基于用户邻域模型与矩阵分解的推荐算法.pdfVIP

142 基于用户邻域模型与矩阵分解的推荐算法 基于用户邻域模型与矩阵分解的推荐算法 RecommendationAlgorithm BasedonUserNearestNeighborModelandMatrixFactorization 丁建军 刘建平 (浙江理工大学信息学院，浙江 杭州310018) 摘 要 针对协同过滤推荐算法所面对的稀疏矩阵和新用户问题 ，提 出基于用户邻域模型与矩阵分解的推荐算法。通过对用户历史 信息构建邻域模型以提高对新用户预测的准确性，同时考虑到矩阵稀疏和数据量较大会引起时间和空间复杂度过高，运用奇异值 矩阵分解的方法，从而减小矩阵稀疏和数据量大的影响，提高推荐系统的准确性。通过MovieLens数据集验证该算法的有效性。 关键词 ：电子商务，协 同过滤 ，个性化推荐算法，矩阵分解，用户邻域模型 Abstract Concerning the difficultyofsparse matrixand new users problems in collaborativefiltering recommendation algorithm， this paperproposesa new recommendation algorithm based on usernearestneighbormodeland matrixfactorizationTo guarantee the prediction accuracy ofnew users，the nearestneighbormodelbased onuserdata and profile information is used．Meanwhile，large data setsand matrixsparsitywould significantly increasetimeand space complexity． Keywords：E-commerce，collaborative filtering，personalized recommendation algorithm，matrix decomposition，usernearest neighbormodel 如今 电子商务受到广泛使用 ，商品和服务的数量迅速增长。 sition)SVD方法处理用户一物 品评分矩阵，它具有可扩展性以 面对海量 的商品和服务 ，用户需要花费大量 的时间浏览无关的 及不错的预测准确度 。对于用户 u对物 品i的预测评分，可以用 信息才能找到符合 自己需要的服务和商品。个性化推荐成为 目 rui=p1． q．。来表示 ，其 中P 向量表示用户 u的潜在f维特征向 前解决信息过载问题的有效工具之一 。 目前个性化推荐算法主 量 ，向量 q；表示物 品i的潜在 f维特征向量。 要可分为两大类 ：基于内容的推荐算法和基于协同过滤 的推荐 SVD方法经常被应用于信息获取领域，但是传统SVD方法 算法 。提 出了一种既能解决系统新用户问题 ，又能通过使用协 同 应用在协同过滤技术 中，会遇到大量缺失值 问题 ，通过用一个简 过滤技术提高推荐准确率的改进算法。它首先判断用户偏好的 单的方法补全稀疏评分矩阵，但是一旦补全之后，评分矩阵就会 历史记录是否完备，接着使用矩阵分解和用户邻域模型的方法 变成一个稠密矩阵，从而需要很大的空间来存储评分矩阵；另外 来提高对 目标用户的推荐准确度 。