原文服务方: 微电子学与计算机       
摘要:
传统的近邻模型(k-nearest Neighborhood ,KNN)是一种使用广泛的协同过滤模型,但是随着用户和项目的增加,需要计算大量用户或项之间的相似度,其时间复杂度过高。通过结合位置敏感哈希(Locality-Sensitive Has-hing ,LSH)与MapReduce ,提出了一种能够在线性时间复杂度内并行计算用户或项之间相似度的近邻模型推荐算法,降低了时间和空间复杂度。在Tencent Weibo数据集上进行了仿真实验,实验表明提出的模型能有效解决传统近邻模型对于大数据集时间复杂度过高的问题,显著地提高了传统近邻模型的精度和降低传统近邻模型的耗时。
推荐文章
一种基于MapReduce的半监督近邻传播算法
近邻传播
聚类
半监督
IGP(类内比例)
MapReduce
基于熵优化近邻选择的协同过滤推荐算法
协同过滤
近邻选择
相似性
巴氏系数
推荐权重
基于评分支持度的最近邻协同过滤推荐算法
协同过滤
最近邻居
评分支持度
相似度
基于LSH的隐私保护POI推荐算法
局部敏感哈希
隐私保护
推荐算法
兴趣点
同态加密
内容分析
关键词云
关键词热度
相关文献总数  
(/次)
(/年)
文献信息
篇名 基于 LSH和 MapReduce 的近邻模型推荐算法
来源期刊 微电子学与计算机 学科
关键词 协同过滤 K-nearest Neighbor LSH MapReduce
年,卷(期) 2013,(12) 所属期刊栏目
研究方向 页码范围 47-49,53
页数 4页 分类号 TP31
字数 语种 中文
DOI
五维指标
作者信息
序号 姓名 单位 发文数 被引次数 H指数 G指数
1 向阳 同济大学计算机科学与技术系 88 1316 16.0 34.0
2 张骐 6 35 3.0 5.0
3 潘涛 5 34 3.0 5.0
4 陈佑雄 同济大学计算机科学与技术系 1 3 1.0 1.0
传播情况
(/次)
(/年)
引文网络
引文网络
二级参考文献  (0)
共引文献  (0)
参考文献  (2)
节点文献
引证文献  (3)
同被引文献  (15)
二级引证文献  (17)
2008(1)
  • 参考文献(1)
  • 二级参考文献(0)
2010(1)
  • 参考文献(1)
  • 二级参考文献(0)
2013(0)
  • 参考文献(0)
  • 二级参考文献(0)
  • 引证文献(0)
  • 二级引证文献(0)
2017(1)
  • 引证文献(1)
  • 二级引证文献(0)
2018(5)
  • 引证文献(2)
  • 二级引证文献(3)
2019(13)
  • 引证文献(0)
  • 二级引证文献(13)
2020(1)
  • 引证文献(0)
  • 二级引证文献(1)
研究主题发展历程
节点文献
协同过滤
K-nearest Neighbor
LSH
MapReduce
研究起点
研究来源
研究分支
研究去脉
引文网络交叉学科
相关学者/机构
期刊影响力
微电子学与计算机
月刊
1000-7180
61-1123/TN
大16开
1972-01-01
chi
出版文献量(篇)
9826
总下载数(次)
0
总被引数(次)
59060
论文1v1指导