| 一种基于局部结构的改进奇异值分解推荐算法 |
| |
| 引用本文： | 方耀宁*,郭云飞,丁雪涛,兰巨龙.一种基于局部结构的改进奇异值分解推荐算法[J].电子与信息学报,2013(6). |
| |
| 作者姓名： | 方耀宁* 郭云飞 丁雪涛 兰巨龙 |
| |
| 作者单位： | 1. 国家数字交换系统工程技术研究中心 郑州 450002
2. 清华大学软件学院 北京 100084 |
| |
| 摘 要： | 基于奇异值分解(Singular Value Decomposition, SVD)的推荐算法,在预测准确性、稳定性上具有明显优势,但在用随机梯度下降法求解过程中误差下降速度逐渐变慢、迭代次数较多,这极大限制了其在实际项目中的应用.针对这个问题,该文利用评分矩阵的差分矩阵来表征局部结构信息,并作为新的目标函数来优化 SVD 推荐算法.在 MovieLens 和 Netflix 数据集合上的实验结果表明:与经典 SVD 算法相比,该优化算法能够用更少的迭代次数得到更准确的预测结果;与当前的其他算法相比,该优化算法在预测准确性上仅次于 SVD++,在训练时间上具有显著优势.
|
| 关 键 词： | 信息处理 推荐系统 协同过滤 奇异值分解(SVD) 局部结构 |
An Improved Singular Value Decomposition Recommender Algorithm Based on Local Structures |
| |
| Abstract: | |
| |
| Keywords: | Information processing Recommender system Collaborative filtering Singular Value Decomposition (SVD) Local structure |
| 本文献已被 万方数据 等数据库收录！ |
|
