一种结合评分时间特性的协同推荐算法

合集下载

《2024年结合时间上下文和兴趣模型协同过滤推荐算法》范文

《结合时间上下文和兴趣模型协同过滤推荐算法》篇一一、引言随着互联网技术的飞速发展，信息过载问题日益严重，用户面临着从海量数据中筛选出感兴趣信息的挑战。

推荐系统作为一种解决信息过载问题的有效手段，已经成为了现代互联网应用的重要组成部分。

其中，协同过滤推荐算法因其简单有效而被广泛应用。

本文将探讨一种结合时间上下文和兴趣模型的协同过滤推荐算法，以提高推荐的准确性和用户体验。

二、协同过滤推荐算法概述协同过滤推荐算法是一种基于用户行为数据的推荐技术，通过分析用户的历史行为数据，发现用户之间的相似性，进而为用户推荐其可能感兴趣的内容。

协同过滤推荐算法主要包括基于用户的协同过滤和基于项目的协同过滤两种方法。

三、时间上下文在推荐算法中的应用时间上下文在推荐算法中具有重要作用。

用户在不同时间点的兴趣可能会发生变化，因此考虑时间上下文可以更准确地反映用户的当前兴趣。

在协同过滤推荐算法中，引入时间上下文可以进一步提高推荐的准确性。

例如，对于电影推荐系统，可以考虑用户在一天中的不同时间段观看电影的偏好，或者在一段时间内对某种类型电影的喜好变化。

四、结合时间上下文和兴趣模型的协同过滤推荐算法本文提出的结合时间上下文和兴趣模型的协同过滤推荐算法，旨在通过综合考虑用户的历史行为数据、时间上下文以及用户的兴趣模型，为用户提供更加个性化的推荐。

1. 用户兴趣模型构建首先，需要构建用户兴趣模型。

通过分析用户的历史行为数据，如浏览、点击、购买等行为，可以提取出用户的兴趣特征。

此外，还可以结合用户的注册信息、社交网络等信息，进一步丰富用户兴趣模型。

2. 时间上下文处理在处理时间上下文时，需要考虑用户在不同时间点的行为变化。

例如，可以按照小时、天、周、月等时间单位，对用户的行为数据进行统计分析，得出用户在各个时间段的偏好特征。

同时，还需要考虑节假日、特殊活动等时间因素对用户行为的影响。

3. 协同过滤推荐在得到用户兴趣模型和时间上下文后，可以采用协同过滤算法进行推荐。

协同过滤算法的推荐实时性评价方法(五)

协同过滤算法的推荐实时性评价方法随着互联网和大数据技术的不断发展，推荐系统已经成为了人们日常生活中不可或缺的一部分。

而协同过滤算法作为推荐系统中最为常见和实用的算法之一，其推荐的实时性评价方法也成为了研究和应用的热点之一。

本文将从协同过滤算法的推荐实时性评价方法出发，探讨其相关研究和应用现状，并尝试提出一种新的评价方法。

一、协同过滤算法的推荐实时性评价方法的研究现状协同过滤算法是基于用户行为数据进行推荐的一种算法，其核心思想是利用用户对物品的评价或者行为数据，来发现用户之间的相似性或者物品之间的相似性，从而进行推荐。

在传统的协同过滤算法中，推荐的实时性评价方法通常是通过离线评估和实际应用中的用户反馈来进行的。

离线评估是指在一定时间间隔内，对推荐系统的性能进行评估和分析。

通常采用的指标包括准确率、召回率、覆盖率等。

而实际应用中的用户反馈则是通过用户对推荐结果的点击、购买等行为数据来进行评价。

这两种评价方法各有优劣，离线评估可以较为准确地反映推荐系统的整体性能，但无法反映实时性；而用户反馈可以更直观地反映推荐的实时性，但受到用户行为的不确定性影响较大。

