一种新型混合相似度计算模型

摘要

本文解决了最近邻接滤波的传统推荐算法中的相似性计算问题，尤其是描述动态用户偏好的故障。从解决用户兴趣漂移问题的角度来看，本文提出了一种新的混合相似度计算模型。该模型由两个部分组成，一方面，模型使用功能拟合来描述用户的评级行为及其评级偏好，另一方面它采用了随机林算法将用户属性特征考虑在内。此外，本文结合了两个部分，为用户推荐构建新的混合相似性计算模型。实验结果表明，对于不同尺寸的数据集，模型的预测精度高于传统推荐算法。

1.介绍

传统的协同过滤(CF)算法通常基于用户-物品评价矩阵计算用户或物品之间的相似度，根据计算出的相似度选择最近邻，构造预测分数，生成推荐列表。因此，相似度计算决定了启发式CF算法推荐的精度和质量。然而，目前传统的启发式CF推荐算法在相似度计算方面存在诸多问题，如无法发现用户兴趣的变化;即直接在统计的基础上计算相似度，只考虑用户评分和中心评分，而忽略其他因素，如用户属性、时间权重、用户评分习惯等。

为了解决传统启发式CF推荐中的相似性计算问题，提高其性能，罗等人。[1]，Anand和Bharadwaj [2]和Lopes等人。[3.]提出了全球相似度措施。基于传统的相似性算法，全局相似度测量考虑了用户之间的传递关系，以计算全局相似性并构建用户最近的邻域集。的Lopes的人的实验结果表明，在非常稀疏的数据集的情况下，传统的相似性的算法的组合和全局相似性度量可以提高推荐的精度。李等人[4.]提出了波动因子的概念。他考虑了波动因素的影响，并通过计算消除了波动因素的影响-score方法计算用户之间的相似度。Shen等人[5.]提出了两阶段相似度学习算法，第一阶段利用PCC计算相似度并得到最近邻，第二阶段利用降梯度法学习相似度，提高了推荐精度。高和黄[6.]提出了基于物品重力属性模型的思想。其相似度计算包括两部分:一是传统计算得到的相似度;另一部分首先定义物品属性的权重值，然后通过物品重力属性模型计算初始相似度，对两种相似度进行加权后，考虑评分时间的影响计算最终相似度值。

以上研究从不同角度出发，旨在加强用户与物品之间的关联，提高用户或物品之间的相似度，得到最优最近邻集，并在此基础上提高推荐的准确性和质量。但是，在加强用户与物品之间的关联时，我们可以考虑一些因素，如用户的人口统计学特征以及评级的时间效应导致的时间衰减，这些因素对关联有一定的影响。在处理用户冷启动问题时，考虑用户属性特征是非常有效的。

因此，本文提出了一种新的相似度计算方法:ritt - ua算法。ritt - ua算法由两部分组成:一是用户评级兴趣的相似性，考虑用户评级和兴趣的相似性，以及两者在用户评级时间和置信度约束下的变化和影响;另一部分是用户属性的相似度，该部分考虑了用户属性特征对推荐的影响，在得到每个属性特征的权重后计算用户属性的相似度。最后，ritt - ua算法对这两部分进行了线性拟合。实验结果表明，与传统方法相比，本文提出的算法能够获得更好的预测精度。

2.相关工作

在推荐系统的研究中，虽然近年来，推荐者系统已经经常进行了充分研究，但仍有一些常见问题，如数据稀疏，冷启动和用户兴趣漂移。为了解决这些问题并提高建议精度和准确性，研究人员可能会考虑许多方面，包括基本的用户属性特征以及对用户行为发生的时间和地点，以及对相应的研究。

