基于SVD與SVM混合推薦的電影推薦系統(tǒng)的研究.pdf

1、隨著互聯(lián)網(wǎng)2.0時代的到來，用戶的各類網(wǎng)絡信息數(shù)據(jù)與日俱增，信息過載的問題日益嚴重。對于單個用戶而言，從紛繁復雜的網(wǎng)絡世界中快速捕捉到自己需要的信息越來越難；對于產(chǎn)品提供方而言，如何集成所有用戶的信息并迅速地挖掘到用戶的個人潛在需求，把用戶可能感興趣的產(chǎn)品及時推送給用戶成為大數(shù)據(jù)時代下精準營銷的一大技術難題。個性化推薦技術作為解決信息過載的有效手段和重要工具應運而生，在電子商務領域及各類社交媒體平臺展現(xiàn)出了良好的應用前景。其中，協(xié)同過濾

2、推薦技術作為應用最早也最廣泛的個性化推薦技術之一，在實際應用中取得了巨大的成功，但仍然面臨著數(shù)據(jù)稀疏與冷啟動，可擴展性差等制約推薦精度的嚴峻的問題。個性化推薦發(fā)展到現(xiàn)在，已經(jīng)有大量優(yōu)秀的專家學者提出了很多不同的算法模型來解決傳統(tǒng)協(xié)同過濾的這些缺陷，其中混合推薦算法因其能夠有效緩解傳統(tǒng)協(xié)同過濾推薦手段單一，推薦效率不高等缺陷而成為推薦算法研究領域的熱門方向，受到了越來越多的關注。本文提出的基于奇異值分解與支持向量機的混合推薦算法對傳統(tǒng)協(xié)同

3、過濾算法進行了一些相應的改進，主要工作如下：
　　1.針對推薦系統(tǒng)中用戶-項目評分數(shù)據(jù)的稀疏性問題，提出采用矩陣分解技術降維來最大化提取有效信息，分解得到三個稠密的包含用戶對項目偏好信息的奇異矩陣，有效地緩解了原始評分矩陣的極端稀疏情況；
　　2.針對推薦系統(tǒng)中用戶及項目數(shù)量急劇增長引發(fā)的可擴展性差的問題，利用奇異值分解技術抽取用戶-項目數(shù)據(jù)的關鍵特征，降低用戶或項目的奇異向量維數(shù)，相比傳統(tǒng)協(xié)同過濾一定程度上降低了相似度矩陣

4、的計算復雜度，較好地解決了可擴展性差的問題；
　　3.為了避免推薦系統(tǒng)用戶及項目數(shù)量龐大導致的內(nèi)存損耗問題，提出基于SVD及SVM的混合推薦算法，只需存儲奇異值分解后的用戶或者項目的奇異矩陣，用戶或項目的特征向量維數(shù)大大降低，保證了推薦精確度的同時，節(jié)省了更多存儲空間，這對于擁有浩如煙海數(shù)據(jù)的推薦系統(tǒng)無疑具有十分重大的意義；
　　4.在MovieLens數(shù)據(jù)集上進行的實證表明，本文提出的基于奇異值分解和SVM的混合推薦算法確