二、协同过滤算法的推荐实时性评价方法的应用现状在实际应用中，协同过滤算法的推荐实时性评价方法往往需要结合离线评估和用户反馈两种方法。

例如，通过离线评估得出推荐系统的整体性能，然后结合用户反馈对具体推荐结果的实时性进行评价。

此外，还可以利用实时流数据对推荐结果的实时性进行评价，如利用用户最新的行为数据对推荐结果进行动态调整和更新。

然而，在实际应用中，由于协同过滤算法的推荐实时性评价涉及到大量的数据处理和计算，因此往往存在着较大的计算复杂度和时间成本。

因此，如何在保证评价效果的前提下，降低评价的计算复杂度和时间成本，成为了当前研究和应用的热点之一。

三、提出一种新的协同过滤算法的推荐实时性评价方法针对当前协同过滤算法的推荐实时性评价方法存在的问题和挑战，本文尝试提出一种基于用户行为数据的动态实时评价方法。

结合评分时间和用户空间的协同过滤推荐算法

结合评分时间和用户空间的协同过滤推荐算法
李炎;艾均;苏湛
【期刊名称】《计算机应用与软件》
【年(卷),期】2018(035)012
【摘要】大多数科学研究的协同过滤推荐算法一般只利用用户的评分信息,而忽视了评分产生的时间以及用户所处的空间对推荐的影响.针对这一问题,从评分时间和用户空间角度对推荐算法的相似度计算、邻居用户选择以及评分预测过程进行改进.利用评分时间和用户空间两方面因素,提出结合评分时间和用户空间的协同过滤推荐算法.用户的兴趣随着时间的改变而发生改变,用户最近评分的影响力比以前评分的影响力更大.对没有空间信息的数据集,采用复杂网络拓扑布局算法把相关联的用户排布成用户空间网络布局.通过实验验证了该算法在准确性方面有显著的提高.【总页数】6页(P247-252)
【作者】李炎;艾均;苏湛
【作者单位】上海理工大学光电信息与计算机工程学院上海200093;上海理工大学光电信息与计算机工程学院上海200093;上海理工大学光电信息与计算机工程学院上海200093
【正文语种】中文
【中图分类】TP3
【相关文献】
1.一种结合评分时间特性的协同过滤推荐算法 [J], 李圣秋;吴伟明;谷勇浩
2.一种改进的结合标签和评分的协同过滤推荐算法 [J], 高娜;杨明
3.结合CFDP与时间因子的协同过滤推荐算法 [J], 张凯辉;周志平;赵卫东
4.结合时间遗忘和项目流行度的协同过滤推荐算法 [J], 赖国传;刘广聪
5.基于用户空间位置评分云模型的Web服务协同过滤推荐算法 [J], 王瑞祥;魏乐;段燕飞;咬登国;张航
因版权原因，仅展示原文概要，查看原文内容请购买。

一种属性和评分的协同过滤混合推荐算法

ｓｐａｒｓｅｒａｉｔｎｇｍａｔｒｉｘ．Ｐｒｏｐｏｓｅａｃｏｌｌａｂｏｒａｔｉｖｅｉｆｌｔｅｉｒｎｇｈｙｂｉｄｒｒｅｃｏｍｍｅｎｄａｉｔｏｎａｌｇｏｉｒｈｍｔｆｏｒａｔｔｒｉｂｕｔｅａｎｄｒａｔｉｎｇ．Ｔｈｅａｌｇｏｒｉｔｈｍｃｏｍｐｕｔｅｓ
Ｍｏｖｉｅｌｅｎｓ实验数据集下，实验结果表明提出的算法具有较好的平均绝对误差。
关键词：协同过滤；职业分类树；综合相似性；推荐算法
中图分类号：Ｃ９３１．９文献标识码：Ａ文章编号：１６７３ — ６２９Ｘ（２０１３）Ｏ７ — ０ｌ１６一（）４
化，构建评分时间权重的指数函数，并应用到项目之间的Ｐｅａｒｓｏｎ相关相似性中。通过权重因子加权项目之间基于属性的相似性和项目之间的Ｐｅａｒｓｏｎ相关相似性，然后计算基于项目属性的评分预测。描绘职业分类树，构建职业相似性模型，并与性别加权结合产生用户综合属性的相似性，得到基于用户属性的评分预测。最后，综合两者计算混合评分预测。在
ｓｉｍｉｌａｒｉｔｙｂａｓｅｄｏｎａｔｔｒｉｂｕｔｅｂｅｔｗｅｅｎｉｅｍｔｂｙｃａｔｅｇｏｒｙａｔｔｒｉｂｕｅｓｔｏｆｉｔｅｍ，ｔａｋｅｓｕｓｅｒ ’ ｓｉｎｔｅｒｅｓｔｓｃｈａｎｇｅｏｖｅｒｉｍｅｔｉｎｔｏａｃｃｏｕｎｔ，ｂｕｉｌｄｓｅｘｐｏ－

