研究基于行为曲线的用户协同过滤控制推荐,提出了优化的协同过滤算法:Collaborative Filtering Based on User Of Behavior Curve(UBC-based CF),使用更细粒度的行为曲线来表示用户,通过行为曲线相似度来计算用户之前的相似度,从而基于...研究基于行为曲线的用户协同过滤控制推荐,提出了优化的协同过滤算法:Collaborative Filtering Based on User Of Behavior Curve(UBC-based CF),使用更细粒度的行为曲线来表示用户,通过行为曲线相似度来计算用户之前的相似度,从而基于用户的协同过滤算法为用户提供更加精准的空调控制推荐服务。该方法主要包括以下几个方面:首先,提取用户历史操作行为,生成行为曲线,以表示用户;然后,计算每两条行为曲线的Jaccard相似度,从而评估每两个用户之间的相似度;接着,针对推荐用户,选取距离该用户最近的K个邻居及当前的控制参数,生成该用户的参数推荐;最后,通过实验来验证该方法的效果。从实验结果来看,该方法的推荐准确率达到91%,效果得到优化。展开更多
文摘研究基于行为曲线的用户协同过滤控制推荐,提出了优化的协同过滤算法:Collaborative Filtering Based on User Of Behavior Curve(UBC-based CF),使用更细粒度的行为曲线来表示用户,通过行为曲线相似度来计算用户之前的相似度,从而基于用户的协同过滤算法为用户提供更加精准的空调控制推荐服务。该方法主要包括以下几个方面:首先,提取用户历史操作行为,生成行为曲线,以表示用户;然后,计算每两条行为曲线的Jaccard相似度,从而评估每两个用户之间的相似度;接着,针对推荐用户,选取距离该用户最近的K个邻居及当前的控制参数,生成该用户的参数推荐;最后,通过实验来验证该方法的效果。从实验结果来看,该方法的推荐准确率达到91%,效果得到优化。
