为了解决传统的基于用户的协同过滤算法中的数据稀疏性问题，提高推荐的准确率，对推荐算法进行了改进并将改进后的算法应用在美食推荐领域。利用均值中心化方法对实验数据进行处理，减少因个人评分习惯差异造成的推荐误差。通过使用改进的空值填补法降低评分矩阵的稀疏性，在计算相似度时引入了遗忘函数和用户间的信任度，进一步提高了推荐系统的准确性。实验表明，提出的改进算法比传统算法有更高的准确率，并得出了在推荐过程中考虑用户和项目外的其他因素以及针对不同的数据信息采用不同的算法，都有利于提高推荐准确率的重要结论。
2021-12-30 18:21:56
856KB
1
协同过滤是成功的个性化推荐技术之一. 但传统协同过滤算法由于不能及时反映用户的兴趣变化，影响了推荐质量. 针对这个问题，本文借鉴心理学上艾宾浩斯遗忘曲线来跟踪和学习用户的兴趣，展开了协同过滤推荐算法的研究. 通过数学分析工具发现了与遗忘曲线拟合度较高的幂函数曲线，并把用户的兴趣分为短期兴趣和长期兴趣，提出了基于时间窗口的权重函数，以此解决跟踪和学习用户兴趣的难题. 结合项目的评分相似性和属性相似性来定义项目相似度数据权重函数. 将基于时间窗的数据权重与基于项目相似度的数据权重相结合来反应用户对项目的兴趣度
2021-12-21 09:48:34
453KB
1
弹性重量合并
通过弹性体重合并，深度强化学习和有监督的设置进行终身学习。
部分结果
链接
2021-12-14 17:13:03
133KB
1
该模型说明了重复控制概念。 选择伺服驱动系统作为案例研究。 应该注意的是，非常基本的重复补偿器在传递方向引入了积分。 这种方法并不稳健。 你不能在物理控制系统中做到这一点。 要观察这样做的可能后果，请设置遗忘因子 gamma=0。 最简单但不是最有效的方法来强化该方案是使用 0<gamma<1。 这显然用一阶滞后元素代替了 k 方向上的纯积分器。 该系统现在更加强大，但是，其跟踪性能却受到了影响。 更复杂的解决方案涉及频率相关的遗忘，即控制信号的过滤。 Michal Malkowski 很快就会提供更多关于这方面的信息——2014 年 12 月下旬在 Matlab Central 上查看他的信息。此提交不包含任何开创性的发现，但我们希望 Michal 和我共同创作的一些模型能够，敬请期待： )
2021-12-03 14:59:19
601KB
1