在协同过滤中结合奇异值分解和最近邻方法.docVIP

在协同过滤中结合奇异值分解和最近邻方法 　　摘要：协同过滤是一种减小信息过载的常用方法，但是它有三方面的限制，即准确性、数据稀疏性和可扩展性。提出一种新的协同过滤算法来解决数据稀疏性的问题，利用奇异值分解法的结果来进行邻居选择，然后采用最近邻方法来得到未打分项目的预测值。在EachMovie 数据库集上的试验结果表明该算法在数据稀疏时算法的准确性超过普通的Pearson算法和奇异值分解算法。 　　关键词：奇异值分解；协同过滤；推荐系统 　　中图法分类号：TP311文献标识码：A 　　文章编号：1001－3695(2006)09－0206－03 　　 　　随着互联网技术的不断发展，网上已出现信息过载问题。协同过滤技术是减小信息过载的一种常用方法，它根据一个用户对其他项目的评分以及整个用户群过去的评分记录来预测该用户对未评分项目的评分［6］。 　　协同过滤中使用得最广泛的算法是最近邻方法［6］。最近邻方法根据用户评分的相似性来得到活动用户的若干最近邻居，然后用最近邻居对项目评分的加权值来预测活动用户对项目的评分。其他算法包括Bayesian网络、降维方法、归纳规则学习法、最近邻与加权多数投票方法的结合、基于主分量分析的聚类方法和潜在分类模型方法等［11，13］。 　　最近邻方法有三个方面的限制，即准确性、数据稀疏性和可扩展性［11］。因为最近邻方法需要求不同用户之间的