典型文献
基于数据挖掘的高维数据协同过滤推荐算法
文献摘要：
考虑到传统算法在推荐高维数据时存在覆盖率和准确率低、平均绝对误差和均方根误差大的问题,提出了基于数据挖掘的高维数据协同过滤推荐算法研究.根据高维数据属性特征的偏好值,预测评分高维数据属性特征,采用关联规则对分解后的属性特征重构,得到高维数据属性特征的数据挖掘分类树,提取出高维数据属性特征,利用空间向量法,判断高维数据信息间的权重信息值,根据权重信息设置相应的门限值,得到高维数据信息间相似度的分布情况,完成对高维数据间的相似度值的计算,利用数据挖掘技术,对高维数据信息预处理,结合高维数据协同过滤推荐算法设计,实现了高维数据的协同过滤推荐.实验结果表明,基于数据挖掘的推荐算法不仅可以通过提高覆盖率和准确率增强推荐效果,还可以通过降低平均绝对误差和均方根误差提高推荐性能.
文献关键词：
数据挖掘;协同过滤;属性特征;高维数据;相似度计算;推荐算法
中图分类号：
作者姓名：
朱木清;文谧
作者机构：
广州华立学院,广州,511325;广州应用科技学院,广州,511370
文献出处：
引用格式：
[1]朱木清;文谧-.基于数据挖掘的高维数据协同过滤推荐算法)[J].自动化与仪器仪表,2022(01):91-94,99
A类：
B类：
高维数据,数据协同,协同过滤推荐算法,传统算法,平均绝对误差,算法研究,数据属性,属性特征,预测评分,关联规则,特征重构,分类树,空间向量法,重信,信息值,门限值,数据挖掘技术,算法设计,高覆盖,强推,推荐效果,低平,推荐性,相似度计算
AB值：
0.209579
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
