结合奇异值分解和时间权重的协同过滤算法.pdfVIP

第２７卷第６期　　　 计算机应用与软件 Ｖｏｌ２７Ｎｏ．６ ２０１０年６月　　 ＣｏｍｐｕｔｅｒＡｐｐｌｉｃａｔｉｏｎｓａｎｄＳｏｆｔｗａｒｅ Ｊｕｎ．２０１０ 结合奇异值分解和时间权重的协同过滤算法 顾 申 华 （上海交通大学电子信息与电气工程学院　上海２００２４０） 摘　要　　协同过滤是现阶段最成功的推荐技术之一。提出一种结合奇异值分解和时间权重的协同过滤算法。与使用奇异值分解 来降维的最近邻法不同，该算法通过梯度下降法进行奇异值分解，并直接将分解的结果用于预测评分。同时，该算法根据评分时间， 为每个评分赋予不同的时间权重，考虑了用户兴趣随时间的变化。实验表明，该算法相较于传统协同过滤算法，能够获得更高的推 荐精度。 关键词　　协同过滤　奇异值分解　梯度下降法　时间权重 ＣＯＬＬＡＢＯＲＡＴＩＶＥＦＩＬＴＥＲＩＮＧＡＬＧＯＲＩＴＨＭＣＯＭＢＩＮＩＮＧＳＩＮＧＵＬＡＲ ＶＡＬＵＥＤＥＣＯＭＰＯＳＩＴＩＯＮＡＮＤＴＩＭＥＷＥＩＧＨＴ ＧｕＳｈｅｎｈｕａ （ＳｃｈｏｏｌｏｆＥｌｅｃｔｒｏｎｉｃＩｎｆｏｒｍａｔｉｏｎａｎｄＥｌｅｃｔｒｉｃａｌＥｎｇｉｎｅｅｒｉｎｇ，ＳｈａｎｇｈａｉＪｉａｏｔｏｎｇＵｎｉｖｅｒｓｉｔｙ，Ｓｈａｎｇｈａｉ２００２４０，Ｃｈｉｎａ） Ａｂｓｔｒａｃｔ　　Ｃｏｌｌａｂｏｒａｔｉｖｅｆｉｌｔｅｒｉｎｇｉｓｏｎｅｏｆｔｈｅｍｏｓｔｓｕｃｃｅｓｓｆｕｌｒｅｃｏｍｍｅｎｄａｔｉｏｎｔｅｃｈｎｉｑｕｅｓｎｏｗａｄａｙｓ．Ｉｎｔｈｉｓｐａｐｅｒ，ａｃｏｌｌａｂｏｒａｔｉｖｅｆｉｌｔｅｒｉｎｇ ｃｏｍｂｉｎｉｎｇｔｈｅｓｉｎｇｕｌａｒｖａｌｕｅｄｅｃｏｍｐｏｓｉｔｉｏｎ（ＳＶＤ）ａｌｇｏｒｉｔｈｍａｎｄｔｈｅｔｉｍｅｗｅｉｇｈｔｉｓｐｒｏｐｏｓｅｄ．ＵｎｌｉｋｅｔｈｅＮｅａｒｅｓｔＮｅｉｇｈｂｏｕｒｍｅｔｈｏｄｓｗｈｉｃｈ ｕｓｅＳＶＤａｓａｗａｙｔｏｒｅｄｕｃｅｄｉｍｅｎｓｉｏｎｓ，ｏｕｒａｌｇｏｒｉｔｈｍｕｓｅｓｔｈｅｇｒａｄｉｅｎｔｄｅｓｃｅｎｔａｌｇｏｒｉｔｈｍｔｏｃａｌｃｕｌａｔｅｔｈｅＳＶＤ，ａｎｄｐｒｅｄｉｃｔｓｔｈｅｒａｔｉｎｇｓｄｉｒｅｃｔ ｌｙｂａｓｅｄｏｎｔｈｅｒｅｓｕｌｔｓｏｆｔｈｅＳＶＤ．Ｍｅａｎｗｈｉｌｅ，ｅａｃｈｒａｔｉｎｇｓｃｏｒｅｉｓａｓｓｉｇｎｅｄｗｉｔｈａｔｉｍｅｗｅｉｇｈｔｂａｓｅｄｏｎｔｈｅｒａｔｉｎｇｔｉｍｅ，ａｎｄｔｈｕｓｔｈｅｉｎｔｅｒｅｓｔ ｄｒｉｆｔｗｉｔｈｔｉｍｅｉｓｔａｋｅｎｉｎｔｏｃｏｎｓｉｄｅｒａｔｉｏｎ．Ｅｘｐｅｒｉｍｅｎｔａｌｒｅｓｕｌｔｓｓｈｏｗｔｈａｔｔｈｉｓａｌｇｏｒｉｔｈｍｉｓａｂｌｅｔｏａｃｑｕｉｒｅｈｉｇｈｅｒｒｅｃｏｍｍｅｎｄａｔｉｏｎａｃｃｕｒａｃｙｉｎ ｃｏｍｐａｒｉｓｏｎｗｉｔｈｔｈｅｔｒａｄｉｔｉｏｎａｌｃｏｌｌａｂｏｒａｔｉｖｅｆｉｌｔｅｒｉｎｇａｌｇｏｒｉｔｈｍｓ． Ｋｅｙｗｏｒｄｓ　　Ｃｏｌｌａｂｏｒａｔｉｖｅｆｉｌｔｅｒｉｎｇ　Ｓｉｎｇｕｌａｒｖａｌｕｅｄｅｃｏｍｐｏｓｉｔｉｏｎ　Ｇｒａｄｉｅｎｔｄｅｓｃｅｎｔａｌｇｏｒｉｔｈｍ　Ｔｉｍｅｗｅｉｇｈｔ 在奇异值分解之前，该算法对评分矩阵中的未知评分进行填充， ０　引　言 通常使用所有评分的平均值来代替未知评分。但是，评分矩阵 中大部分的评分是未知的，经过填充以后已知评分的统计规律 随着电子商务市场的快速增长，如何为不同用户提供个性 性就被弱化。所以得到的用户和项特征矩阵不能直接用于预测 化推荐日益重要。协同过滤是现阶段最成功的推荐技术之一， 评分，只能当作最近邻法的预处理过程。文献［６］提出了一种 其本质是根据用户对项的历史评分数据来预测未知评分。在典 支持不完整评分矩阵的奇异值分解方法