改进学习率的一种高效svd算法.docxVIP

改进学习率的一种高效SVD+算法 ： The core of the recommendation system includes the recommendation algorithm and big data. The efficient computation of the recommendation algorithm is the essential requirement to realize the real?time human?machine interaction. Among various recommendation algorithms ， the SVD++algorithm is widely used because its special advantages. However ， in the environment of big data ，the SVD++recommendation algorithm has the prominent problem of low computing efficiency ， and is difficult to satisfy the requirement of real?time human?machine interaction. In order to solve this problem ， a new method to improve the computation efficiency of the SVD++ recommendation algorithm is proposed ， whose kernel is to optimize the indicator of the target function with new learning rate function. In combination with the changing rate characteristics of the exponential function and linear function ， the learning rate function has the characteristics of high initial value ， low medium?term descend speed and later value ， and slow change toward. The effectiveness of the method was verified with simulation experiment. Keywords： recommendation system ； recommendation algorithm ； big data ； SVD++； computation efficiency ； learning rate 0 引 言 推荐系统是解决当前互联网“信息过载”的一项关键技术 [1] ，其通过收集和分析用户的各种信息来学习用户特征，并根 据分析得到的用户兴趣和行为模式来为用户推荐所需要的服务。 目前，推荐系统在很多领域获得了广泛应用，例如电子商务、电 影、音乐、移动应用等。 推荐算法及其依赖的原始大数据是推荐系统的核心 [2] 。互 联网上每天产生TB及PB级的数据，数据复杂、维度高。在此背 景下，有效提高推荐算法的计算效率成为实际应用中实现实时人 机交互的关键。在常用的推荐算法中，基于奇异值分解算法 (Singular Value Decomposition ， SVD 改进的 SVD+推荐算 法[3] 因具有很多优点而被应用于推荐系统，主要优点包括降低 数据维度、 考虑含蓄隐式行为信息以及预测准确性高等， 是推荐 算法中一种重要的用于实现目标用户对目标项目进行评分预测 的算法。 虽然SVD+推荐算法具有很多优点，但在实际应用中，需要 处理的数据量往往属于海量级。对于海量数据， SVD+算法计算 效率低的问题格外突出，因而不能满足实时人机交互的基本要 求。 本文提出一种新的方法来提高 SVD+推荐算法的计算效率， 其核心是采用一种新的学习率函数对 SVD+推荐算法中的各项指 标进行优化学习。 该新学习率函数采用指数函数和一次函数的综 合函数作为优化函数， 从而具有自适应学习的能力， 具体表现为 初始学习率大、中期下降迅速以及后期学习率小且变化缓慢。 1 推荐算法 目前，主流的推荐算法包括四类：基于内容、协同过滤、基 于图结构以及混合的算法。 其中，协同过滤算法是当前推荐系统 中最广泛应用的推荐算法 [2] ，其核心思想是寻找目标用户的相 似用户群， 然后根据相似用户群对目标项目的评分情况