人口推荐系统(DRS)是推荐系统的重要组成部分。人口统计特征可以识别用户的类型和偏好，系统可以根据用户的属性特征对用户进行排序，并根据排序结果生成推荐。DRS在解决用户冷启动和数据稀疏等问题方面发挥了重要的支持作用。目前的许多研究已经证明，用户属性特征可以提高推荐的准确性。Luo等[7.]采用改进的量化核最小均方(EQ-KLMS)算法，提高了机器学习的效率，提高了天气预报的准确性。Beel等[8.]，阐述了用户属性特征在推荐过程中的作用，并分析论证了用户属性特征对推荐系统的点击率有显著影响。从旅游推荐的角度，Wang等[9.实验证明，将机器学习方法(朴素贝叶斯、贝叶斯网络和支持向量机)与人口统计学特征相结合，可以提高旅游推荐的预测精度。赵等人[10.]利用视觉跟踪传感器获取生物特征信息，然后利用基于机器学习的生物特征来提高识别的准确性。结合用户属性特征，Al-Shamri [11.]基于用户偏好建模方法，分别构造了5种相似度测度，实验结果表明，用户属性特征的结合提高了推荐系统的推荐精度。Santos等人[12.]应用了实际推荐环境中的用户属性功能，并分析了场景中的上下文约束。陈和他[13.通过用户信息构建了用户人口统计矢量，并且在此基础上，考虑了核心项目和项目的频率以找出新的相似性。实验结果表明，这种方法可以有效地解决了冷启动的问题，提高了推荐准确性。Luo等[14.通过使用近似动态编程，通过在线学习和优化，实现QoS预测，通过在线学习和优化，无需预先知道或预测模型识别。然后，通过使用内核最小均方算法[15.]，缺乏Web服务QoS是预测的。实验结果表明，该方法可以有效解决冷启动问题，提高预测精度。

随着推荐系统研究的深入，为了获得更好的推荐，提高推荐质量，许多研究者开始将背景信息纳入到推荐系统的研究中。相对而言，时间信息在上下文信息中更容易收集，对于提高推荐系统时间序列多样性的研究具有重要价值，这已成为当前研究的热点[16.]．科伦(17.]采用矩阵分解(SVD)，将时间作为一个重要的特征添加到用户项目的特征数据集中，有效地解决了用户兴趣漂移问题。Karatzoglou等[18.]和熊等。[19.将时间信息作为第三特征向量，采用张量分解的方法来表示时间的动态变化。根据用户的评级历史，Rong等人[20.[将其分为几个时期，并在每个时段中分析用户的偏好分布并量化了它们的偏好。李等人[21.]将用户偏好划分为不同的阶段，并提出了跨域CF框架。实验证明，该算法不仅提高了推荐预测精度，而且解决了用户兴趣漂移问题。

3.ritt - ua算法描述

在相对稀疏数据的上下文中，从解决用户兴趣漂移问题的角度来看，本文在传统的相似性计算的基础上提出了RIT-UA算法，引入了因素（例如用户属性特征和time decay of rating) which influence user’s rating behaviors. The RIT-UA algorithm consists of two parts: one is the similarities of rating-interest, and the other part is the similarities of the user attributes.

３．１．评级利率的相似性

评级兴趣的相似之处由评级相似性和利益相似性组成，主要考虑两个方面：用户对项目和用户的评级习惯的偏好。同时，基于两个方面，引入了时间衰退的效果，并且还引入了文献中提出的波动因子的组合引入了用户之间的置信系数[4.]．最后得到了用户间评级兴趣的相似性。整个过程描述如下。

3.1.1。评级相似之处

在电子商务系统领域中，额定值或投票通常用于获得用户的直接偏好。假设用户对物品的偏好程度被归类为5级，这是爱慕、喜爱、喜欢、不满和厌恶 那相应的成绩是 ．因此，结果将产生一个评级矩阵。用户-项目的评分偏好矩阵如表所示1．

表格1是用户项目的评级矩阵。在评级矩阵中，当两个用户的评级越接近，说明他们的偏好相似。当两个用户的评级相同时，这意味着用户共享相同的首选项。如果评分之间有很大的差距，那就意味着两个用户的偏好相反。因此，为了描述用户评分之间相似度的非线性相关性，本文在文献[的基础上，构造s形函数来表示用户评分的相似度[22.，提出了s形函数作为相似性的表达式。本文还采用s形函数来表示用户间的相似度。公式如下:

方程(1)表示物品评级之间的相似性从用户和用户 ． 代表物品的评级从用户和代表物品的评级从用户 ．

3.1.2。兴趣相似

每个用户都有自己的评分习惯。例如，一些不坚持使用步枪的用户往往会给高分，而一些注重细节的严格用户可能会给低分。因为他们对分数要求更严格，他们不会轻易给高分。因此，对用户习惯的描述有助于提高预测精度。对于用户评分习惯和物品的固有属性，Koren [17.]使用等式来定义它们，如等式所示（2)，即把用户自己的评分习惯作为影响评分的因素。在 （2）表示用户自己的评分习惯，而表示用户对物品的评价 ．

