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(shí)代的到來(lái)，用戶的各類(lèi)網(wǎng)絡(luò)信息數(shù)據(jù)與日俱增，信息過(guò)載的問(wèn)題日益嚴(yán)重。對(duì)于單個(gè)用戶而言，從紛繁復(fù)雜的網(wǎng)絡(luò)世界中快速捕捉到自己需要的信息越來(lái)越難；對(duì)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(gè)人潛在需求，把用戶可能感興趣的產(chǎn)品及時(shí)推送給用戶成為大數(shù)據(jù)時(shí)代下精準(zhǔn)營(yíng)銷(xiāo)的一大技術(shù)難題。個(gè)性化推薦技術(shù)作為解決信息過(guò)載的有效手段和重要工具應(yīng)運(yùn)而生，在電子商務(wù)領(lǐng)域及各類(lèi)社交媒體平臺(tái)展現(xiàn)出了良好的應(yīng)用前景。其中，協(xié)同過(guò)濾

2、推薦技術(shù)作為應(yīng)用最早也最廣泛的個(gè)性化推薦技術(shù)之一，在實(shí)際應(yīng)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(dòng)，可擴(kuò)展性差等制約推薦精度的嚴(yán)峻的問(wèn)題。個(gè)性化推薦發(fā)展到現(xiàn)在，已經(jīng)有大量?jī)?yōu)秀的專(zhuān)家學(xué)者提出了很多不同的算法模型來(lái)解決傳統(tǒng)協(xié)同過(guò)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(guò)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(lǐng)域的熱門(mén)方向，受到了越來(lái)越多的關(guān)注。本文提出的基于奇異值分解與支持向量機(jī)的混合推薦算法對(duì)傳統(tǒng)協(xié)同

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

4、的計(jì)算復(fù)雜度，較好地解決了可擴(kuò)展性差的問(wèn)題；
　　3.為了避免推薦系統(tǒng)用戶及項(xiàng)目數(shù)量龐大導(dǎo)致的內(nèi)存損耗問(wèn)題，提出基于SVD及SVM的混合推薦算法，只需存儲(chǔ)奇異值分解后的用戶或者項(xiàng)目的奇異矩陣，用戶或項(xiàng)目的特征向量維數(shù)大大降低，保證了推薦精確度的同時(shí)，節(jié)省了更多存儲(chǔ)空間，這對(duì)于擁有浩如煙海數(shù)據(jù)的推薦系統(tǒng)無(wú)疑具有十分重大的意義；
　　4.在MovieLens數(shù)據(jù)集上進(jìn)行的實(shí)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