2.3. Improved collaborative filteri

2.3. Improved collaborative filtering recommendation algorithm Based on the Internet of Things, the customer needs are recommended to help it making decisions. The input parts of the algorithm are mainly customer-item rating matrix R(u. i),customer trust model TR, customer scoring similarity threshold ε, trust threshold θ, and intersection element threshold ρ. The output part is the target customer i and the target item. The algorithm process is as follows: (1) The score similarity Sim(i, j) of the target customer i and the remaining customer j is calculated; (2) According to the similarity of the calculation, target customer i's rating similarity neighbor set in customer set U is sought, so that NNsim = {Ua |Sim(Ua, i) > ε, Ua ≠ i}; (3) Through the customer trust model, the degree of trust T (i, j) of the target customer i and the rest of the customer j is calculated; (4) The set of trusted neighbors NNtrus of the target customer i in the customer set U is found, so that NNtrust = {Ua |T (Ua, i) > θ, Ua ≠ i}; (5) if (card (NNsim ∩ NNtrust ) > ρ) Customer nearest neighbor T&S (i) = NNsim ∩ NNtrust else if (card (NNsim) > card (NNtrust)) Customer nearest neighbor T&S (i) = NNsim else Customer nearest neighbor T&S (i) = NNtrust (6) All items are networked and the target customer's prediction score for all Internet of Things items is calculated; (7) The recommended list of Internet of Things items is constructed, and all the products connected to the network are sorted, and the customer's decision is provided according to the score. End This paper fully considers the role of nearest neighbor of customer similar and nearest neighbors of customer trust, and effectively integrates them into the idea of a customer's nearest neighbor. In calculating the customer i's nearest neighbor T&S (i), the trust degree calculation of the target customer i and the rest of the customer j is performed first, and then the degree of similarity between the target customer i and the remaining customers j is calculated, and the he corresponding threshold is set. NNtrust = {T (i, j)|i, j ∈ UandT (i, j) > θ} (16) NNSim = {Sim(i, j)|i, j ∈ UandSim(i, j) > ε} (17) If the nearest neighbors of customer trust and the nearest neighbor of customer similar have the same elements, and the number of them exceeds the threshold ρ, then they belong to the nearest neighbor. Otherwise, the customer with more elements is chosen as the customer nearest neighbor. The calculation process is as follows:

結果 (繁體中文) 1:

2.3。基於物聯網的改進協同過濾推薦算法，推薦客戶的需求，幫助其做出決策。該算法的輸入部分是主要的客戶項目評分矩陣R（U。i）中，客戶的信任模型TR，客戶得分相似性閾值ε，信任閾值θ，以及交叉部件閾值ρ。輸出部分是目標客戶i和目標項目。該算法的過程如下：（1）得分相似度Sim（i，j）的目標客戶的i和計算剩餘的客戶j; （2）根據計算的相似性，目標客戶i的客戶評級相似鄰居集集合U尋求，使得NNsim = {Ua的|辛（UA，I）>ε，Ua的≠I}; （3）通過客戶的信任模型，信任T的程度（I，目標客戶i和客戶j的其餘部分j）的計算; （4）U是發現該組可信鄰居目標客戶i在客戶設定的NNtrus，使NNtrust = {Ua的| T（UA，I）>θ，Ua的≠I}; （5）如果（卡（NNsim∩NNtrust）>ρ）最近鄰T＆S顧客（ⅰ）= NNsim∩NNtrust否則如果（卡（NNsim）>卡（N​​Ntrust））最近鄰T＆S（I）= NNsim最近的別的顧客顧客鄰居T＆S（I）= NNtrust（6）所有項目都聯網，並計算目標客戶對物聯網項目所有互聯網預測分數; （7）的物聯網項目互聯網的推薦列表構造，以及所有連接到網絡的產品進行排序，並根據分數提供客戶的決定。結束本文充分考慮了客戶的相似和客戶的信賴的近鄰近鄰的作用，並有效地整合成一個客戶的近鄰的想法。在計算客戶i是T＆S（i）中，目標客戶i和客戶j的其餘部分被首先執行，然後將目標客戶之間的相似程度的信任度計算計算i和剩餘的客戶Ĵ最近鄰和他相應的閾值。NNtrust = {T（I，J）| I，J∈UandT（I，J）>θ} ...（16）NNSim = {辛（I，J）| I，J∈UandSim（I，J）>ε}（ 17）如果客戶信任的最近的鄰居和客戶類似的近鄰有相同的元素，它們的數量超過閾值ρ，那麼他們所屬的近鄰。除此以外，與多個元件的顧客選擇為最近鄰居客戶。計算過程如下：

