首页 » 职称论文 » 经济 » 正文
个性化推荐的应用中具有较高的性能
更新日期:2022-08-03     浏览次数:58
核心提示:1.1近邻传播聚类近邻传播(affinity propagation,AP)算法[8]的聚类是在以众多数据点形成的相似性矩阵的上进行的,对于给定的xi和xk两个任意的数据点,

1.1  近邻传播聚类

近邻传播(affinity propagation, AP)算法[8]的聚类是在以众多数据点形成的相似性矩阵的上进行的,对于给定的xixk两个任意的数据点,通常情况下采用欧式距离来测定它们彼此之间的相似度,sim(k, i )=-||xk-xi||2。当确定一组数据点的相似程度,近邻传播算法会找出每一种类别所包含的数据点集和此类数据点所对应的初级类别代表点。近邻传播算法在各个数据点之间传递着两种信息,那就是归属度(availability)和吸引度(responsibility)。算法的计算过程也是两种信息传递结合的过程。吸引度res(k, i)从点xk指向点xi,代表点xi信息量在不断积累,用来表示xi在一定程度上适用于作xk类代表点的合适程度;归属度av(k, i)从点xi指向点xk,代表点xk信息量在不断积累,用来表示xk在一定程度上选择xk作为初级类别代表点的适应程度。对于任意的数据点xi,通过计算得到所有数据点的归属度av(i, k)和吸引度res(i, k),并求出归属度av(i, k)和吸引度res(i, k)的和,那么数据点xi的初级类别代表点即为xk:。