因此，在物品的评级范围内，当用户倾向于高度得分并且喜欢物体时，他/她通常会为它提供高分。但是，即使用户不喜欢该对象，他/她也不会给出低分，反之亦然。因此，根据用户对项目给出的平均得分，可以显示他/她的兴趣和鉴定习惯的偏好。同样，基于文献[22.]，提出s形函数作为相似度的表示，并构造s形函数来表示用户兴趣的相似度，如

方程(3.)表示用户兴趣的相似度和用户在项目上 ．然后，结合用户之间的评分相似度和兴趣相似度，得到计算公式，如

3.1.3。时间因素

一般来说，将不同时间发生的用户行为一视同仁，缺乏有效的定量分析。时间因素反映了用户兴趣漂移的变化趋势。评级信息越接近当前，推荐效果越好，反之亦然。在此基础上，一些研究使用线性和非线性函数来量化评级行为随时间的变化。

在文献中[23.]，为了解决追踪用户兴趣的变化的难题，提出了Ebbinghaus忘记了曲线，用于对用户兴趣配件的研究。Ebbinghaus遗忘曲线的变化如图所示1．根据文献[23.]，结合艾宾浩斯遗忘曲线的趋势，本文使用如下函数来描述用户兴趣漂移的趋势，即绘制出时间因素的影响方向，如图所示

代表项目上用户评级之间的时间差 那这是参数，在本文中，我们将其设置为0.005。因此，在考虑时间效应之后，用户评级感兴趣的相似性的新计算方程到达：

表示用户核对的项目数和用户 ．

3.1.4。用户之间的信心

当用户数据非常稀疏，关联项数量非常少时，相似度计算中存在较大的偶然因素。李等人[4.用波动系数消除这种影响。在此基础上，本文引入关联项数，通过自然指数来调整相似度的权重，如

方程(7.）表示用户之间的置信系数和用户 那代表用户评级的项目 那代表用户评级的项目 那显示用户的核心项目和用户 那表示用户之间的核心项和最近的邻居，表示最近的邻居集合。

考虑置信度系数后，计算用户评级兴趣相似度的调整公式为:

3.2。用户属性的相似性

考虑用户属性的相似度，一方面可以提高预测的准确性，另一方面可以解决新用户冷启动的问题;也就是说，当没有其他可用的评级数据时，可以使用用户属性特征的数据来构建模型并给出建议。关于用户属性相似度的描述，文献[20.]将用户属性分为数值属性和名称属性，分别进行定义和表示。本文从易于理解和实现的角度，对用户属性的相似度定义如下:

对于单个用户属性，它表示为 ．

它表示当用户时和用户共享相同属性 那取值为1;否则值为0。

在 （9.）是用户属性的特征权重值吗 ．为了得到每个特征属性的所有权重值，本文选用随机森林的特征选择算法，计算每个用户属性特征的重要程度，并生成其秩。然后根据排序进行实验，进一步得到各属性的相对重要性权重值。

3.3。基于RIT-UA的相似性计算

章节3．1和3.2分别考虑评级兴趣的相似度和用户属性的相似度;因此我们对两者进行加权组合，得到一个新的相似度计算方程:

在 （10.)， ．在得到相似度计算方程后，我们得到用户对物品的预测方程，如

和意味着用户的平均分数和用户 那分别为,表示用户的邻居集 ．

在算法中对ritt - ua相似算法进行了描述1．

因此，从算法中的描述1可以看出，ritt - ua算法的运行时间复杂度为 那在哪里表示用户数量和表示项目的数量。

4. RIT-UA算法的描述

4.1。实验数据集

考虑到数据集的开放性和权限，同时，我们的仿真实验基于评分矩阵，因此我们选择了两个数据集，即Movielens-100K和Netflix，进行实验分析和比较。该过程如下所示。

以下4.4.1。movielens - 100 k的数据集

数据集是由Grouplens研究提供的胶片评级数据集。数据集包含来自943个用户的100,000个额定值，用于1682部电影，每个用户至少至少具有20部电影，评级间隔是-如表所示2．同时，数据集的稀疏性是 %．数字2(一个)按降序显示ML-100k数据集上用户评级的项目数量。从图中，我们可以看到许多用户评估的项目数量小于100.为了测试算法的性能，数据集分为两部分：80％作为训练集和20％测试集。

在ML-100k数据集中，关于用户的属性特征只有4个属性:性别、年龄、职业和邮政编码。

4.1.2。Netflix的数据集

Netflix数据集是原始Netflix游戏数据的一部分。在适当的数据清洁后，数据集包含来自4861个用户的387,939个额定值，用于5080个对象，其中每个用户至少具有20个对象，并且评级间隔是-如表所示2．

