基于SVD的推薦系統(tǒng)研究及其應(yīng)用.pdf

1、推薦系統(tǒng)是互聯(lián)網(wǎng)高速發(fā)展的產(chǎn)物，在人們的生活、工作及學(xué)習(xí)中發(fā)揮著非常重要的作用?，F(xiàn)如今，推薦系統(tǒng)已經(jīng)在電商、電影、社交等領(lǐng)域獲得飛速發(fā)展，國(guó)內(nèi)外針對(duì)推薦系統(tǒng)的應(yīng)用研究一直是近年的研究熱點(diǎn)。
　　推薦算法及其所依賴(lài)的大數(shù)據(jù)是推薦系統(tǒng)的核心，基于SVD的推薦技術(shù)可以針對(duì)推薦系統(tǒng)中用戶-項(xiàng)目二元評(píng)分?jǐn)?shù)據(jù)以及用戶-項(xiàng)目-標(biāo)簽三元權(quán)值數(shù)據(jù)進(jìn)行研究，是目前可以同時(shí)針對(duì)兩種數(shù)據(jù)進(jìn)行處理的關(guān)鍵且有效的算法。但是隨著待處理信息的數(shù)據(jù)量不斷增大，算法

2、計(jì)算效率和推薦準(zhǔn)確性成為推薦系統(tǒng)研究的關(guān)鍵。
　　本文針對(duì)SVD技術(shù)在推薦系統(tǒng)應(yīng)用中出現(xiàn)的計(jì)算效率低和推薦準(zhǔn)確性不太理想的問(wèn)題，分別對(duì)低階和高階SVD推薦算法性能進(jìn)行了深入研究，本文所做的主要工作如下：
　　1.首先，將基于SVD基本算法改進(jìn)的LFM、Bias SVD和SVD++推薦算法的性能進(jìn)行研究。其中LFM是將高維評(píng)分矩陣分解成兩個(gè)低維用戶和項(xiàng)目特征矩陣，Bias SVD算法是在LFM的基礎(chǔ)上將用戶和項(xiàng)目的基準(zhǔn)信息加入

3、模型，SVD++算法則是在Bias SVD算法之上又考慮了隱式信息。論文通過(guò)理論及實(shí)驗(yàn)分別對(duì)三個(gè)模型的性能進(jìn)行了比較，結(jié)果表明，SVD++算法的計(jì)算準(zhǔn)確性最好，但是計(jì)算效率最低；LFM算法的計(jì)算效率最高，但是準(zhǔn)確性最差。
　　2.其次，針對(duì)SVD++算法計(jì)算復(fù)雜度偏高導(dǎo)致的計(jì)算效率低問(wèn)題進(jìn)行了深入研究。分析SVD++算法理論模型發(fā)現(xiàn)，對(duì)預(yù)測(cè)模型目標(biāo)函數(shù)的訓(xùn)練采用梯度下降法開(kāi)展時(shí)，所用學(xué)習(xí)率函數(shù)性能直接影響模型訓(xùn)練所用迭代次數(shù)及收斂

4、速度，因此本文提出了一種新學(xué)習(xí)率函數(shù)來(lái)對(duì)SVD++預(yù)測(cè)模型的特征參數(shù)進(jìn)行學(xué)習(xí)，改進(jìn)的學(xué)習(xí)率函數(shù)具有初始值大、中期下降迅速及后期值小并且緩慢變化的特點(diǎn)，實(shí)驗(yàn)證明，此方法在采用梯度下降法對(duì)SVD++算法模型進(jìn)行訓(xùn)練的前提下，既能使SVD++推薦算法的計(jì)算效率明顯提高，又能保證預(yù)測(cè)準(zhǔn)確性不變。
　　3.最后，本文針對(duì)基于用戶-項(xiàng)目-標(biāo)簽三元數(shù)據(jù)的HOSVD推薦算法進(jìn)行研究。在推薦系統(tǒng)里，用戶-項(xiàng)目-標(biāo)簽數(shù)據(jù)會(huì)經(jīng)常出現(xiàn)標(biāo)簽冗余現(xiàn)象，若能充