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...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。展开更多
文摘基于奇异值分解(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。