结合评分和信任的协同推荐算法_秦继伟

第４７卷第４期２０１３年４月
西安交通大学学报 ’ ＪＯＵＲＮＡＬＯＦＸＩＡＮＪＩＡＯＴＯＮＧＵＮＩＶＥＲＳＩＴＹ
Ｖｏｌ．４７Ｎｏ．４ｒ．２０１３Ａｐ
：／ＤＯＩ１０．７６５２ｘｔｕｘｂ２０１３０４０１７ｊ
ＡＣｏｌｌａｂｏｒａｔｉｖｅＲｅｃｏｍｍｅｎｄａｔｉｏｎＡｌｏｒｉｔｈｍＢａｓｅｄｏｎＲａｔｉｎｓａｎｄＴｒｕｓｔｇｇ
１２３１２１２１２，ＺＱＩＮＪｉｗｅｉＨＥＮＧＱｉｎｈｕａＨＥＮＧＤｅｌｉＩＡＮＦｅｎ，Ｚ，Ｔｇｇ，，，，，
（ ’ ，；１．ＳｈａａｎｘｉＰｒｏｖｉｎｃｅＫｅＬａｂｏｒａｔｏｒｏｆＳａｔｅｌｌｉｔｅａｎｄＴｅｒｒｅｓｔｒｉａｌＮｅｔｗｏｒｋＴｅｃｈ．Ｒ＆Ｄ，Ｘｉａｎ７１００４９Ｃｈｉｎａ２．ＤｅａｒｔｍｅｎｔｏｆＣｏｍｕｔｅｒＳｃｉｅｎｃｅａｎｄｙｙｐｐ ’ ， ’ ，；，Ｕ，）ＴｅｃｈｎｏｌｏＸｉａｎＪｉａｏｔｏｎＵｎｉｖｅｒｓｉｔＸｉａｎ７１００４９Ｃｈｉｎａ３．ＣｅｎｔｅｒｆｏｒＥｄｕｃａｔｉｏｎａｌＴｅｃｈｎｏｌｏＸｉｎｉａｎＵｎｉｖｅｒｓｉｔｒｕｍｉ８３００４６Ｃｈｉｎａｇｙ，ｇｙｇｙ，ｊｇｙｑ

