主要围绕循环神经网络来进行推荐算法的研究。首先考虑到目前基于循环神经网络的推荐算法只关注用户行为序列的先后信息,忽略了用户对项目的评分偏好问题,提出了基于评分偏好的循环神经网络推荐算法。此外将循环神经网络和深度语义匹配模型相结合提出了基于深度语义匹配模型的循环神经网络推荐算法。具体研究内容如下:1.提出了基于评分偏好的循环神经网络推荐算法。算法通过循环神经网络对用户行为序列数据进行建模,然后将用户对项目的评分作为对序列中相应项目的偏好,进而将其结合到对下一时刻项目的预测中。通过在真实数据集上进行测试,结果表明该方法给用户推荐的下一时刻的项目不仅是用户将要点击的项目,同时也是用户感兴趣的项目。2.提出了基于深度语义匹配模型的循环神经网络推荐算法。算法将循环神经网络和深度语义匹配模型相结合,一方面通过循环神经网络对用户行为数据进行建模学习到用户当前兴趣的隐表示,另一方面通过深度语义匹配模型减少了模型参数,加快了模型的收敛。同时为了让算法学到更有效的用户特征表示,最后提出了带用户特征的基于深度语义匹配模型的循环神经网络推荐算法。通过多组实验表明该算法在收敛较快的同时提高了推荐的命中率。

关键词：推荐系统循环神经网络评分偏好深度语义匹配模型

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于稀疏数据的协同过滤推荐算法研究及实现

基于稀疏数据的协同过滤推荐算法研究及实现

作者：郭路路重庆邮电大学

学位级别：硕士

协同过滤能够根据个人先前的行为数据信息,准确预测个人将来所需的数据。随着计算机科学技术的普及和应用,在互联网中产生了大规模的数据,给人们的选择带来了极大的困难。因此,研究协同过滤推荐具有理论意义和应用价值。本文在详细分析... 详细信息

协同过滤能够根据个人先前的行为数据信息,准确预测个人将来所需的数据。随着计算机科学技术的普及和应用,在互联网中产生了大规模的数据,给人们的选择带来了极大的困难。因此,研究协同过滤推荐具有理论意义和应用价值。本文在详细分析协同过滤推荐现存问题的基础上,针对稀疏数据问题进行研究,主要工作包括:第一,针对数据稀疏环境下相似性判断策略失效的问题,本文提出基于用户评分偏好的策略。首先,分析用户间评分值信任关系,在皮尔逊相关系数的基础上引入用户评分值信任度,在计算用户间相似性时使用评分值信任度加权;其次,通过挖掘用户评分值背后隐含的用户真实偏好信息,找出高分人群和低分人群,构建用户评分偏好模型;最后,综合改良相似性评判和评分估测方法,更加准确的评判用户间的相似性,以得到更加紧凑的用户类别和更加准确的估测结果。第二,针对稀疏数据问题和用户兴趣的模糊性问题,本文提出融合模糊聚类的策略。模糊C均值算法在进行欧氏距离计算时,仅仅考虑用户对电影的评分数据,这样显的过于片面。本文定义用户间的属性距离,把用户间的属性距离和评分值间的欧氏距离进行加权融合,计算用户间的综合距离;针对模糊C均值算法对孤立点很敏感,且很容易产生局部最优问题,本文结合k-means++算法和k-mediods算法各自的优点,先进行一次聚类中心的筛选,然后将最终结果的类中心定为初始类中心,用于改良模糊C均值算法,优化聚类结果;针对MovieLens中电影评分数据稀疏问题,本文使用电影的类型信息,把用户-电影评分矩阵转换成用户-电影类型偏爱矩阵,达到降低维度的效果,使数据相对不再稀疏。第三,为了将本文介绍的理论在可以运行的系统中用实际数据来验证,本文设计并实现了一个协同过滤推荐原型系统,该原型系统能够完成电影爬虫、电影推荐、热门电影播放及电影评分等功能。

关键词：协同过滤稀疏数据模糊聚类评分偏好推荐系统