基于SVD的協同過濾推薦算法研究.pdf

1、隨著互聯網的迅猛發(fā)展，網絡數據呈現爆炸式的增長，其結構也變得越加復雜，越來越多的信息充斥著網絡，人們面臨著“信息過載”。以個性化推薦技術為代表的推薦系統能夠提供一種有效的機制，使用戶可以高效獲取需要的信息。
　　協同過濾推薦算法是目前應用最成功的個性化推薦技術，其利用目標用戶的相似用戶對某一物品的評價，形成該目標用戶對此物品的評價預測。然而，隨著信息的不斷膨脹，協同過濾推薦技術面臨著越來越大的挑戰(zhàn)。其中，數據稀疏、可擴展、冷啟動等

2、是協同過濾面臨的主要問題。
　　本文針對協同過濾推薦技術中的數據稀疏性和可擴展性問題，對SVD算法、SVD算法衍生的隱語義模型和傳統的協同過濾推薦算法進行了深入的研究。
　　首先，本文對個性化推薦技術的發(fā)展背景、體系結構進行了深入研究，其中對相似度度量方法和推薦性能度量標準作詳細介紹。深入研究了傳統協同過濾推薦算法:基于用戶的協同過濾推薦算法和基于項目的協同過濾推薦算法。對這兩種推薦算法的實現原理進行了詳細的說明，同時也分析

3、了它們的缺陷。
　　其次，深入研究了基于矩陣分解的SVD推薦算法，著重介紹了算法的實現步驟，并分析了其存在的不足。隱語義模型利用梯度下降法改進了SVD算法，解決了其面臨的問題。同時，文章還介紹了其他一些基于SVD改進的算法。
　　最后，由于隱語義模型在迭代學習的過程中丟失部分特征數據，本文利用KNN算法來修正遺失的信息，進而提出了兩種基于KNN與隱語義模型的融合推薦算法。將改進的融合推薦算法、隱語義模型和傳統的協同過濾推薦算