基于深度学习的高维稀疏数据组合推荐算法

• 作者: 李东 李晓峰
• 来源期刊: 计算机技术与发展
• 学科: 工学
• 关键词: 深度学习 高维稀疏数据 组合推荐 特征提取 挖掘
• 年，卷（期）: 2020,（2）
• 所属期刊栏目: 智能、算法、系统工程
• 页码范围: 104-108
• 页数: 5页
• 分类号: TP391
• 字数: 3123字
• 语种: 中文
• DOI: 10.3969/j.issn.1673-629X.2020.02.021

摘要

传统方法在对高维稀疏数据进行检测的过程中,受到高维特征扰动的影响,数据误差较大,因此提出一种基于深度学习的高维稀疏数据组合推荐算法.采用相空间重构方法进行高维稀疏数据的特征重构,根据重构结果结合非线性统计序列分析方法进行高维稀疏数据的回归分析和点云结构重组,在此基础上提取高维稀疏数据的组合特征量;依据特征量提取结果采用特征提取技术抽取高维稀疏数据的平均互信息特征量,并结合关联规则挖掘方法进行高维稀疏数据的主成分分析,挖掘高维稀疏数据的相似度属性类别成分,最终采用深度学习方法进行高维稀疏数据组合推荐过程中的自适应寻优,实现高维稀疏数据的组合推荐.仿真结果表明,采用该算法进行高维稀疏数据推荐的属性归类辨识性较好,特征分辨能力较强,提高了数据的检测和识别能力.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	李东	哈尔滨工业大学计算机科学与技术学院	109	975	16.0	27.0
2	李晓峰	黑龙江外国语学院信息工程系	20	30	4.0	5.0