基于隐语义模型的协同过滤算法分析

摘要：

协同过滤技术已经被广泛用于推荐系统中,它的成功得益于大数据领域大量真实可靠的用户数据.然而,随着用户信息安全意识加强,获取这些数据的难度增大或是数据的质量变差,为了解决数据的稀疏性问题,奇异值分解(SVD)是协同过滤中常用的矩阵分解算法之一,考虑了用户和物品的偏置信息,通过使用代数的特征提取来实现.其衍生模型SVD++由于在模型中引入了用户的隐式反馈信息从而可以获得更高的预测准确率.本篇论文介绍了推荐系统中基于隐语义模型的SVD++算法的由来,并对其进行分析,最后在两个真实的数据集上进行实验,结果表明SVD++能够提高推荐的精度,为后续的研究者提供借鉴和参考.

关键词：推荐系统、基于模型、协同过滤、奇异值分解

在线出版日期：2018-07-04（万方平台首次上网日期，不代表论文的发表时间）

页数：共2页

页码：296,295