数据集的稀疏性是 ％，和图2 (b)按降序显示ML-100k数据集上用户评级的项目数量。从图中可以看出，被大量用户评价的物品数量小于100。同样，为了测试算法的性能，将数据集分为两部分:80%作为训练集，20%作为测试集。

在清理Netflix数据集的过程中，由于其中没有用户属性特征数据，本文根据ML-100k用户属性数据的特征，通过仿真实验，随机生成Netflix中三个用户属性数据:性别、年龄和职业。年龄属性的范围为 那佔用属性有20个佔用范围 那而gender的值在这个范围内给出 ．由于我们的数据集的高稀疏性，我们对稀疏数据采用资源调度和处理方法[24.那25.]．

4.2。实验评估数量

一般来说，在推荐系统预测精度的实验评价中，存在着MAE(平均绝对误差)和RMSE(均方根误差)等评价量。经过比较，本文采用均方根误差(RMSE)作为评价量。方程是

表示测试数据集的大小，并且指的是指参考预测评级值的实际评定值。RMSE所示的值越小，预测精度越高;也就是说，值越小，预测越近。

4．3．实验过程与分析

4.3.1。实验一:用户属性特征权值的实验分析

从(9.）我们可以看出，为了获得每个用户属性特征的加权值，本文选择了随机林算法。

随机森林是一个集合学习方法，可以分析复杂的交互功能数据，即使在某些数据噪声的影响下它是非常坚固的，而且在特征学习和分析中非常有效。其可变重要性测量可以是高维数据的特征选择工具。近年来，它已广泛用于各种预测，特征选择和异常检测[26.]．

因此，我们在ML-100k和Netflix数据集上使用随机森林算法得到每个用户属性特征的权值。实验结果如图所示3.和4.．

在ML-100K数据集上，来自图3.我们可以看到，在4个属性(年龄、性别、职业、邮政编码)中，性别是最重要的，说明性别属性在推荐中起着重要的作用，与此属性相关的用户评分更加相似。相对于性别属性，邮政编码属性在推荐中的作用相对较低，因此其权重值也相对较低。而年龄和职业这两个属性对特征权重的影响相对中等，实验表明其权重值分别约为0.284和0.186。

图的插图部分3.和4.显示每个特征的可能权值的walker域。对于Netflix数据集，性别和年龄属性的推荐效果非常明显，权重值的总体重要性排名类似于ML-100k。

为了测试（年龄，性别，占用和邮政编码）和（年龄，性别和占用）对ML-100K和Netflix数据集的每个属性的相对最佳重量值，我们执行几套本文的比较实验，实验结果如图所示5.和6.．从数据5.和6.可以看出，在ML-100k数据集上，将“年龄、性别、职业、邮政编码”分别设为“0.3、0.3、0.25、0.15”时，我们得到了较好的实验结果。对于Netflix的数据集，当“年龄，性别，职业”分别取“0.5,0.4,0.1”时，我们得到了较好的实验结果。因此，下面的实验将使用上述值。

4.3.2。实验2：α和β重量值的实验分析

根据 （10.），以获得价值观α和β基于ML-100k和Netflix数据集，我们使用ritt - ua算法进行了以下几组实验。实验结果如图所示7.和8.．

从数字所示的结果7.和8.可以看到，对于ML-100k数据集，当 和 ，我们得到了相对较好的实验结果。对于Netflix的数据集，时间 和 ，获得了相对更好的实验结果。

4.3.3。实验3：与其他相似措施的比较实验分析

为了验证本文算法的有效性，我们将其与其他相似度量进行了比较，包括Pearson相似度、调整余弦相似度(Acosine)、PIP [27.相似，以及NHSM [28.在ML-100k和Netflix数据集上的相似性。实验结果如图所示9.和10.， 分别。

从图中9.我们知道，在ML-100K数据集上，整体实验结果表明，随着邻居的增加，本文的算法逐渐优于其他纸张。在开始阶段，当邻居的数量在内10, 30]，本文提出的算法的结果与PIP接近，但稍好于后期的PIP。当邻域数在内时，NHSM的实验结果较好10,30]但后期情况更糟。PCC算法和Acosine算法的实验结果较差。在Netflix的数据集上，来自Figure10.我们知道，本文提出的算法的性能随着邻居数的增加而逐渐优于其他算法。当邻域数在一定范围内时，NHSM的表现优于其他邻域10,40]，但性能不如本文之后提出的算法。