协同过滤算法的推荐实时性评价方法

协同过滤算法的推荐实时性评价方法引言：在互联网时代，人们对于个性化推荐的需求越来越高。

协同过滤算法是目前应用最广泛的推荐算法之一，但是其实时性评价方法仍然存在一定的挑战。

本文将探讨协同过滤算法的推荐实时性评价方法，并提出一种新的评价思路。

协同过滤算法简介：协同过滤算法是一种根据用户行为来推荐商品或内容的算法，它主要分为基于用户的协同过滤和基于物品的协同过滤两种。

基于用户的协同过滤是根据用户之间的相似性来进行推荐，而基于物品的协同过滤则是根据物品之间的相似性来进行推荐。

这两种算法都是通过计算用户或物品之间的相似度来进行推荐，因此能够实现个性化的推荐。

实时性评价方法的挑战：由于用户的行为数据是不断产生的，而且用户对于推荐的实时性要求越来越高，因此如何评价协同过滤算法的推荐实时性成为一个迫切需要解决的问题。

传统的评价方法往往只能反映算法在静态数据集上的性能，而无法真正反映出算法在动态数据上的表现。

基于实时性的评价指标：为了解决这一问题，我们可以采用一些基于实时性的评价指标来评价协同过滤算法的推荐性能。

例如，可以引入“推荐时效性”指标来评价算法在实时性上的表现。

推荐时效性指标可以通过计算用户的行为数据与推荐结果之间的时间间隔来评价推荐的实时性，时间间隔越短则说明推荐结果的实时性越高。

动态调整算法参数：除了引入实时性指标外，还可以通过动态调整算法的参数来提高推荐的实时性。

例如，可以根据用户的最新行为数据来动态调整相似度计算的时间窗口，从而更好地反映用户的实时兴趣。

另外，也可以引入一些时效性较高的特征作为算法的输入，从而提高推荐的实时性。

结合用户反馈信息：在评价推荐实时性时，还可以结合用户的反馈信息来进行评价。

例如，可以通过用户的点击行为、浏览时长等信息来评价推荐结果的实时性，从而更好地反映用户对推荐结果的认可程度。

结语：协同过滤算法是一种非常有效的推荐算法，但是其实时性评价方法仍然存在一定的挑战。

通过引入实时性指标、动态调整算法参数以及结合用户反馈信息等方法，可以更好地评价协同过滤算法的推荐实时性，从而提高推荐的效果。

一种结合评分重合度的协同推荐算法

收稿日期：２０１９０６０７；修回日期：２０１９０８０２作者简介：任磊（１９７６），男，河南新乡人，讲师，博士，主要研究方向为系统集成、智能信息处理、推荐系统（ｒｅｎｌｅｉ＠ｓｈｎｕ．ｅｄｕ．ｃｎ）．一种结合评分重合度的协同推荐算法任　磊（上海师范大学信息与机电工程学院，上海２００２３４）摘　要：协同推荐是信息个性化服务中广泛应用的推荐算法，协同推荐算法以宿主系统所观测到的用户评分作为实现推荐的数据依据。

用户评分矩阵的稀疏性问题对协同推荐的各工作过程可产生直接或间接的影响，导致推荐服务的准确性下降。

通过对稀疏性问题影响推荐系统方式的分析发现，一般协同推荐方法的项目相似度计算只注重项目在评分数值上的相关性，而忽视了项目之间评分的重合度对提高推荐质量所起的重要作用。

通过将评分重合度融入到相似度计算中，提出了一种结合评分重合度的改进协同推荐算法，并在稀疏评分环境下将其与已有协同推荐算法进行了对比实验与分析，实验结果验证了所提算法在提高预测准确性上的有效性。

