基于SVD的推薦系統(tǒng)研究及其應用.pdf

1、推薦系統(tǒng)是互聯(lián)網高速發(fā)展的產物，在人們的生活、工作及學習中發(fā)揮著非常重要的作用?，F(xiàn)如今，推薦系統(tǒng)已經在電商、電影、社交等領域獲得飛速發(fā)展，國內外針對推薦系統(tǒng)的應用研究一直是近年的研究熱點。
　　推薦算法及其所依賴的大數據是推薦系統(tǒng)的核心，基于SVD的推薦技術可以針對推薦系統(tǒng)中用戶-項目二元評分數據以及用戶-項目-標簽三元權值數據進行研究，是目前可以同時針對兩種數據進行處理的關鍵且有效的算法。但是隨著待處理信息的數據量不斷增大，算法

2、計算效率和推薦準確性成為推薦系統(tǒng)研究的關鍵。
　　本文針對SVD技術在推薦系統(tǒng)應用中出現(xiàn)的計算效率低和推薦準確性不太理想的問題，分別對低階和高階SVD推薦算法性能進行了深入研究，本文所做的主要工作如下：
　　1.首先，將基于SVD基本算法改進的LFM、Bias SVD和SVD++推薦算法的性能進行研究。其中LFM是將高維評分矩陣分解成兩個低維用戶和項目特征矩陣，Bias SVD算法是在LFM的基礎上將用戶和項目的基準信息加入

3、模型，SVD++算法則是在Bias SVD算法之上又考慮了隱式信息。論文通過理論及實驗分別對三個模型的性能進行了比較，結果表明，SVD++算法的計算準確性最好，但是計算效率最低；LFM算法的計算效率最高，但是準確性最差。
　　2.其次，針對SVD++算法計算復雜度偏高導致的計算效率低問題進行了深入研究。分析SVD++算法理論模型發(fā)現(xiàn)，對預測模型目標函數的訓練采用梯度下降法開展時，所用學習率函數性能直接影響模型訓練所用迭代次數及收斂

4、速度，因此本文提出了一種新學習率函數來對SVD++預測模型的特征參數進行學習，改進的學習率函數具有初始值大、中期下降迅速及后期值小并且緩慢變化的特點，實驗證明，此方法在采用梯度下降法對SVD++算法模型進行訓練的前提下，既能使SVD++推薦算法的計算效率明顯提高，又能保證預測準確性不變。
　　3.最后，本文針對基于用戶-項目-標簽三元數據的HOSVD推薦算法進行研究。在推薦系統(tǒng)里，用戶-項目-標簽數據會經常出現(xiàn)標簽冗余現(xiàn)象，若能充