4.3.4。实验4：不同尺寸数据集精度的比较

本文基于ML-100k数据集，分别选择20%、40%、60%和80%的数据集。邻居 作为前提，我们验证了不同算法在不同规模的数据集上的精度比较。采用五重交叉验证得到实验结果的平均值，如图所示11.．

从图中11.我们可以看到所提出的算法在不同尺寸的ML-100K数据集上产生更好且稳定的结果，表明在稀疏数据的情况下，所提出的算法具有更高的识别度。至于其他三种算法，PIP算法的性能相对稳定，并且RMSE值相对较低。然而，对于NHSM算法，当数据集相对稀疏时，RMSE值更高，而随着数据集的大小增加，NHSM算法更好地执行并且变得更稳定。

5.结论

针对传统相似度计算中存在的问题，提出了一种新的相似度计算模型。该模型描述和表达了用户评级偏好、用户评级习惯和时间因素等方面。此外，考虑了用户属性特征对用户评级的影响，研究了各属性特征在推荐中的作用。然后采用随机森林算法计算各属性的权重值。最后的实验结果表明，与其他相似度度量方法相比，本文提出的方法显著提高了推荐精度，即使在数据稀疏的情况下，仍然显示出较好的实验结果。实验的不足之处是,由于用户属性数据在数据集相对较小,没有明显的差异在计算用户属性的特征权重值,用户属性数据是私有的和不容易获得,这不可避免地投下阴影的实验。