关键词：推荐系统；协同推荐；评分重合度；项目相似度中图分类号：ＴＰ３０１．６文献标志码：Ａ文章编号：１００１３６９５（２０２０）１０００８２９２２０４ｄｏｉ：１０．１９７３４／ｊ．ｉｓｓｎ．１００１３６９５．２０１９．０６．０１９８ＣｏｌｌａｂｏｒａｔｉｖｅｆｉｌｔｅｒｉｎｇａｐｐｒｏａｃｈｃｏｍｂｉｎｅｄｗｉｔｈｒａｔｉｎｇｏｖｅｒｌａｐＲｅｎＬｅｉ（ＣｏｌｌｅｇｅｏｆＩｎｆｏｒｍａｔｉｏｎＭｅｃｈａｎｉｃａｌ＆ＥｌｅｃｔｒｉｃａｌＥｎｇｉｎｅｅｒｉｎｇ，ＳｈａｎｇｈａｉＮｏｒｍａｌＵｎｉｖｅｒｓｉｔｙ，Ｓｈａｎｇｈａｉ２００２３４，Ｃｈｉｎａ）Ａｂｓｔｒａｃｔ：Ｃｏｌｌａｂｏｒａｔｉｖｅｆｉｌｔｅｒｉｎｇｈａｓｂｅｅｎｔｈｅｍｏｓｔｗｉｄｅｌｙｅｍｐｌｏｙｅｄｐｅｒｓｏｎａｌｉｚｅｄａｐｐｒｏａｃｈｉｎｒｅｃｏｍｍｅｎｄｅｒｓｙｓｔｅｍｓ，ｉｔｐｒｏｄｕｃｅｓｒｅｃｏｍｍｅｎｄａｔｉｏｎｓｂａｓｅｄｏｎｔｈｅｕｓｅｒｒａｔｉｎｇｓｏｂｓｅｒｖｅｄｂｙｔｈｅｈｏｓｔｓｙｓｔｅｍ．Ｔｈｅｉｓｓｕｅｏｆｓｐａｒｓｉｔｙａｂｏｕｔｔｈｅｒａｔｉｎｇｍａｔｒｉｘｃａｎｄｉｒｅｃｔｌｙｏｒｉｎｄｉｒｅｃｔｌｙａｆｆｅｃｔｔｈｅａｃｃｕｒａｃｙｏｆｒｅｃｏｍｍｅｎｄａｔｉｏｎｓ．Ｂｙａｎａｌｙｚｉｎｇｔｈｅｉｍｐａｃｔｉｎｇｗａｙｓｏｆｓｐａｒｓｉｔｙ，ｉｔｗａｓｆｏｕｎｄｔｈａｔｔｈｅｅｘｉｓｔｉｎｇｃｏｌｌａｂｏｒａｔｉｖｅｆｉｌｔｅｒｉｎｇａｐｐｒｏａｃｈｅｓｈａｖｅｅｍｐｈａｓｉｚｅｄｔｈｅｃｏｒｒｅｌａｔｉｏｎｂｅｔｗｅｅｎｔｈｅｒａｔｉｎｇｖａｌｕｅｓｏｆｉｔｅｍｓｉｎｃａｌｃｕｌａｔｉｎｇｔｈｅｉｔｅｍｂａｓｅｄｓｉｍｉｌａｒｉｔｙ，ｗｈｅｒｅａｓｔｈｅｐｏｓｉｔｉｖｅｅｆｆｅｃｔｏｆｒａｔｉｎｇｏｖｅｒｌａｙｏｎｉｍｐｒｏｖｉｎｇｔｈｅｒｅｃｏｍｍｅｎｄａｔｉｏｎａｃｃｕｒａｃｙｗａｓｎｏｔｔａｋｅｎｉｎｔｏｃｏｎｓｉｄｅｒａｔｉｏｎ．Ｂｙｉｎｔｅｇｒａｔｉｎｇｔｈｅｒａｔｉｎｇｏｖｅｒｌａｙｗｉｔｈｔｈｅｃｌａｓｓｉｃａｌｓｉｍｉｌａｒｉｔｙ，ｔｈｉｓｐａｐｅｒｐｒｏｐｏｓｅｄａｎｉｍｐｒｏｖｅｄｃｏｌｌａｂｏｒａｔｉｖｅｆｉｌｔｅｒｉｎｇａｐｐｒｏａｃｈ．Ｉｎｃｏｎｔｒａｓｔｗｉｔｈｔｈｅｃｌａｓｓｉｃａｌａｐｐｒｏａｃｈ，ｔｈｅｅｘｐｅｒｉｍｅｎｔａｌｒｅｓｕｌｔｓｅｘｈｉｂｉｔｔｈｅｅｆｆｅｃｔｉｖｅｎｅｓｓｉｎｐｒｏｍｏｔｉｎｇｔｈｅｐｒｅｄｉｃｔｉｏｎａｃｃｕｒａｃｙｉｎｔｈｅｃｏｎｔｅｘｔｏｆｒａｔｉｎｇｓｐａｒｓｉｔｙ．Ｋｅｙｗｏｒｄｓ：ｒｅｃｏｍｍｅｎｄｅｒｓｙｓｔｅｍ；ｃｏｌｌａｂｏｒａｔｉｖｅｆｉｌｔｅｒｉｎｇ；ｒａｔｉｎｇｏｖｅｒｌａｙ；ｉｔｅｍｂａｓｅｄｓｉｍｉｌａｒｉｔｙ伴随信息技术的快速发展，即时通信、电子商务和社交网络等应用已成为互联网信息服务的主要形式，信息产出与应用的界线趋于模糊，信息消费者在获取信息的同时也充当着信息的生产者和传播者，这种变化加快了信息资源产出和传播的速度，多样化的互联网应用在短时间内即可产生海量信息资源。

