基于SVD的協(xié)同過(guò)濾推薦算法研究.pdf

1、隨著互聯(lián)網(wǎng)的迅猛發(fā)展，網(wǎng)絡(luò)數(shù)據(jù)呈現(xiàn)爆炸式的增長(zhǎng)，其結(jié)構(gòu)也變得越加復(fù)雜，越來(lái)越多的信息充斥著網(wǎng)絡(luò)，人們面臨著“信息過(guò)載”。以個(gè)性化推薦技術(shù)為代表的推薦系統(tǒng)能夠提供一種有效的機(jī)制，使用戶可以高效獲取需要的信息。
　　協(xié)同過(guò)濾推薦算法是目前應(yīng)用最成功的個(gè)性化推薦技術(shù)，其利用目標(biāo)用戶的相似用戶對(duì)某一物品的評(píng)價(jià)，形成該目標(biāo)用戶對(duì)此物品的評(píng)價(jià)預(yù)測(cè)。然而，隨著信息的不斷膨脹，協(xié)同過(guò)濾推薦技術(shù)面臨著越來(lái)越大的挑戰(zhàn)。其中，數(shù)據(jù)稀疏、可擴(kuò)展、冷啟動(dòng)等

2、是協(xié)同過(guò)濾面臨的主要問(wèn)題。
　　本文針對(duì)協(xié)同過(guò)濾推薦技術(shù)中的數(shù)據(jù)稀疏性和可擴(kuò)展性問(wèn)題，對(duì)SVD算法、SVD算法衍生的隱語(yǔ)義模型和傳統(tǒng)的協(xié)同過(guò)濾推薦算法進(jìn)行了深入的研究。
　　首先，本文對(duì)個(gè)性化推薦技術(shù)的發(fā)展背景、體系結(jié)構(gòu)進(jìn)行了深入研究，其中對(duì)相似度度量方法和推薦性能度量標(biāo)準(zhǔn)作詳細(xì)介紹。深入研究了傳統(tǒng)協(xié)同過(guò)濾推薦算法:基于用戶的協(xié)同過(guò)濾推薦算法和基于項(xiàng)目的協(xié)同過(guò)濾推薦算法。對(duì)這兩種推薦算法的實(shí)現(xiàn)原理進(jìn)行了詳細(xì)的說(shuō)明，同時(shí)也分析

3、了它們的缺陷。
　　其次，深入研究了基于矩陣分解的SVD推薦算法，著重介紹了算法的實(shí)現(xiàn)步驟，并分析了其存在的不足。隱語(yǔ)義模型利用梯度下降法改進(jìn)了SVD算法，解決了其面臨的問(wèn)題。同時(shí)，文章還介紹了其他一些基于SVD改進(jìn)的算法。
　　最后，由于隱語(yǔ)義模型在迭代學(xué)習(xí)的過(guò)程中丟失部分特征數(shù)據(jù)，本文利用KNN算法來(lái)修正遺失的信息，進(jìn)而提出了兩種基于KNN與隱語(yǔ)義模型的融合推薦算法。將改進(jìn)的融合推薦算法、隱語(yǔ)義模型和傳統(tǒng)的協(xié)同過(guò)濾推薦算