的利益冲突

作者声明本文的发表不存在利益冲突。

致谢

该项目得到了中南大学中央大学的基本研究资金，没有。2017ZZTS623和湖南省2011年合作创新中心，用于开发利用金融和经济大数据属性。

参考文献

1. H. Luo，C.NIU，R. Shen和C. Ullrich，“基于本地用户相似性和全球用户相似性的协作过滤框架”机器学习，卷。72，没有。3，pp。231-245,2008。查看在：出版商网站|谷歌学术搜索
2. D. Anand和K. K. Bharadwaj，“利用各种稀疏性措施提高基于局部和全球相似性的协作推荐系统的准确性，”专家系统与应用，卷。38，不。5，pp。5101-5109，2011。查看在：出版商网站|谷歌学术搜索
3. A. R. S. Lopes, R. B. C. Prudencio，和B. L. D. Bezerra，“基于局部和全球相似性的协作过滤框架，具有相似度打破标准”神经网络国际联席会议的诉讼程序，第2887-2893页，2014年7月。查看在：出版商网站|谷歌学术搜索
4. 王刚，高明华，“一种新的协同过滤相似度计算方法”，出版小波分析和模式识别国际会议的诉讼程序，第38-43页，IEEE，2013年7月。查看在：出版商网站|谷歌学术搜索
5. J. Shen，Y.Wei和Y. Yang，“基于两个相似性学习阶段的协同过滤推荐算法及其优化”第13届IFAC大规模复杂系统研讨会的诉讼程序：理论与应用，第335-340页，2013年7月。查看在：出版商网站|谷歌学术搜索
6. 高磊、黄敏，“一种基于属性重心模型的协同过滤推荐算法”第十二届网络信息系统与应用会议论文集，pp。197-200，2015年9月。查看在：出版商网站|谷歌学术搜索
7. X. Luo，J. Deng，J. Liu，W.W.Wang，X. Ban和J. Wang，“一种智能数据分析熵导游学习的量化内核最少均值方案”，中国传播，卷。14，不。7，pp。1-10,2017。查看在：出版商网站|谷歌学术搜索
8. J. Beel, S. Langer, A. Nürnberger等人，“人口统计(年龄和性别)和其他用户特征对评价推荐系统的影响”数字图书馆的研究与先进技术，第396-400页，施普林格，柏林，德国，2013。查看在：谷歌学术搜索
9. 王玉英，沈春福。陈志强，“人口统计推荐系统对旅游景点的适用性:旅游顾问的个案研究”，刊于IEEE / WIC / ACM Web Intelligence和智能代理技术研讨会的诉讼程序第97-101页，2012年12月。查看在：出版商网站|谷歌学术搜索
10. W. Zhao，R.Lun，C. Gordon等，“一个以人为本的活动跟踪系统：走向更健康的工作场所”人机系统上的IEEE交易，第47卷，第47期。3, pp. 343-355, 2017。查看在：出版商网站|谷歌学术搜索
11. M. Y. Al-Shamri，“人口划分的用户分析方法，”基于知识的系统，第100卷，第175-187页，2016。查看在：出版商网站|谷歌学术搜索
12. E. B. Santos，M. Garcia Manzato和R. Gourarte，“评估人口统计数据对混合推荐模型的影响，”国际IADIS国际互联网期刊，卷。12，不。2，pp。149-167,2014。查看在：谷歌学术搜索
13. 陈涛、何磊，“基于人口统计属性向量的协同过滤”未来计算机和通信国际会议论文集，PP。2009年6月，IEEE计算机协会225-229。查看在：出版商网站|谷歌学术搜索
14. Luo H. Luo, X. Chang，“基于近似动态规划的协同web服务QoS预测在线优化”互联网上的识别，信息和知识国际会议的诉讼程序（Iiki'14），pp.80-83，IEEE，北京，中国，2014年10月。查看在：出版商网站|谷歌学术搜索
15. 张德东，刘军，张学军，“基于核机器学习算法的工业物联网大规模web QoS预测方案”，计算机网络，第101卷，第81-89页，2016。查看在：出版商网站|谷歌学术搜索
16. L. Y. Dou和X. Wang，“基于时间和标签的联系过滤推荐算法”，太原理工大学学报,没有。6、2015。查看在：谷歌学术搜索
17. Y. koren，“与时间动态的协同过滤”第十五届ACM SIGKDD知识发现和数据挖掘国际会议论文集(KDD '09)，pp.447-456，巴黎，法国，2009年6月。查看在：出版商网站|谷歌学术搜索
18. A. Karatzoglou，X.Amatriain，L. Baltrunas和N. Oliver，“多层建议书：N维张量因子，用于背景感知协作过滤，”第四届ACM推荐系统会议论文集(RecSys’10)，第79-86页，ACM，西班牙巴塞罗那，2010年9月。查看在：出版商网站|谷歌学术搜索
19. L. Xiong，X. Chen，T.K.Huang等，“贝叶斯概率张解浪潮分解时的时间协同过滤”暹罗国际矿业国际会议议程（SDM '10），页211-222，哥伦布，俄亥俄州，美国，2010年4月- 5月。查看在：出版商网站|谷歌学术搜索
20. H. G.Rong，S. X. Huo，C.H. Hu等，“基于用户相似性的协作过滤推荐算法”，杂志在通信第35期2, pp. 16-24, 2014。查看在：谷歌学术搜索
21. 李斌，朱旭东，李锐等，“基于时间的跨领域协同过滤”国际人工智能联席会议的诉讼程序（IJCAI'11），pp.2293-2298，巴塞罗那，西班牙，2011年7月。查看在：谷歌学术搜索
22. M. Jamali和M. Ester，“Trustwalker：一个随机步道模型，用于结合基于信任和基于项目的推荐，”第十五届ACM SIGKDD知识发现和数据挖掘国际会议论文集(KDD '09)，pp。2009年7月397-405。查看在：出版商网站|谷歌学术搜索
23. 余辉，李志勇，“基于遗忘曲线的协同过滤推荐算法”，南京大学学报（自然科学版）第46卷，第46期5，页520-527,2010。查看在：谷歌学术搜索
24. W.Wei，X. Fan，H.歌曲，X. Fan和J. Yang，“不完美的信息动态Stackelberg游戏基于隐藏的马克可夫的资源分配使用隐藏的马云计算”IEEE服务计算汇刊, 2016年。查看在：出版商网站|谷歌学术搜索
25. 李涛，刘勇，高磊，“基于合作的雾计算智能感知任务模型，”IEEE访问， vol. 5, pp. 21296-21311, 2017。查看在：出版商网站|谷歌学术搜索
26. D.-J。杨建军，杨晓军。《基于随机森林的特征选择算法》，吉林大学学报（工程技术版），第44卷，第5期。1, pp. 137-141, 2014。查看在：出版商网站|谷歌学术搜索
27. H. J.Ahn，“协作过滤的新相似度措施，以缓解新用户冷起源问题”信息科学，卷。178，不。1，pp。37-51,2008。查看在：出版商网站|谷歌学术搜索
28. H.刘，Z. Hu，A. Mian，H. Tian和X. Zhu，“一个新的用户相似性模型，提高了协作过滤的准确性”基于知识的系统，卷。56，pp。156-166,2014。查看在：出版商网站|谷歌学术搜索

版权

版权所有©2017范晓萍等。这是一篇发布在创意公共归因许可证，允许在任何媒介上不受限制地使用、传播和复制，但必须正确引用原作。