1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。

第３２卷第５期
２０１５年５月
计算机应用与软件
ＣｏｍｐｕｔｅｒＡｐｐｌｉｃａｔｉｏｎｓａｎｄＳｏｆｔｗａｒｅ
Ｖ０１．３２Ｎｏ．５Ｍａｖ２０１５
一
种结合评分时间特性的协同推荐算法
任磊
（上海师范大学计算机科学技术系上海２００２３４）
摘
要
用户评分是协同推荐算法实现未知评分预测的主要依据，传统协同推荐算法一般只利用评分的数值，而忽视评分产生时
间对推荐的作用，表现出随时间变化的概念漂移问题，评分数量的增长反而会导致推荐准确性呈现出下降趋势。针对现有协同推荐算法中存在的概念漂移问题，对其产生原因进行分析，结合评分时间信息对推荐的作用，从评分时间角度对推荐算法的相似度计算和评分预测过程进行改进，提出一种结合评分时间特性的协同推荐算法。通过实验进行该算法与现有协同推荐算法的对比，验证了该算法在提高推荐准确性方面的有效性。
ＲｅｎＬｅｉ
（ＤｅｐａｒｔｍｅｎｔｏｆＣｏｍｐｕｔｅｒＳｃｉｅｎｃｅａｎｄＴｅｃｈｎｏｌｏｇｙ，ＳｈａｎｇｈａｉＮｏｒｍａｌＵｎｉｖｅｒｓｉｔｙ，Ｓｈａｎｇｈａｉ２００２３４，Ｃｈｉｎａ）
ＡｂｓｔｒａｃｔＵｓｅｒｒａｔｉｎｇｉｓｔｈｅｍａｉｎｒｅｆｅｒｅｎｃｅｆｏｒｉｍｐｌｅｍｅｎｔｉｎｇｕｎｋｎｏｗｎｒａｔｉｎｇｓｐｒｅｄｉｃｔｉｏｎｉｎｃｏｌｌａｂｏｒａｔｉｖｅｒｅｃｏｍｍｅｎｄａｔｉｏｎａｌｇｏｉｒｔｈｍ，ｉｎ
ｔｒａｄｉｔｉｏｎａｌａｌｇｏｉｒｔｈｍｕｓｕａｌｌｙｔｈｅｖａｌｕｅｏｆｒａｔｉｎｇｉｓｕｔｉｌｉｓｅｄ，ｂｕｔｔｈｅｒｏｌｅｏｆｒａｔｉｎｇｇｅｎｅｒａｔｉｏｎｔｉｍｅｏｎｒｅｃｏｍｍｅｎｄａｔｉｏｎｉｓｉｇｎｏｒｅｄ，ｔｈｉｓｉｓｒｅｆｌｅｃ — ｔｅｄｉｎｔｈｅｉｓｓｕｅｏｆｃｏｎｃｅｐｔｄｒｉｔｆｗｉｔｈｔｈｅｔｉｍｅｖａｒｉａｔｉｏｎ，ａｎｄｔｈｅａｃｃｕｒａｃｙｏｆｒｅｃｏｍｍｅｎｄａｔｉｏｎｗｉｌｌｆａｌｌｏｆｉｎｓｔｅａｄａｌｏｎｇｗｉｔｈｔｈｅｉｎｃｒｅａｓｉｎｇｑｕａｎｔｉｔｙｏｆｒａｔｉｎｇ．Ａｉｍｉｎｇａｔｔｈｅｉｓｓｕｅｆｏｃｏｎｃｅｐｔｄｒｉｆｔｉｎｅｘｉｓｔｉｎｇｃｏｌｌａｂｏｒａｔｉｖｅｒｅｃｏｍｍｅｎｄａｔｉｏｎａｌｇｏｉｒｔｈｍ，ｗｅａｎａｌｙｓｅｉｔｓｃａｕｓｅ，ａｎｄｉｍｐｒｏｖｅｔｈｅｓｉｍｉｌａｒｉｔｙｃｏｍｐｕｔｉｎｇａｎｄｒａｔｉｎｇｐｒｅｄｉｃｔｉｏｎｐｒｏｃｅｓｓｏｆｒｅｃｏｍｍｅｎｄａｔｉｏｎａｌｇｏｉｔｒｈｍｆｒｏｍｔｈｅｐｅｒｓｐｅｃｔｉｖｅｏｆｒａｔｉｎｇｔｉｍｅｉｎｃｏｍｂｉｎａｔｉｏｎｗｉｔｈｔｈｅｒｏｌｅｏｆｒａｔｉｎｇｔｉｍｅｉｎｆｏｒｍａｔｉｏｎｏｎｒｅｃｏｍｍｅｎｄａｔｉｏｎ，ａｎｄｐｒｏｐｏｓｅａｃｏｌｌａｂｏｒａｔｉｖｅｒｅｃｏｍｍｅｎｄａｔｉｏｎａｌｇｏｉｔｒｈｍｗｈｉｃｈｃｏｍｂｉｎｅｓｔｈｅｒａｔｉｎｇｔｉｍｅ
关键词
中图分类号
推荐算法
概念漂移时间相似度时间评分预测
文献标识Ａ
ＤＯＩ：１０．３９６９／ｊ．ｉｓｓｎ．１０００￣８６ｘ．２０１５．０５．０２６
ＴＰ３０１．６
ＡＣｏＬＬＡＢｏＲＡＴＩＶＥＲＥＣｏＭＭＥＮＤＡＴＩｏＮＡＬＧｏＲＩＴＨＭＩＮＣｏＭＢＩＮＡＴＩｏＮＷＩＴＨＲＡＴＩＮＧＴＩＭＥＣＨＡＲＡＣＴＥＲＩＳＴＩＣ