推薦系統(tǒng)的協(xié)同過濾、矩陣分解和k近鄰方法及其優(yōu)化.pdf

1、隨著互聯(lián)網(wǎng)的興起，信息過載越來越困繞著人們，如何從大量的信息中尋找到自己需要的內(nèi)容成為了大家關(guān)注的焦點，在此情況之下，推薦系統(tǒng)應(yīng)運而生。
　　本文主要介紹了目前最為流行的集中推薦系統(tǒng)算法。包括協(xié)同過濾算法，奇異值分解算法和kNN算法，并對它們進(jìn)行了相應(yīng)的改進(jìn)和提高。
　　對于協(xié)同過濾算法，我們更新了傳統(tǒng)的相似度度量，提出了一種混合的相似度度量，從而改進(jìn)了原始算法中的單一度量；進(jìn)一步地，我們還提出了使用K--means對用戶進(jìn)

2、行聚類的協(xié)同過濾算法，降低了算法的復(fù)雜度。針對奇異值分解算法，我們提出了結(jié)合人口統(tǒng)計學(xué)信息的特征值分解算法；此外我們還引入了局部結(jié)構(gòu)化的奇異值分解方法，對原有的模型進(jìn)行了進(jìn)一步的優(yōu)化；同時，我們在奇異值分解中也介紹了一種雖然效果較差但是算法復(fù)雜度更低、實現(xiàn)速度更快的算法—分塊的SVD方法。針對kNN算法，我們進(jìn)一步更新了行相似度的算法，除了協(xié)同過濾算法中能考慮的內(nèi)容，我們增加了用戶的人口統(tǒng)計學(xué)信息，通過用戶群體之間的差別和用戶個體之間的