稀疏數(shù)據(jù)中基于高斯混合模型的位置推薦框架
大小：1.58 MB 人氣： 2018-01-17 需要積分：3
標(biāo)簽：稀疏(8618)
協(xié)同過濾和概率模型是位置推薦中的常用方法，但前者沒有考慮用戶的移動模式，后者也難以用于稀疏數(shù)據(jù)集。針對上述問題，面向稀疏數(shù)據(jù)構(gòu)建基于高斯混合模型的位置推薦框架GMMSD。按時(shí)間段劃分用戶簽到的歷史數(shù)據(jù)，通過數(shù)據(jù)預(yù)處理獲取用戶一區(qū)域矩陣，并利用矩陣分解算法提高稀疏數(shù)據(jù)的推薦準(zhǔn)確度，學(xué)習(xí)高斯混合模型以預(yù)測用戶出現(xiàn)在不同區(qū)域的概率分布，從而進(jìn)行位置推薦。在真實(shí)數(shù)據(jù)集上的實(shí)驗(yàn)結(jié)果表明，GMMSD可以有效提高稀疏數(shù)據(jù)中位置推薦的準(zhǔn)確度。
非常好我支持^.^
(0) 0%
不好我反對
(0) 0%
下載地址
稀疏數(shù)據(jù)中基于高斯混合模型的位置推薦框架下載
相關(guān)電子資料下載
- 昆侖萬維開源2千億稀疏大模型Skywork-MoE 371
- 一種柔性稀疏傳感器網(wǎng)絡(luò)系統(tǒng)，用于新生兒不安運(yùn)動評估 607
- 基于柔性無線IMU傳感器的稀疏傳感網(wǎng)絡(luò)，用于新生兒腦癱快速篩查 375
- 基于柔性無線IMU傳感器的稀疏傳感網(wǎng)絡(luò) 159
- Sparse4D-v3：稀疏感知的性能優(yōu)化及端到端拓展 806
- 深入理解BigBird的塊稀疏高效實(shí)現(xiàn)方案 343
- CCV 2023 | SparseBEV：高性能、全稀疏的純視覺3D目標(biāo)檢測器 602
- 基于全稀疏的單階段3D目標(biāo)檢測器優(yōu)化方案 338
- NVIDIA Ampere 架構(gòu)的結(jié)構(gòu)化稀疏功能及其在搜索引擎中的應(yīng)用 371
- 什么是稀疏陣列天線 稀疏相控陣天線優(yōu)點(diǎn) 3037