一种基于局部结构的改进奇异值分解推荐算法

被引：38

作者：

方耀宁 ^{[1
]}

郭云飞 ^{[1
]}

丁雪涛 ^{[2
]}

兰巨龙 ^{[1
]}

机构：

[1] 国家数字交换系统工程技术研究中心

[2] 清华大学软件学院

来源：

电子与信息学报 | 2013年 / 35卷 / 06期

关键词：

信息处理; 推荐系统; 协同过滤; 奇异值分解(SVD); 局部结构;

D O I：

暂无

中图分类号：

TP301.6 [算法理论];

学科分类号：

080201 [机械制造及其自动化];

摘要：

基于奇异值分解(Singular Value Decomposition,SVD)的推荐算法,在预测准确性、稳定性上具有明显优势,但在用随机梯度下降法求解过程中误差下降速度逐渐变慢、迭代次数较多,这极大限制了其在实际项目中的应用。针对这个问题,该文利用评分矩阵的差分矩阵来表征局部结构信息,并作为新的目标函数来优化SVD推荐算法。在MovieLens和Netflix数据集合上的实验结果表明:与经典SVD算法相比,该优化算法能够用更少的迭代次数得到更准确的预测结果;与当前的其他算法相比,该优化算法在预测准确性上仅次于SVD++,在训练时间上具有显著优势。

引用

页码：1284 / 1289

页数：6