基于SVD矩阵分解技术和RkNN算法的协同过滤推荐算法.pdfVIP

第25卷第1期 湖南工程学院学报 V01．25．No．1 ofHunanInstituteof Mar．2015 2015年3月 Journal Engineering 基于SVD矩阵分解技术和RkNN算法的 协同过滤推荐算法 刘 洋 (信阳职业技术学院数学与计算机科学学院，信阳464000) 摘 要：针对现有协同过滤算法具有的可扩展性较低、数据稀疏和计算量较大缺点，提出一种基于 的协作过滤，增强了用户的影响集，实现了测试集的未知预测评分功能．经仿真实验表明，稀疏性、可扩 展性和计算量都得到有效改善，系统预测评分与用户实际评分接近，为用户提供了良好的使用体验．该 算法获得了更好的预测性能，同时具有良好的可扩展性． 关键词：SVD影响集；协作过滤；推荐算法；RkNN影响集 中图分类号：TPl8文献标识码：A 文章编号：1671—119X(2015)01一0044一04 … … R1，1 R1．J Rm O前言 … … R—R“1 Ri．j Ri，。 在科技日益发达的今天，计算机网络已经覆盖 于社会的每一个角落．以百度、搜狗为代表的搜索引 R。，l … R。．j … R。．。 擎开始出现在我国人民的视野之中，为中国人的日 传统的协同过滤算法主要通过寻求目标用户的 常生活和工作带来了极大的便利．现阶段我国搜索 最近领导实现，在寻求到若干个领导后获取各个目 引擎具有个性化的特点，其推荐的系统多为基于用 标项目的评分，进而实现系统推荐．此类推荐方式是 户推荐、基于项目推荐、基于内容推荐，上述的这些 以用户兴趣资源为基础的，可有效寻求到受用户喜 协同过滤算法具有数据稀疏、可扩展性差和用户相 爱的网络资源，但由于算法的局限性，导致其扩展性 似性难分辨的特点，对推荐系统的质量产生负面影 和稀疏性较差．其中稀疏性主要是指系统在未获得 响．随着科学技术的发展，越来越多的专家学者开始 足够评价的时候，难以根据评价搜寻出符合要求的 关注到推荐系统领域，针对传统算法所存在的问题 用户．可扩展性是指在资源和用户不断增加的情况 也做出了针对性改善，其中可扩展性差和系统数据 下，系统性能和质量越来越低．目标用户可系统项目 稀疏的问题可通过矩阵分解方式来改善，例如PCA 的评分可用下式表示： (主成分分析)、NMF(非负矩阵分解)、SVN(奇异值 n ∑sim(甜，优)·R… 分解)等算法，都可用于降低数据的稀疏性和维度． P。一竺L--————一 (2) ∑sim(“，m) 埘=1 1协同过滤算法基础 在公式2中，用户用“表示，项目由歹表示， R。，i代表用户m对项目歹的评分；sim(“，m)用于表 解决资源和用户的关系是推荐系统中的主要内