一种基于局部结构的改进奇异值分解推荐算法
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.
信息处理、推荐系统、协同过滤、奇异值分解(SVD)、局部结构
TP393(计算技术、计算机技术)
2013-06-25(万方平台首次上网日期,不代表论文的发表时间)
共6页
1284-1289