結果 (繁體中文) 2:

2.3. 改進的協作過濾推薦演算法基於物聯網，建議客戶説明其做出決策。該演算法的輸入部分主要是客戶專案評級矩陣R（u.i）、客戶信任模型TR、客戶評分相似性閾值+、信任閾值=和交集元件閾值=。輸出部件是目標客戶 i 和目標物料。演算法過程如下：（1）計算目標客戶i和剩餘客戶j的分數相似性;（2） 根據計算的相似性，尋找目標客戶i的評級相似性鄰邦設置在客戶集U中，以便NNsim [Ua]Sim（Ua，i） = [（3） 通過客戶信任模型，計算目標客戶i（i，j）的信任程度，計算客戶j的其餘部分;（4） 在客戶集 U 中找到目標客戶 i 的可信鄰居 NNtrus 集，以便 NNtrust = [Ua]T （Ua， i） = = ， Ua = i_;（5） 如果 （卡 （NNsim + NNtrust ） = = = = 客戶最近的鄰居 T+S （i） = NNtrust （i） = NNtrust 其他如果 （卡 （Nnsim） + 卡 （NNtrust）） 客戶最近的鄰居 T+S （i） = NNtrust （6） 所有專案已聯網，目標客戶計算所有物聯網專案的預測分數;（7）構建物聯網專案推薦清單，對連接到網路的所有產品進行分類，並根據評分提供客戶決策。本文充分考慮了客戶近鄰和客戶信任近鄰的作用，有效地將它們融入客戶近鄰的思想中。在計算客戶 i 的最近鄰居 T&S （i） 時，首先執行目標客戶 i 和客戶 j 的其餘部分的信任度計算，然後計算目標客戶 i 和其餘客戶 j 之間的相似程度，並設置相應的閾值。NNtrust = [T （i， j） ]i ， j= UandT （i， j） = = = = ==Sim（i， j）_i， j = UandSim （i， j） = = = = = = = （ 17） 如果客戶信任的最近鄰居和客戶相似的最近鄰居具有相同的元素，並且它們的數量超過閾值，然後他們屬於最近的鄰居。否則，將選擇具有更多元素的客戶作為客戶最近的鄰居。計算過程如下：

結果 (繁體中文) 3:

2.3條。改進的基於物聯網的協同過濾推薦算灋，根據客戶的需求進行推薦，幫助其做出決策。算灋的輸入部分主要是客戶項目評分矩陣R（u.i）、客戶信任模型TR、客戶評分相似度閾值ε、信任閾值θ和交集元素閾值ρ。輸出部分是目標客戶i和目標項。算灋過程如下：（1）計算目標客戶i和剩餘客戶j的得分相似度Sim（i，j）；（2）根據計算相似度，在客戶集U中尋找目標客戶i的評分相似度鄰居集，使得NNsim={Ua | Sim（Ua，i）>ε，Ua≠i}；（3）通過客戶信任模型，計算目標客戶i和其餘客戶j的信任度T（i，j）；（4）在客戶集U中找到目標客戶i的信任鄰居集NNtrus，使得NNtrust={Ua | T（Ua，i）>θ，Ua≠i}；（5）如果（卡（NNsim∩NNtrust）>ρ）客戶近鄰T&S（i）=NNsim∩NNtrust else如果（卡（NNsim）>卡（NNtrust））客戶近鄰T&S（i）=NNsim else客戶近鄰T&S（i）=NNtrust（6）所有項目聯網，並計算目標客戶對所有物聯網項目的預測得分；（7）構建物聯網項目推薦清單，對所有聯網產品進行排序，根據評分提供客戶決策。最後，本文充分考慮了顧客相似近鄰和顧客信任近鄰的作用，並將它們有效地融合到顧客最近鄰的概念中。在計算客戶i的最近鄰T&s（i）時，首先計算目標客戶i和其餘客戶j的信任度，然後計算目標客戶i和剩餘客戶j的相似度，並設定相應的閾值。NNtrust={T（i，j）| i，j∈UandT（i，j）>θ}（16）NNSim={Sim（i，j）| i，j∈UandSim（i，j）>ε}（17）如果客戶信任的最近鄰和客戶相似的最近鄰具有相同的元素，並且它們的數目超過閾值ρ，則它們屬於最近鄰。否則，選擇元素較多的客戶作為最近鄰客戶。計算過程如下：